GaussDB (DWS) 集群管理系列：单节点故障RTO机制分析（集群状态恢复篇）

华为云博客 技术博客 14080 18

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：
GaussDB (DWS) 集群管理系列：CM组件介绍（架构和部署形态）
GaussDB (DWS) 集群管理系列：CM组件介绍（核心功能）

二、假设条件和关键配置参数

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：

  1. 除明确故障外（如节点已经宕机），链接可在超时时间内成功建立（即建立链接时间按超时时间计算）
  2. 消息传递不消耗时间
  3. DN/GTM执行failover时间不超过 T f a i l o v e r T_{\rm failover} （通常小于5秒）

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 h b T_{\rm 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。

三、集群拓扑示例

忽略CN的部署，以下图所示的三节点集群为例：

  • 两个cm_server实例，主备分别部署在节点1和节点2
  • 两个GTM实例，主备分别部署在节点1和节点2
  • 一组DN实例，主备从分别部署在节点1，节点2和节点3
  • 每个节点上均部署cm_agent组件

image

四、整体流程分析

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
    image
  2. cm_server备机升主，GTM/DN等待仲裁
    image
  3. GTM/DN备机（并行）升主，集群恢复至降级状态
    image
  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。

五、CM Server备机升主

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）。

image

两次自仲裁轮询之间的睡眠时间固定为 1 1 秒，心跳超时的阈值为 T c m s _ h b = T h b 2 T_{\rm cms\_hb}=\frac{T_{\rm hb}}{2} ，建立链接（包括cm_server之间的链接以及cm_agent与cm_server的链接）的超时时间阈值为 T c m s _ c o n n = T c m s _ h b 2 − 1 T_{\rm cms\_conn}=\frac{T_{\rm cms\_hb}}{2}-1 . 如此设定阈值的原因是，忽略代码的执行时间，当心跳超时判定为真时，cm_server之间至少可尝试两次建链，而cm_agent可与两个cm_server均尝试建立链接。

备cm_server升主流程和各阶段相应最大耗时为：

  1. 判定心跳超时，假定通信即时感知对端故障，可能多等待一次建链超时和睡眠，耗时 T c m s _ h b + T c m s _ c o n n + 1 = 3 T c m s _ h b 2 T_{\rm cms\_hb}+T_{\rm cms\_conn}+1=\frac{3T_{\rm cms\_hb}}{2}
  2. 自仲裁升主的预升主阶段，根据假设，此时cm_agent已经发起过预链接，因此直接可预升主并重置心跳，耗时 0 0
  3. 第二次判定心跳超时，耗时 T c m s _ h b + T c m s _ c o n n + 1 = 3 T c m s _ h b 2 T_{\rm cms\_hb}+T_{\rm cms\_conn}+1=\frac{3T_{\rm cms\_hb}}{2}
  4. 自仲裁升主的正式升主阶段，cm_agent已经发起正式链接，因此正式升主，耗时 0 0

综上，总的最大耗时为 3 T c m s _ h b 2 × 2 = 3 T h b 4 × 2 \frac{3T_{\rm cms\_hb}}{2}×2=\frac{3T_{\rm hb}}{4}×2 。（注意这里是整数运算。）

六、DN/GTM备机升主

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

image

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：

  1. cm_server2升主后，无法收到cm_agent1上报的消息，达到超时时间T_hb后将DN1和GTM1的状态强行置为Down，耗时 T h b T_{\rm hb}
  2. cm_server2不断收到cm_agent2上报DN2和GTM2为备机的消息，分别下发failover命令执行升主，耗时 1 1 秒
  3. cm_agent2收到failover命令，（轮询间隔）耗时 0.2 0.2 秒（按照 1 1 计算）
  4. cm_agent2执行failover，耗时 T f a i l o v e r T_{\rm failover}
  5. cm_agent2检测到DN2和GTM2升主成功，耗时 1 1 秒
  6. cm_agent2上报DN2和GTM2为主机的消息，（轮询间隔）耗时 0.2 0.2 秒（按照 1 1 计算）
  7. cm_server2收到DN2和GTM2已升主的消息，更新集群状态为降级，耗时 0 0 秒

综上，总耗时为 T h b + T f a i l o v e r + 4 T_{\rm hb} + T_{\rm failover} + 4 .

七、小结

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）

T c l u s t e r = 3 T h b 4 × 2 + T h b + T f a i l o v e r + 4 ≈ 5 T h b 2 + T f a i l o v e r + 4 （按照实数运算近似） T_{\rm cluster} = \frac{3T_{\rm hb}}{4}×2 + T_{\rm hb} + T_{\rm failover} + 4 \approx \frac{5T_{\rm hb}}{2} + T_{\rm failover} + 4 \text{（按照实数运算近似）}

按照默认值计算，集群状态恢复的理论时间 T c l u s t e r = 84 T_{\rm cluster} = 84 .

由于分析过程均按最大时间计算，所以理论时间相比实际会有放大。通常情况下，cm_server判定心跳超时无需多等待一次链接超时，cm_agent探测实例状态几乎是即时的。因此，实际发生故障时，（按照默认值）cm_server自仲裁时间约为 T h b = 30 T_{\rm hb} = 30 ，DN/GTM备机升主时间约为 T h b + T f a i l o v e r = 35 T_{\rm hb} + T_{\rm failover} = 35 ，从而集群恢复时间大约为 65 65 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。

image

（完）