记elasticsearch CPU负载100%问题
记elasticsearch CPU负载100%问题
- 环境：
- 问题表现：
- 初步排查：
-
- 日志
- 查询hot_thread
- 深入
-
- 查询当前elasticsearch正在运行的Task
- 查看Task详情
- 解决问题
- 对导致问题的原因的几个猜测
- 问题复现：
- 导致问题的原因。
- json导入规则问题
- json导入规则问题解决
- 中英文非ndjson格式数据上传问题
- 中英文非ndjson格式数据问题解决
- reference
环境：
单台2核4G的阿里云ecs，部署单node的elasticsearch+kibana。
测试环境，刚上手elasticsearch学习用。本来是构建LLM的RAG系统的，结果突然来了个100%CPU占用，而且居高不下，没办法，干回老本行，运维工程师，启动！
问题表现：
在上午9.50分开始，阿里云控制台可看见ecs的CPU从原本的4%占用左右，快速飙到了100%，并且长时间居高不下。
初步排查：
日志
先看日志，通过正则筛选elasticsearch.log中9.40-50分中的所有日志。
cd /var/log/elasticsearch
grep "^\[2024-01-31T09:[4-5]" elasticsearch.log
可以见到，日志中有多段如下日志。其主要内容是Grok在对非结构化数据的正则匹配，提取信息。而我从未进行过任何的Grok配置与操作。
查询hot_thread
elasticsearch的API中，提供了一个查询当前node中资源占用量大的进程的接口。
GET /_nodes/hot_threads
查询结果如下，可以详细看到，这些进程大部分都在进行正则匹配的工作，和之前log中看到的一致。并且，下方textstructure.structurefinder这个类，即是Gork提取非结构化数据信息的类。
深入
查询当前elasticsearch正在运行的Task
通过API，可以详细的查找到当前elasticsearch中，正在运行的Task的详细内容。
GET /_cat/tasks?v&detailed=true
可以看到，其中存在几个text_structure/findstructure的Task，和hot_thread中看到的一致，并且启动的时间也基本对应CPU升高的时间。
查看Task详情
通过通配符匹配，查询这几个Task的详细信息。
GET /_tasks?detailed=true&actions=*/text_structure/findstructure
可以看到，这几个任务的Type为Transport的类型。
从elasticsearch文档中，可以看到，Transport类型的任务的主要功能是：
到这，卡住了
transport类型，一般的node之间通信的任务，但是我是单node
所以我又找到，发现我创建的index，默认replica=1，即分片有一个备份，而我是单node，备份必须是存储在不同的node上，导致备份分片一直不能被分配，使得index状态处于yellow状态。
但是不确定这个和我当前的任务是否有关系
好了，更新的replica，但是问题还在，现在index都是绿的了
解决问题
重启解决问题，重启后，所有的structurefinder进程都消失了
OK，不用查了，es崩了，直接重启了。
在此之前，还检查了是否是pipeline的问题，但是pipeline都没有在使用。
OK，重启了，之前看到的structurefinder进程都没有了，CPU也降下来。
问题虽然解决，但是还是不知道为啥。
对导致问题的原因的几个猜测
几个怀疑：看看之后我会不会再复现这个问题
- 多副本问题，导致有副本切片一直没有合适的node分配（但是不应该占用CPU啊？
- 因为导入的时候，使用了默认的pipeline，导致对导入的数据，进行的非结构化分析和提取，导致CPU占用高。（但是，不应该一直持续存在吧？
- 中间有玩了一次，kibanaUI界面，添加集成，直接上传了一个json格式的问题，不知道是不是这个问题。返回的结果是失败，说需要结构化的数据？并且是请求超时（我认为这个最有可能）。
问题复现：
因为对于原因3最为怀疑，而且确实时间点也对的上，就是上传完之后开始CPU飙升，同时上传失败的返回也确实怪怪的。所以重新上传。
json内容：值为中文的unicode
重新上传之后，仍然是以下的问题。
再次查看，发现CPU又100%负载了。并且之前的structurefinder进程又出现：
导致问题的原因。
那么基本可以确定，就是在解析上传的文件时，通过grok尝试解析，失败后，却没有关闭进程。从而导致CPU不断被占用。
而上图UI界面中返回的Request:time out 基本可以确定是structurefinder在尝试解析json内容时，花费的时间太久从而返回的time out。
json导入规则问题
只是问题是，为什么我的json文件，会解析这么久，并且仍然没有结束。上午的解析进程，最长的一个运行了近6个消失，但是仍然没有结果。
我的json文件，是python直接dump出来的，并且json格式校验也没有问题。
json导入规则问题解决
因为es要求的上传的json格式为ndjson。即换行符分割的json，每一行都是一个完整的json对象。
而我上传的，只是传统json格式，导致无法解析。
中英文非ndjson格式数据上传问题
仍然还有一个问题没有解决：
当一个英文的非ndjson格式的json被上传时，会报错非ndjson格式。直接返回，没有timeout
当一个unicode中文的非ndjson的json被上传时，会直接无限等待，导致CPU100%占用，返回timeout。并且后台持续存在一个task在进行解析，并且不结束，占用CPU100%
中英文非ndjson格式数据问题解决
我又去看了一遍hot_thread，可以看到这里的进程中，主要的函数是log Text Structure Finder。即对log的格式解析。
在上传文件时，es有明确，可以上传带标准时间戳格式的log问题。
由此推测：当unicode的json被上传后，不符合ndjson，但是不知为何，被当作了log去解析，而又并非log，导致了一些奇奇怪怪的bug，导致解析的进程无限等待，并没有进入任何一个错误返回。从而导致timeout，同时解析的进程卡死，CPU占用100%
而英文可能更方便，所以并没有触发这个bug。
reference
https://www.elastic.co/guide/en/elasticsearch/reference/8.12/high-cpu-usage.html#high-cpu-usage
聊聊 Elasticsearch 中的任务管理机制
red-yellow-cluster-status
你所不知道的ndJSON：序列化与管道流