本文由 dbaplus 社群授权转载。

背景

作为运维人员，做得最多的工作就是日常巡检、故障恢复。公司集群规模越庞大，故障发生率和故障实例数也在成倍增加。每天来到公司，第一件事儿就是要看看有哪些机器坏了？坏哪儿了？集群存储还够吗？底层数据存储是否均衡？然后针对每个故障逐一解决。笔者亲身经历就是过年连懒觉都睡不成，集群故障了，一个电话过来立马清醒，然后默默地恢复故障。这样的经历我觉得每个运维人都含着泪经历过。

改变

通过采集分析Prometheus里的告警数据，利用fabric或ansible等多线程安全并发远程连接工具，执行相关角色实例的恢复工作。

fabric建立连接执行恢复命令。

目前集群规模将近5000台，其中两个大规模的集群节点数均为一千多台。

目前自动化恢复涉及的集群日常运维操作有：

计算节点检测出使用swap交换分区，将会自动清理swap分区并关闭swap分区；
计算节点检测出时钟偏差，将会自动纠偏时钟偏差；
Cloudera Manager 代理挂掉，将会自动重启；
主机检测出有坏盘，坏盘更换完成后，自动恢复；
角色实例检测出异常掉线，自动恢复上线（如NameNode、DataNode、ResourceManager、NodeManager等）；
集群存在多个节点多块磁盘存储剩余空间不足，自动进行磁盘级别的数据Balancer；
集群存储达到阈值，自动进行节点级别的数据Balancer。

自动化恢复的适用场景很多，但一定要做到严谨地对症下药，并且要考虑清楚问题的严重性和普遍性。

以上7点自动恢复是集群常见故障，该类故障频发且影响范围较小，并不会影响集群的可用性，因此可以实施自动化恢复。

对于平台罕见故障，且该故障有一定概率会对平台造成部分功能性能影响的，最好的办法是做好告警和应急处理。

下面分享几个自动化恢复实践：

1）计算节点检测出使用swap交换分区，将会自动清理swap分区并关闭swap分区。

根据监控数据，获取swap开启的计算机点，远程连接进行swap分区关闭。

def recover_HOST_MEMORY_SWAPPING(self,list):

    com=("swapoff -a")
    for i in range(len(list)):
        con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
                         connect_kwargs={'password': self.password})
        con.sudo(command=com,password=self.password,shell=False,hide='stderr',encoding='utf-8',pty=True)
        con.close()

2）Cloudera Manager 代理挂掉，将会自动重启。

根据监控数据，获取agent异常下线的计算节点，远程连接进行agent上线操作。

def recover_HOST_SCM_HEALTH(self,list):

    com=("/opt/cm-5.13.1/etc/init.d/cloudera-scm-agent restart")
    for i in range(len(list)):
        con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
                         connect_kwargs={'password': self.password})
        con.sudo(command=com,password=self.password,shell=False,hide='stderr',encoding='utf-8',pty=True)
        con.close()

3）计算节点检测出时钟偏差，将会自动纠偏时钟偏差。

由于集群资源每天有将近16小时处于打满状态，容易造成集群部分计算节点负载过高，导致节点上的DN、NM掉线。这时候需要重启计算节点，但重启节点会造成机器时钟偏差，通过监控告警我们检测到了时钟偏差，接下来通过读取Prometheus中的时钟偏差节点信息，来进行时钟源同步操作。

具体时钟偏差恢复的代码实例如下：

from fabric import  Connection
def recover_HOST_CLOCK_OFFSET(self,list):
    com=["systemctl stop ntpd","ntpdate ntp_src","sleep 1","ntpdate ntp_src","sleep 1","ntpdate ntp_src","sleep 1","systemctl start ntpd","/opt/cm-5.13.1/etc/init.d/cloudera-scm-agent restart"]
    for i in range(len(list)):
        con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
                         connect_kwargs={'password': self.password})
        for j in range(len(com)):
            con.sudo(command=com[j], password=self.password, shell=False, hide='stderr', encoding='utf-8', pty=True)
        con.close()

4）集群角色异常退出。

如下图：监控告警发现NodeManager实例发生故障实践在2019-08-12 04:28:02，一般这个时间段，运维人员都在深度睡眠。这时自愈程序将根据告警自动恢复角色实例，恢复实践周期在5分钟之内，于2019-08-12 04:32:02 DN实例和NM实例恢复上线。

当前集群使用的CDH5.13.1版本，可以直接通过CM_API实现角色实例自愈，如果是手工搭建版本，可以使用fabric或者Paramiko连接到节点启动相应角色实例。

「CM_API使用说明」参考链接：https://cloudera.github.io/cm_api/docs/python-client-swagger/

具体DN角色自愈代码如下：

import cm_client
api_url = api_host + ':' + port + '/api/' + api_version
api_client = cm_client.ApiClient(api_url)
cluster_api_instance = cm_client.ClustersResourceApi(api_client)

# Lists all known clusters.
api_response = cluster_api_instance.read_clusters(view='SUMMARY')
for cluster in api_response.items:
    print (cluster.name, "-", cluster.full_version)


if cluster.full_version.startswith("5."):
    services_api_instance = cm_client.ServicesResourceApi(api_client)
    services = services_api_instance.read_services(cluster.name, view='FULL')

    for service in services.items:
        #print (service.name)
        if service.type == 'HDFS':
            hdfs = service
if cluster.full_version.startswith("5."):
    roles_api_instance = cm_client.RolesResourceApi(api_client)

//根据集群名称，服务实例名称获取相对应的角色实例列表
role_response = roles_api_instance.read_roles(cluster.name, hdfs.name, view='FULL')
//获取状态为bad的dn角色实例（手工搭建集群可以通过读取prometheus的告警数据进行掉线角色实例的恢复。）
bad_dn_roles = [role.name for role in role_response.items if (role.type == 'DATANODE' and role.health_summary == 'BAD')]
roles_cmd_api_instance = cm_client.RoleCommandsResourceApi(api_client)
role_names = cm_client.ApiRoleNameList(bad_dn_roles)
//重启角色实例
cmd_list = roles_cmd_api_instance.restart_command(cluster.name, hdfs.name, body=role_names)
for cmd in cmd_list.items:
    print (cmd.name, "(", cmd.id, cmd.active, cmd.success, ")")

执行完成后，返回执行结果：

5）集群个别节点上的磁盘存储超过90%的阈值。

背景：集群节点数过多后，默认的数据落盘策略为轮训，由于部分节点存储异构，会导致有部分节点存储打满，这时我们可以修改数据落盘策略为剩余空间策略，即根据节点剩余存储空间的多少来决定数据优先落盘的顺序。

但是，即使这样解决了节点存储的均衡，也不能解决个别磁盘的存储打满，在Apache社区的Hadoop3版本中dfs.disk.balancer才可以使用。在CDH5.13.1的Hadoop2.6.0版本，已经可以使用该功能。但是磁盘何时快打满无法预测，并且在大规模集群中，往往多了一个账期的数据，就会有大量的磁盘达到存储告警阈值。当HDFS集群单节点内部多块数据硬盘数据倾斜时，会造成热点硬盘使用量激增，甚至打满，此时集群balance是无用的，就需要用DiskBalancer，这时我们就可以根据告警信息来自动化的进行磁盘数据均衡。

开启方法：

修改hdfs-site.xml文件。

true表示开启DiskBalancer。

命令：

hdfs diskbalancer -[command] [options]

command：

plan（制定平衡计划）

可执行参数：

–bandwidth <arg>：平衡带宽，默认单位M/S

–out <arg>：计划输出目录

–v:输出计划

execute（执行计划）
query（查询进度）
cancel（取消计划）

实例：

DN节点lf-319-sq210发生数据倾斜。

登陆到lf-319-sq210主机，切换至HDFS用户。

制定平衡计划：

hdfs diskbalancer -plan lf-319-sq210.plan.json --out ~/2019-Jul-20-15-25-29 --thresholdPercentage 10

执行平衡计划：

hdfs diskbalancer -execute /var/lib/hadoop-hdfs/2019-Jul-20-15-25-29/lf-319-sq210.plan.json

查询计划：

hdfs diskbalancer -query lf-319-sq210

圈中部分为正在进行，PLAN_DONE为完成。

过一段时间观察lf-319-sq210磁盘情况：

可以清晰的看出，磁盘已经开始平衡了。

以上是磁盘级别的数据平衡操作步骤，以下是通过fabric进行远程命令的执行，以实现自动化恢复。

def recover_DATA_NODE_FREE_SPACE_REMAINING(self,list):
    com=("su hdfs -c 'whoami;export JAVA_HOME=/opt/jdk;export CLASSPATH=.:$JAVA_HOME/lib:$CLASSPATH;export PATH=$JAVA_HOME/bin:$PATH;hdfs diskbalancer -plan $HOSTNAME.plan.json --out ~/`date \'+diskbalancer_%Y_%m_%d\'` --thresholdPercentage 10;sleep 5;hdfs diskbalancer -execute /var/lib/hadoop-hdfs/`date \'+diskbalancer_%Y_%m_%d\'`/$HOSTNAME.plan.json'")
    for i in range(len(list)):
        con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
                         connect_kwargs={'password': self.password})
        con.sudo(command=com,password=self.password,shell=False,hide='stderr',encoding='utf-8',pty=True)
        con.close()

集群自愈也是大规模集群治理工作的一项重要环节，遵循降本增效、安全至上的原则，能减少运维人员的大量常规工作量，也能及时有效地恢复故障，减少小故障引发集群大事故的可能性。

作者介绍：

余澈，中国联通大数据技术部平台组核心技术负责人，项目管理高级工程师，具有多年大数据平台运维管理及开发优化经验。管理过多个上千节点集群，擅长对外多租户平台的维护开发。信科院大数据性能测试、功能测试主力，大厂PK获得双项第一。

原文链接：

https://mp.weixin.qq.com/s/S7V2KnXWitpp2lfWSx2kmg

创作场景

联通大数据 5000 台规模集群故障自愈实践