从生产故障解锁RocketMQ集群部署的最佳实践

1、故障描述

RocketMQ 集群采取的部署架构为2主2从，其部署架构如下图所示：

其部署架构中一个非常明显的特点是一台物理机上分别部署了 nameserver，broker 两个进程。

其中一台机器(192.168.3.100)的内存出现故障，导致机器重启，但Linux操作系统由于重启需要自检等因素，整个重启过程竟然持续了将近10分钟，客户端的发送超时持续10分钟，这显然是不能接受的！！！

RocketMQ的高可用设计何在？接下来我们将详细介绍其分析过程。

2、故障分析

当得知一台机器故障导致消息发送超时持续10分钟，我的第一反应是不应该呀，因为 RocketMQ 集群是分布式部署架构，天然支持故障发现与故障恢复，消息发送客户端能自动感知 Broker 异常的的时间绝对不会超过10分钟，那故障又是怎么发生的呢？

首先我们来回顾一下RocketMQ的路由注册与发现机制。

2.1 RocketMQ路由注册与剔除机制

其路由注册、剔除机制说明如下：

• 集群中所有Broker每隔30s向集群中所有的NameServer发送心跳包，注册Topic路由信息。
• NameServer在收到Broker端的心跳包时首先会更新路由表，并记录收到心跳包的时间。
• NameServer启动一个定时任务每10s扫描Broker存活状态表，如果Nameserver 连续120s未收到Broker的心跳包，将判定该Broker已下线，从路由表中将该Broker移除。
• 如果Nameserver与Broker端的长连接断开，NameServer能立即感知Broker下线并从路由表中将该Broker移除。
• 消息客户端(消息发送者、消息消费者)在任意时刻只会和其中一台NameServer建立连接，并每隔30s向NameServer查询路由信息，如果查询到结果会更新客户端的本地路由信息；如果查询路由失败，则忽略。

从上述路由注册、剔除机制来看，当一台Broker服务器宕机，消息发送者感知路由信息发生变化需要的时间是多长呢？

分如下两种情况分别讨论：

• NameServer与Broker服务器TCP连接断开，此时NameServer能立即感知路由信息变化，将其从路由表中移除，从而消息发送端应该在30s左右就能感知路由发送变化，在此30s内在发送端会出现消息发送失败,但结合发送规避机制，并不会对发送方带来重大故障，可接受。
• 如果NameServer与Broker服务器的TCP连接未断开，但Broker已无法提供服务(例如假死)，此时NameServer需要120s才能感知Broker宕机，此时消息发送端最多需要150s才能感知其路由信息的变化。

但问题来了，为什么一台Broker由于内存故障重启,10分钟后业务才恢复，即客户端才真正感知Broker宕机呢？

既然出现了，我们就需要对其进行分析，给出解决方案，避免不会在生产环境出现同类型的错误。

2.2 故障排查经过

查询客户端的日志(/home/{user}/logs/rocketmqlogs/rocketmq_client.log)，从中可以看到从客户端第一次报消息发送超时的时间是14:44，其日志输出如下：

由于192.168.3.100机器内存故障，故首先去查看该集群中其他nameserver中的日志，看正常机器中的NameServer感知broker-a故障的时长，其日志如下所示：

从中可以看出192.138.3.101的nameserver基本在2分钟左右才感知其宕机，即虽然机器在重启，但可能由于操作系统要做硬件自检等其他原因，TCP连接并未断开，故nameserver在120s后才感知其宕机，从路由信息表中将该broker移除，那按照路由剔除机制，客户端应该在150秒的时间内感知其变化，那为什么没感知呢？

继续查看客户端路由信息，查看客户端感知路由信息发生变化的时间点，如下图所示：

从客户端日志来看，客户端在14:53:46才感知其变化，这又是为什么呢？

原来客户端在更新路由信息时报超时异常，其截图如下所示：：

从发生故障到故障恢复期间，客户端一直尝试从已发生故障的NameServer去更新路由信息，但一直返回超时，这样就导致了客户端一直无法获取最新的路由信息，故一直无法感知已宕机的Broker。

从日志分析来看，到目前来说就比较明朗了，客户端之所有没有在120s之内感知其路由信息的变化，是因为客户端一直尝试从已宕机的nameserver去更新路由信息，但由于一直无法请求成功，故客户端的缓存路由信息一直无法得到更新，造成了上面的现象

那问题来了，按照我们对RocketMQ的认识，NameServer宕机，客户端会自动去从nameserver列表中选择下一个nameserver，那为什么这里并没有发生nameserver切换，而是等到14:53才切换呢？

接下来我们将目光投向NameServer的切换代码，其代码片段如下图所示：

上图中的几个关键分析如下：

• 客户端从缓存中选用连接用于发送RPC请求的前提条件是连接的的isActive方法返回true，即底层TCP连接处于激活状态。
• 在客户端向服务端发起RPC请求时，如果出现非超时类异常，会执行closeChannel方法，该方法会关闭连接并从连接缓存表中移除，这个非常关键，因为在切换NameServer时如果缓存中存在连接并连接处于激活状态，就不会切换nameserver。
• 如果发送RPC超时，rocketmq会根据clientCloseSocketIfTimeout参数来决定是否关闭连接，但遗憾的是该参数默认为false，并且并未提供修改的入口。

那问题分析到这里，已经非常明了。

由于机器内存故障触发重启并且需要自检等因素，造成nameserver,broker无法再处理请求但底层TCP连接并未断开，超时后返回，但客户端并不会关闭与故障机器nameserver的TCP连接，不会触发切换NameServer，等到机器重新启动成功后，TCP连接断开，故障机器重启完成后感知路由信息变化，故障恢复。

根本原因：nameserver的假死导致路由信息无法更新。

3、最佳实践

经过上面的故障，个人觉得nameserver不应该与broker部署在一起，如果nameserver 与 broker 并不部署在一起，上面的问题能得到有效避免，其部署架构如下图所示：

这样的部署架构如果面对上面的场景，即出现Broker假死的情况，能有效避免吗？答案是可以的。

如果 192.168.3.100 的 broker 假死，那么 3.110,3.111 的 nameserver 都能在2分钟内感知 broker-a 宕机，客户端能从nameserver处获得最新的路由信息，从而在消息发送时不会继续向宕机Broker继续发送消息，故障恢复；

如果nameserver假死，出现超时错误，只要broker不宕机，则通过缓存，还是能正常工作的，但如果nanmeserver,broker一起假死，则上述架构还是无法规避上面的问题。

故本次的最佳实践主要包含如下两个举措：
1、nameserver与broker一定要分开部署，进行隔离。
2、nameserver与客户端的连接，应该在超时后，关闭连接，触发nameserver漂移，需要修改源码。