数仓集群管理：单节点故障RTO机制分析

摘要：大规模分布式系统中的故障无法避免。发生单点故障时，集群状态和业务是如何恢复的？

一、前言

GaussDB(DWS)产品采用分布式架构设计。集群管理（高可用）需要在稳定性和灵敏性之间做好平衡。

集群发生单节点故障（如宕机、断网、下电等）时，端到端业务恢复的RTO (Recovery Time Objective)流程和指标，主要包含两大过程：集群状态恢复（CM Server主备倒换，DN/GTM主备倒换）和业务恢复（CN可正常执行业务）。

本文关注集群状态恢复部分，剩余部分后续单独分析。

参考链接：

通常情况下故障CN自动剔除的触发时间较长（默认10分钟），因此本文不涉及CN剔除和实例修复的流程，也不讨论CN故障时DDL业务的中断。

假设如下：

关键配置参数如下：
【CM侧配置参数】实例心跳超时instance_heartbeat_timeout（默认30秒）, 后续用 T_{rm hb}_T_hb 表示。

说明：由于C/C++语言中乘法和除法不满足结合律，本文涉及运算均为整数运算。

忽略CN的部署，以下图所示的三节点集群为例：

当节点1故障，集群将短时间处于不可用状态，然后自动恢复至降级状态，随后可在CN上正常执行业务。因此，RTO流程的讨论可分为四个阶段。

1）单节点故障发生，集群处于不可用状态，cm_server/GTM/DN处于无主状态

2）cm_server备机升主，GTM/DN等待仲裁

3）GTM/DN备机（并行）升主，集群恢复至降级状态

4）CN链接至GTM和DN，正常执行业务

以故障发生时刻为0时刻点，下面逐个分析每个阶段并计算相关时间。

单节点故障发生后，集群管理组件出于稳定性考虑，并不会立刻感知故障状态。两个cm_server实例之间通信时，根据心跳判断对方的存活状态。如果二者间心跳超时，则进入如下的自仲裁流程（对端链接均指与另一个cm_server的链接）。

集群管理的仲裁采用被动触发的形式。每个cm_agent检测所在节点的实例状态，并定期上报（固定间隔1秒）至主cm_server；主cm_server综合各实例状态进行仲裁，然后将必要的仲裁结果发送至相关cm_agent；cm_agent收到仲裁结果，执行相应的命令。

以某个主 DN 故障为例，一次典型的仲裁流程包括：

① CM Agent 1探测DN主实例并发现故障
② CM Agent 1持续上报实例故障信息至CM Server
③ CM Server执行仲裁流程，选择DN备机升主
④ CM Server下发升主命令至CM Agent 2
⑤ CM Agent 2对实例执行升主操作

对于单节点故障，DN和GTM实例的仲裁可同时进行，分步骤的时间如下：

将CM Server自仲裁和DN/GTM仲裁的时间相加，即为集群状态恢复的耗时（单位：秒）

用户可根据自身情况，通过调整instance_heartbeat_timeout参数选择合适的RTO指标。