前  言
上篇文章讲了orchestrator的探测机制。本篇文章翻译自orchestrator官方文档,讲一讲orchestrator的拓扑恢复。


拓扑恢复

orch能够从一系列故障场景中进行恢复。尤其是,它能够对主库或者中间主库的故障场景进行恢复。


自动和手动

orch支持:

- 自动恢复(对意外故障采取措施)。
- 优雅地、有计划地主从切换。
- 手动恢复。
- 手动,强制failover。

要求
要运行任何类型的故障转移,拓扑必须支持以下任一种:
- Oracle GTID(master_auto_position=1)
- MariaDB GTID
- Pseudo GTID(伪GTID)
- Binlog Servers

什么是恢复
恢复基于故障检测,并且由一系列事件组成:
- 恢复前的hooks(hook:外部的执行过程或者脚本)。
- 修复拓扑。
- 恢复后的hooks。

注意:
- 恢复前的hooks由用户自己配置。
顺序执行。
任何一个hook的失败(非零退出码)都将中止故障转移。
- 拓扑修复是由orch管理的,并且是基于状态,而不是基于配置。orch在考虑到现有拓扑、版本、服务器配置等因素的情况下,会力图尽力而为。
- 恢复后的hooks也是由用户自己配置。

恢复场景1:中间主库挂掉

一个简单的恢复案例是DeadIntermediateMaster。它的replicas被孤立了,但是当使用了GTID或者Pseudo GTID的情况下,replicas仍然能够被重连到拓扑中。我们可能会选择这样做:

- 找到已失效的中间主服务器的同级,然后将孤立的副本移到所述同级之下。

- 从孤立的副本中提升某个副本,使得这个副本成为同级的中间主库,然后将这个副本连接到拓扑。
- 重置所有的孤立副本。

- 结合以上部分做法。


实际的实现方式很大程度上取决于拓扑设置(哪些实例设置了log-slave-updates、实例是否有延迟、是否存在复制过滤、mysql的版本等等)。你的拓扑很有可能至少支持以上一种方式(特别是,匹配副本是一个简单的解决方案,除非使用了复制过滤)。

恢复场景2:主库挂掉
从挂掉的主库恢复是一个更为复杂的操作,有很多种原因:
- 有潜在的运行中断(停电、网络),恢复要尽可能地快。
- 在恢复过程中,有些servers可能会丢失。orch需要确定会是哪个。
- 拓扑的状态可能是用户希望阻止恢复。
- 必须进行主服务发现:应用必须能够与新的主库进行通讯(潜在地被告知主库已经更改了)。
- 需要找到最合适的replica,将其提升为主库。
一个天真的方法是选择最新的副本,但这不一定总是正确的选择。
最新的副本不一定有必要的配置来作为其他replica的主库(比如:binlog format、mysql版本、复制过滤器等)。盲目地提升最新的副本为主库,可能会失去副本冗余的能力。
orch会尝试提升保留最大服务容量的副本为主库。
- 提升所述副本,接管它的同级。
- 使它的同级保持最新状态(up to date)。
- 也许,要做一个二阶段提升;用户可能已经标记了要提升的特定服务器(参考register-candidate命令)。

- 调用hooks。


主服务发现很大程度上是需要用户去实现的。常见的解决方案有:
- 基于DNS的发现;orch需要调用能修改DNS入口的hook。
- ZooKeeper/Consul KV/etcd/其他基于键值的发现;orch内置了对Consul KV的支持,否则外部的hook必须更新k-v存储系统。
- 基于proxy的发现;orch会调用外部的hook去更新proxy的配置,或者更新如上所说的Consul/Zk/etcd,这本身就会触发更新proxy的配置。
- 其他方式。


orch尝试作为一种通用的解决方案,因此,不限制用户的服务发现方法。


自动恢复

可选。自动恢复可能会应用于所有("*")集群或者特定集群。


恢复是在检测之后进行的,并且假设恢复没有被阻碍(请参阅下文)。


为了更好的解决方案,将不同的配置应用于主恢复和中间主恢复。一下是与恢复相关的配置的详细分类。


分析机制始终运行,并定期检查故障/恢复情况。它将对以下进行自动恢复:
- 一种可操作的场景(只有一个主库的情况就不符合)。
- 未处于downtime的实例。
- 对于属于某个集群的实例,这个集群通过配置明确启用了恢复。
- 对于最近尚未恢复的集群中的实例,除非确认了这些最近的恢复。
- 启用了全局恢复。


优雅的主库提升

使用这个来按计划、有序地替换主库。


通常,出于升级,主机维护等,会要将主库替换成另一台。这就是优雅的提升主库。


在优雅的接管中:
- 指定一台server去提升。
- orch会将master设置成read-only。
- orch确保指定的服务器追上了复制。
- orch将指定的server提升为新的主库。

- orch将提升的server设置为可写。


该操作会花费几秒钟的时间,在此期间应用看到的主库是read-only。


除了标准的hooks,orch提供了专门的hooks来运行graceful takeover:
- PreGracefulTakeoverProcesses

- PostGracefulTakeoverProcesses


例如,你可能想在计划的故障转移期间禁用寻呼机。高级的用法是将流量停滞在代理层。


在优雅的提升主库中,必须满足以下任一种:
- 指定要提升的server(必须是master的直接replica)。

- 设置拓扑,使得master下只存在一个直接replica(在这种情况下,指定副本的身份不重要,无需提及)。


通过以下方式调用graceful takeover:

- 命令行:orchestrator-client -c graceful-master-takeover -alias mycluster -s designated.master.to.promote:3306
- web api:

/api/graceful-master-takeover/:clusterHint/:designatedHost/:designatedPort

优雅地提升新主库(计划的故障转移),指定要提升的服务器。

/api/graceful-master-takeover/:clusterHint

优雅地提升新主库(计划的故障转移)。未指定服务器,在master只有一个直接副本时起作用。

- web界面:
将master的直接副本拖拽到master框的左半边。


手动恢复

当实例被识别为fail但自动恢复被禁用或者被阻塞的情况下,使用手动恢复方式。


可以通过提供一个失败的特定实例来让orch来进行恢复。该实例必须被识别为failure。可以对处于downtime的实例请求恢复(因为这是手动恢复,能够覆盖掉自动的配置)。通过以下方式恢复:
- 命令行:orchestrator-client -c recover -i dead.instance.com:3306 --debug
- web api:/api/recover/dead.instance.com/:3306

- web界面:实例变成了黑色;点击recovery按钮。


手动恢复不受参数RecoveryPeriodBlockSeconds影响,也不受参数RecoverMasterClusterFilters和RecoverIntermediateMasterClusterFilters的影响。因此,用户总是可以按需要来进行恢复。当一个数据库实例已经有恢复在运行的时候,这个实例的同一时刻的恢复才有可能会阻塞。


手动,强制故障转移

强制故障转移会忽略orch自己的想法。


也许,orch不认为某个实例fail了,或者你的应用逻辑要求master此刻必须change,或者也许orch对fail的类型不是很确定。你希望此刻就进行故障转移,可以这么做:
- 命令行:orchestrator-client -c force-master-failover --alias mycluster
或者orchestrator-client -c force-master-failover -i instance.in.that.cluster
- web api:/api/force-master-failover/mycluster
或者/api/force-master-failover/instance.in.that.cluster/3306


web,api,命令行

通过以下方式审计恢复情况:
- /web/audit-recovery

- /api/audit-recovery

- /api/audit-recovery-steps/:uid


通过以下方式进行审计和控制:

- /api/blocked-recoveries: 被阻塞的恢复。

- /api/ack-recovery/cluster/:clusterHint: 确认给定集群上的恢复。

- /api/ack-all-recoveries: 确认所有恢复。

- /api/disable-global-recoveries: 全局开关以禁用orch运行任何恢复。

- /api/enable-global-recoveries: 重新启用恢复。

- /api/check-global-recoveries: 检查是否启用了全局恢复。


运行手动恢复:

- /api/recover/:host/:port: 恢复指定主机,假定orch认同发生了故障。

- /api/recover-lite/:host/:port: 和上面相同,不使用外部hooks (对测试有用)。

- /api/graceful-master-takeover/:clusterHint/:designatedHost/:designatedPort: 优雅地提升一个新主(计划的故障转移), 指定要提升的服务器。

- /api/graceful-master-takeover/:clusterHint: 优雅地提升一个新主(计划的故障转移)。未指定服务器,在master只有一个直接副本时起作用。

- /api/force-master-failover/:clusterHint: 紧急情况下,强制给定集群进行故障转移。


一些相应的命令行调用:
- orchestrator-client -c recover -i some.instance:3306
- orchestrator-client -c graceful-master-takeover -i some.instance.in.somecluster:3306
- orchestrator-client -c graceful-master-takeover -alias somecluster
- orchestrator-client -c force-master-takeover -alias somecluster
- orchestrator-client -c ack-cluster-recoveries -alias somecluster
- orchestrator-client -c ack-all-recoveries
- orchestrator-client -c disable-global-recoveries
- orchestrator-client -c enable-global-recoveries
- orchestrator-client -c check-global-recoveries


阻塞,确认,防震荡

orch通过引入阻塞时间段来避免发生震荡(连锁故障导致了连续的中断和资源消耗)。在任何给定的集群上,除非用户明确允许,否则orch都不会在小于该阻塞时间段的时间间隔启用自动恢复。


阻塞时间段用参数RecoveryPeriodBlockSeconds表示。它仅用于在同一集群上的恢复。在不同集群上的并行恢复是不受影响的。


处于pending状态中的恢复一旦超过了RecoveryPeriodBlockSeconds时间或者已经被确认(acknowledged),则阻塞就被解除。


可以通过Web API /界面(查看audit/recovery page)或通过命令行界面(orchestrator-client -c ack-cluster-recoveries -alias somealias)确认恢复。


请注意,手动恢复(例如orchestrator-client -c recover或orchstrator-client -c force-master-failover)会忽略阻塞时间段。


添加提升规则
在发生故障转移时,某些服务器更适合被提升为主库,某些服务器则不适合被提升为主库。例如:
- 某个服务器的硬件配置较差。偏向于不提升它为主库。
- 某个服务器位于远程的数据中心,不想要把它提升为主库。
- 某个服务器用作备份源,并且始终打开LVM快照。不想要把它提升为主库。
- 某个服务器配置不错,非常适合作为candidate。偏向于提升它为主库。
- 某个服务器配置一般,没有特别的偏好。

可以通过以下方式来设置偏好:


orchestrator -c register-candidate -i ${::fqdn} --promotion-rule ${promotion_rule}


提升规则有:

- prefer
- neutral
- prefer_not
- must_not

提升规则默认有效期1个小时(参数:CandidateInstanceExpireMinutes)。这符合orch的动态特质。可以通过设置cron job的方式来指定提升规则:


*/2 * * * * root "/usr/bin/perl -le "sleep rand 10" && /usr/bin/orchestrator-client -c register-candidate -i this.hostname.com --promotion-rule prefer"

此设置来自生产环境。这个cron会通过puppet来更新,来表示合适的promotion_rule。某个服务器可能在某个时刻会是perfer,但5分钟过后变成了prefer_not。整合你自己的服务发现方法、脚本,来提供最新的promotion_rule。


停机时间(Downtime)

所有的故障/恢复已经分析了。但是,还应该考虑实例的停机状态。某个实例可以通过orchestrator-client -c begin-downtime被停机。自动恢复会跳过停机的服务器。


实际上,停机是专门为此目的而创建的,它使DBA可以阻止自动故障转移到特定服务器。


请注意,手动恢复(例如orchestrator-client -c recover)将覆盖停机时间。


recovery hooks
orch支持hooks——在恢复过程中调用的外部脚本。这些是通过shell调用的命令数组,尤其是bash。
- OnFailureDetectionProcesses:当检测故障转移现象时执行(在决定是否进行故障转移之前)。
- PreGracefulTakeoverProcesses:graceful master takeover时执行,在master变成read-only之前立即执行。
- PreFailoverProcesses:在orch进行恢复操作之前立即执行。在这个过程中任何的失败(非零退出代码)都会终止恢复。提示:这使得有机会根据系统的某些内部状态中止恢复。
- PostMasterFailoverProcesses:在主恢复成功结束时执行。
- PostIntermediateMasterFailoverProcesses:在中间主恢复成功结束时执行。
- PostFailoverProcesses:在任何成功的恢复结束时执行(包括以及补充到PostMasterFailoverProcesses、PostIntermediateMasterFailoverProcesses)。
- PostUnsuccessfulFailoverProcesses:在任何不成功的恢复结束时执行。
- PostGracefulTakeoverProcesses:在有计划地、优雅地主库切换的时候会执行,在旧主库位于新主库之后执行。


原文:https://github.com/github/orchestrator/blob/master/docs/topology-recovery.md


|  译者简介
韩杰  沃趣科技高级数据库工程师
专注MySQL数据库三年,精通MySQL体系结构,数据库优化,trouble shooting。服务过多家银行客户,熟悉银行业务及系统下数据库不同架构使用场景。熟悉MySQL主从复制原理,及应用的各种高可用场景。




沃趣科技,让客户用上更好的数据库技术!