运维苦不苦?记一次“胆战心惊”的迁库经历

2018-05-18 高效运维

IT 运维工程师一直是个“苦逼”的职业,“锄禾日当午,不如运维苦,对着破电脑,一调一下午”是对运维工作的一个形象的描述。下面看看本文作者一次惊心肉跳的数据库迁移经历。


事件起源


整个事件的起源还要从我最近入职了一家区块链金融公司说起,公司业务发展比较迅猛,突破百万用户也是近在眼前。


整个系统都在阿里云上运行,每天都能看到用户的不断增长,即兴奋又担忧,为什么这么说呢?


由于我过来的时候,公司业务就已经上线了,系统接过来之后,快速了解了所有的应用服务都是在 Docker Swarm 跑起来的,也包括 MySQL 数据库。


按照这种用户量发展下去,MySQL 在容器中运行用不了多久肯定会撑不住,以至于我就有了迁库的想法。


我开始隐隐的担忧起来,毕竟不想每天提心吊胆的做运维。所以立即重新规划了新的方案和大家一起探讨。


最终总监和相关技术负责人都敲定用 RDS 做为数据库新的方案,周星驰的功夫中也说到:“天下武功,唯快不破”,于是就开始干起来。


迁移计划


原架构图


如上图所示,分析一下原来的架构图:

  • 从入口层(CDN)→到安全层(WAF)最后到达应用层 (ECS集群)。

  • Docker Swarm 打通了 ECS 集群中的每台服务器,在每台 ECS 宿主机安装 Docker engine 并部署了公司需要的应用服务和数据库(Nginx、PHP、Redis、MySQL等)。

  • MySQL 容器通过本文件挂载到容器中实现数据持久化。

  • 业务项目以 PHP 为主,PHP 也是运行在容器中,通过 PHP 指定的配置文件连接到 MySQL 容器中。


随便展示一下其中一个库的 docker-compose yaml 文件:


version:"3"
services:
 ussbao:
   # replace username/repo:tag with your name and image details
   image: 隐藏此镜像信息
   deploy:
     replicas:1
     restart_policy:
       condition: on-failure
   environment:
     MYSQL_ROOT_PASSWORD: 隐藏此信息
   volumes:
     -"/data//mysql/db1/:/var/lib/mysql/"
     -"/etc/localtime:/etc/localtime"
     -"/etc/timezone:/etc/timezone"
networks:
 default:
   external:
     name: 隐藏此信息


从上面的信息可以看出来,每个库只运行了一个 MySQL 容器,并没有主从或读写分离的方案。


而且也没有对数据库做任何优化,数据库这样跑下去让笔者很担忧,正常来说,都会把数据库独立部署运行。


调整后架构图


从上图可以看出来,笔者只是把 MySQL 独立出来了,开通 RDS 实例来跑数据库,当然还开通了其他的一些服务(比如 OSS、云 Redis 等),这些不是本文的重点,就没有画出来。


Nginx 和 PHP 服务还是在 Docker Swarm 中运行。本文只是对迁移后出了问题的库进行分享,下面来看看迁移的方案吧。


迁移流程方案


迁移流程的方案:开通 RDS 实例→备份 SQL导入到 RDS修改数据库配置文件测试验证。


迁移步骤如下:

  • 根据业务量规划开通 RDS 实例,创建数据库和用户

  • 提前做好 RDS 白名单,添加允许访问 RDS 的 IP 地址

  • mysqldump 备份 Docker 中的 MySQL

  • 把备份好的 .sql 文件导入到 RDS 中

  • 修改 PHP 项目的数据库配置文件

  • 清空 PHP 项目的缓存文件或目录

  • 测试验证

  • RDS 定时备份


具体迁移细节就不展示了,我是在夜深人静的时候进行迁移操作的,确定大半夜没人访问我们的 App 和网站了才开干的。


我们的业务情况有点像股市,我们是晚上 12 点不许操作和交易,第 2 天早上 9 点开盘,9 点钟是并发的高峰期,就像朝阳大悦城上午开门一样,大批的顾客同时并发过来了。


所以那天晚上在 12 点 15 分准时开干,按计划和提前准备的配置、命令、脚本进行操作的。


把 Docker 中运行的 MySQL 迁移到 RDS 上非常顺利,好几个库的迁移不到半个小时就结束了,并且把网站和 App 的流程都跑了一遍,也都是妥妥的。


最终把提前准备好的备份脚本放在 crontab 中定时执行,可以看下脚本内容:


#!/bin/bash
#数据库IP
dbserver='*******'
#数据库用户名
dbuser='ganbing'
#数据库密码
dbpasswd='************'
#备份数据库,多个库用空格隔开
dbname='db1 db2 db3'
#备份时间
backtime=`date +%Y%m%d%H%M`
out_time=`date +%Y%m%d%H%M%S`
#备份输出路径
backpath='/data/backup/mysql/'
logpath=''/data/backup/logs/'

echo "################## ${backtime} #############################"
echo "开始备份"
#日志记录头部
echo "" >> ${logpath}/${dbname}_back.log
echo "-------------------------------------------------" >> ${logpath}/${dbname}_back.log
echo "备份时间为${backtime},备份数据库 ${dbname} 开始" >> ${logpath}/${dbname}_back.log

#正式备份数据库
for DB in $dbname; do
 source=`/usr/bin/mysqldump  -h ${dbserver} -u ${dbuser} -p${dbpasswd} ${DB} > ${backpath}/${DB}-${out_time}.sql` 2>> ${backpath}/mysqlback.log;
 #备份成功以下操作
 if [ "$?" == 0 ];then
   cd $backpath
   #为节约硬盘空间,将数据库压缩
   tar zcf ${DB}-${backtime}.tar.gz ${DB}-${backtime}.sql > /dev/null
   #删除原始文件,只留压缩后文件
   rm -f ${DB}-${backtime}.sql
   #删除15天前备份,也就是只保存15天内的备份
   find $backpath -name "*.tar.gz" -type f -mtime +15 -exec rm -rf {} \; > /dev/null 2>&1
   echo "数据库 ${dbname} 备份成功!!" >> ${logpath}/${dbname}_back.log
 else
 #备份失败则进行以下操作
 echo "数据库 ${dbname} 备份失败!!" >> ${logpath}/${dbname}_back.log
 fi
done

echo "完成备份"
echo "################## ${backtime} #############################"


到了 1 点钟,确定没问题后发通知到群里,发微信给领导表示已迁移完成,进行很顺利,然后笔者打车回家,睡觉。


雪崩来临


其实这一晚笔者睡得也不踏实,到了 8 点半就醒了,因为我们 9 点钟开盘,会有大量的客户涌进,每天开始产生新的交易(买入和卖出),给大家看下截图:

果不其然,9 点过后,我打开 App,一切正常,点击切换几个界面后,发现其中一个功能的请求超时了,一直在转,然后紧接着其他功能也超时了。


完了,出问题了。赶紧开电脑查问题,过了一会儿群里就开始沸腾了(反映好多客户打开 App 都显示请求超时了),我的电话也第一时间响了,技术总监打来的,问我怎么回事,我说正在开电脑排查。


紧急处理


排查问题


电脑打开后,首先想到的就是 RDS 数据库出了问题,登录阿里云,进入 RDS 中的 DMS 数据管理控制台,一进去就傻眼了 “CPU 爆了”,这么多连接数,如下图:

进入会话去看看,发现会话“炸锅了”,发现几百页的 select 都挤在 ub_user_calculate 这个表中,这个表数据量相对大一些,目前有 200 多万条数据,如下图:

我的自然反应就是去查看此表的结构,但发现此表没有索引,我被惊讶到了,竟然没有索引,这...... 


然后笔者返回源数据库查看这张表,也发现没有索引,由此可以确定我导过来的这张表就是没有创建索引,如下图:

当数据库中出现访问表的 SQL 没创建索引,会导致全表扫描,如果表的数据量很大,扫描大量的数据,执行效率过慢,占用数据库连接,连接数堆积很快达到数据库的最大连接数设置,新的应用请求将会被拒绝导致故障发生。


解决问题


我赶紧把此事反映给开发负责人,表明问题根源找到了,会话锁死了,是由其中的一张表没有索引而导致的,问询需要给哪几个字段加索引。


然后接着操作增加索引:

点击保存后,发现创建索引的 SQL 一直卡死着,如下图所示:

突然想起来还有一堆会话在那里,先 Kill 掉所有会话吧,不然索引肯定创建不了,然后又发现会话根本杀不完,如下图:

怎么办呢?会话杀不完...没办法,先把访问入口切断吧,反正现在用户访问也超时,就毅然决定先把域名停了,访问入口给切断了,然后在增加索引。索引加上了,发现 CPU 还下不去,如下图:

为了快速让 CPU 降下去,重启这个实例吧:

实例重启完后,CPU 下去了,会话也下去了:

开启入口层的域名访问吧,再次观察现在的会话和 CPU 等况,如下图:

这就对了,会话也正常了,通知领导业务恢复。


再来看一下服务器 CPU 的情况(迁移 MySQL 后的情况),明显逐渐好转。

索引使用策略及优化


创建索引注意事项:

  • 在经常查询而不经常增删改操作的字段加索引。

  • order by 与 group by 后应直接使用字段,而且字段应该是索引字段。

  • 一个表上的索引不应该超过 6 个。

  • 索引字段的长度固定,且长度较短。

  • 索引字段重复不能过多,如果某个字段为主键,那么这个字段不用设为索引。

  • 在过滤性高的字段上加索引。


使用索引注意事项:

  • 使用 like 关键字时,前置 % 会导致索引失效。

  • 使用 null 值会被自动从索引中排除,索引一般不会建立在有空值的列上。

  • 使用 or 关键字时,or 左右字段如果存在一个没有索引,有索引字段也会失效。

  • 使用 != 操作符时,将放弃使用索引。因为范围不确定,使用索引效率不高,会被引擎自动改为全表扫描。

  • 不要在索引字段进行运算。

  • 在使用复合索引时,最左前缀原则,查询时必须使用索引的第一个字段,否则索引失效;并且应尽量让字段顺序与索引顺序一致。

  • 避免隐式转换,定义的数据类型与传入的数据类型保持一致。

参考链接:https://help.aliyun.com/document_detail/52274.html?spm=a2c4g.11174283.6.812.ZGPyBQ

总结


此次故障虽然是表没有索引造成的,但是我是有责任的,没有挨个表检查一下表的结构。


通过此次故障也可以看出来开发在设计表的时候真的要非常的重视,注意细节。


还有就是之前在容器中运行的 MySQL 也时不时的出现 CPU 瓶颈(比如 CPU 使用率偶尔会达到 80% 以上),我应该提前发现这些问题,彻底排查找出问题所在原因再进行迁库的操作。



甘兵,高级运维工程师,6 年运维工作经验。曾就职于国家互联网应急中心、天音控股等企业。拥有丰富系统运维经验,大型网络架构设计经验。热衷于开源技术的研究,关注的技术方向 Docker、DevOps 等。

本文转载自公众号:51CTO技术栈


这是一个最好的时代,这是 DevOps 时代

DevOps 国际峰会正式起航

大会前瞻视频新鲜出炉⬇️



点击阅读原文,更多惊喜

本站所有内容仅供本人订阅使用!RSS + Sitemap