标签：call   hal   kaa   数据   $$   png   cpu   因子   local   

分布式系统故障场景梳理方法：

场景梳理逻辑关系：

• 单点硬件故障→单点进程故障类型→集群影响→集群故障场景

• 第三方依赖故障→集群依赖关系→集群影响→集群故障场景

• 业务场景→集群负载/错误影响→集群故障场景

Kafka故障场景

Kafka故障的定义是什么？

故障场景

• 单点硬件故障→集群故障场景

• 第三方依赖故障→集群故障场景

• 业务场景→集群故障场景

Kafka压测

Kafka数据丢失：

Kafka什么情况下一定会丢失数据？

Kafka什么情况的一定不会丢失数据？

Kafka数据写入降低百毫秒级？

Kafka的Topic分片规模的设置与延迟的关系？

80%通用场景 + 20%业务特性 = 相对完善和通用的故障场景
要区分现象和原因，列举的是现象而非原因
chaosmonkey 第一版里面有一些破坏性的shell脚本可以用

节点故障
各个角色单独关闭至少一台机器，直至服务故障（线下）
各个角色同时关闭一台机器
任意一个交换机故障

单机资源：CPU、MEM、NET、DISK、IO、Ulimit
磁盘
磁盘空间写满
磁盘故障（只读）
磁盘IO饱和

节点故障，网络分区，丢包和慢速网络————目的是找出RabbitMQ集群丢失消息的方式和时间

第三方依赖：数据库、缓存、共享存储、上下游、DNS、LB、基础设施等

业务特性
集群Topic leader丢失
集群中的单个Topic分区异常的多
集群中总的分区过多
集群出现大面积的分区迁移

容量
数据写入量——单条record信息过大
消息写入量——批量消息过多

Kafka故障因子来自如下几个方面：

• 生产者外部—每秒数据写入量（控制参数：record batch-size和throughput,thread_pool）
• 自身内部—磁盘空间，节点数丢失，业务饱和度（分片数量，IO饱和度，内存不足？）
• 依赖关系模块—Zookeeper问题

Kafka故障指标：

• 功能不可用
• 出现消息丢失——Topic没有leader
• 消息延迟——大于100ms

以此梳理出Kafka的故障场景：

1. 数据写入量——单条record信息过大
2. 消息写入量——批量消息过多
3. 集群磁盘空间被写满——单机被打满后集群会做什么事情
4. 集群节点丢失1/5
5. 集群节点丢失1/3
6. 集群节点丢失1/2
7. 集群Topic leader丢失
8. 集群中的单个Topic分区异常的多
9. 集群中总的分区过多
10. 集群出现大面积的分区迁移——磁盘IO饱和
11. 集群磁盘故障
12. Zookeeper集群功能不可用

12-1.ZK集群节点丢失1/2

12-2.ZK集群被频繁请求

12-3.ZK集群leader选举

故障场景演练

1. 数据写入量——单条record信息过大

考虑如下场景的比较，比较消息写入延迟率

（1）topic：test1（6,1），–record-size=838860（0.8M）–throughput 4096

（1）topic：test1（6,1），–record-size=4（KB）–throughput 4096

考虑到集群默认有消息最大请求限制（message.max.bytes=1000000,1MB以内）。

org.apache.kafka.common.errors.NotLeaderForPartitionException: This server is not the leader for that topic-partition.

2.消息写入量——批量消息过多

（1）topic：test1（6,1），–record-size=4（KB），–throughput 1000

（2）topic：test1（6,1），–record-size=4（0.1M），–throughput 100000000

org.apache.kafka.common.errors.NotLeaderForPartitionException: This server is not the leader for that topic-partition.
以及另外一种报错：
org.apache.kafka.common.errors.TimeoutException: Expiring 1 record(s) for test2-0 due to 30001 ms has passed since last append

极端场景为：

topic：test1（6,1），–record-size=838860（0.8M），–throughput 100000000

3.

Broker 数据盘没有空间导致kafka自动关闭

[2018-10-29 16:50:16,939] FATAL [Replica Manager on Broker 0]: Halting due to unrecoverable I/O error while handling produce request: (kafka.server.ReplicaManager) kafka.common.KafkaStorageException: I/O exception in append to log ‘test2-0‘ at kafka.log.Log.append(Log.scala:349) at kafka.cluster.Partition$$anonfun$10.apply(Partition.scala:443) at kafka.cluster.Partition$$anonfun$10.apply(Partition.scala:429) at kafka.utils.CoreUtils$.inLock(CoreUtils.scala:234) at kafka.utils.CoreUtils$.inReadLock(CoreUtils.scala:240) at kafka.cluster.Partition.appendMessagesToLeader(Partition.scala:429) at kafka.server.ReplicaManager$$anonfun$appendToLocalLog$2.apply(ReplicaManager.scala:407) at kafka.server.ReplicaManager$$anonfun$appendToLocalLog$2.apply(ReplicaManager.scala:393) at scala.collection.TraversableLike$$anonfun$map$1.apply(TraversableLike.scala:234) at scala.collection.TraversableLike$$anonfun$map$1.apply(TraversableLike.scala:234) at scala.collection.mutable.HashMap$$anonfun$foreach$1.apply(HashMap.scala:99) at scala.collection.mutable.HashMap$$anonfun$foreach$1.apply(HashMap.scala:99) at scala.collection.mutable.HashTable$class.foreachEntry(HashTable.scala:230) at scala.collection.mutable.HashMap.foreachEntry(HashMap.scala:40) at scala.collection.mutable.HashMap.foreach(HashMap.scala:99) at scala.collection.TraversableLike$class.map(TraversableLike.scala:234) at scala.collection.AbstractTraversable.map(Traversable.scala:104) at kafka.server.ReplicaManager.appendToLocalLog(ReplicaManager.scala:393) at kafka.server.ReplicaManager.appendMessages(ReplicaManager.scala:330) at kafka.server.KafkaApis.handleProducerRequest(KafkaApis.scala:436) at kafka.server.KafkaApis.handle(KafkaApis.scala:78) at kafka.server.KafkaRequestHandler.run(KafkaRequestHandler.scala:60) at java.lang.Thread.run(Thread.java:745) Caused by: java.io.IOException: No space left on device at sun.nio.ch.FileDispatcherImpl.write0(Native Method) at sun.nio.ch.FileDispatcherImpl.write(FileDispatcherImpl.java:60) at sun.nio.ch.IOUtil.writeFromNativeBuffer(IOUtil.java:93) at sun.nio.ch.IOUtil.write(IOUtil.java:65) at sun.nio.ch.FileChannelImpl.write(FileChannelImpl.java:211) at kafka.message.ByteBufferMessageSet.writeFullyTo(ByteBufferMessageSet.scala:304) at kafka.log.FileMessageSet.append(FileMessageSet.scala:354) at kafka.log.LogSegment.append(LogSegment.scala:97) at kafka.log.Log.append(Log.scala:409) ... 22 more

8.集群中的单个Topic分区异常的多

考虑如下场景的比较，比较消息写入延迟率

（1-1）topic：test1（6000,1），–record-size=838860（0.8M）–throughput 100000000

org.apache.kafka.common.errors.NotLeaderForPartitionException: This server is not the leader for that topic-partition.

（1-2）topic：test1（6000,1），–record-size=838860（0.8M）–throughput 1000000

（1-3）topic：test1（6000,1），–record-size=4（KB）–throughput 100000000

（1-4）topic：test1（6000,1），–record-size=4（KB）–throughput 100000000

10.集群出现大面积的分区迁移——磁盘IO饱和

11.Zookeeper集群功能不可用

Kafka压测— 搞垮kafka的方法(转)

标签：call   hal   kaa   数据   $$   png   cpu   因子   local   

原文地址：https://www.cnblogs.com/a00ium/p/10847553.html