Zookeeper恢复了，线上微服务却全部掉线了，怎么回事？

,注册中心zookeeper重启恢复后，线上微服务却全部掉线了，怎么回事？！,最近因为一次错误的运维操作，导致线上注册中心zk被重启。而zk重启后发现所有线上微服务开始不断掉线，造成了持续30分钟的P0​故障。,整体排查过程深入学习了 zookeeper的session机制，以及在这种异常情况下，RPC框架应该如何处理。,好了，一起来回顾下这次线上故障吧，最佳实践总结放在最后，千万不要错过。,某天晚上19:43分左右，误操作将线上zk集群下线（stop），总共7台节点，下线了6台，导致zk停止工作。,在发现节点下掉后，于19:51分左右将所有zk节点进行重启（start），期间服务正常运行，没有收到批量业务调用的报错和客诉。,直到19:56分，开始收到大面积调用失败的警报和客诉，我们尝试着依赖自研RPC框架与zk间重连后的「自动恢复」机制，希望能够在短时间内批量恢复。,但是很不幸，过了接近8分钟，没有任何大面积恢复的迹象。,结合zk znode节点数上升非常缓慢的情况，于是我们采取了应急措施，将所有微服务的pod原地重启，执行重启后效果显著，大面积服务在短时间内逐步恢复。,我们自研的RPC框架采用典型的 注册中心+provider+consumer 的模式，通过zk临时节点的方式做服务的注册发现，如下图所示。,,结合故障期间发生的现象，我们初步分析：,这里存在一个问题：,为什么zk集群恢复后，provider客户端「自动重连」注册中心的机制没有生效？导致consumer被推送了空地址列表后，没有再收到重新的provider注册节点信息了。,根据大量测试，我们找到了稳定复现本次问题的方法：,zk session过期包括 「服务端过期」 和 「客户端过期」，在「客户端过期」情况下恢复zk集群，会导致「临时节点」丢失，且无法自动恢复的情况。,1）​在集群重启恢复后，RPC框架客户端立刻就与zk集群取得重连，将保存在本地内存待注册的providers节点 + 待订阅的consumers节点 进行重建。,2）但是zk集群此时根据snapshot恢复的「临时节点」（包括provider和consumer) 都还在，因此重建操作返回NodeExist异常，重建失败了。（问题1：为什么没有重试？）,3）在集群重启恢复40s后，将过期Session相关的 临时节点全都移除了。（问题2：为什么要移除？）,4）consumer监听到 节点移除 的空列表，清空了本地provider列表。故障发生了。​,基于这个分析，我们需要进一步围绕2个问题进行源码的定位：,通过源码分析，我们看到，RPC框架客户端与服务端取得重连后，会将内存里老的临时节点进行重新创建。,这段逻辑看来没有什么问题，doRegister成功之后才会将该节点从失败列表中移除，否则将继续定时去重试创建。,,继续往下走，关键点来了：,,这里我们可以看到，在创建临时节点时，吞掉了服务端返回的NodeExistsException，使整个外层的doRegister和doSubscribe（订阅）方法在这种情况下都被认为是重新创建成功，所以只创建了一次。,正如上面分析的，其实正常情况下，这里对NodeExistsException不做处理是没有问题的，就是节点已经存在不用再添加了，也不需要再重试了，但是伴随服务端后续踢出老sessionId同时删除了相关临时节点，就引起了故障。,众所周知，zk session管理在客户端、服务端都有实现，并且两者通过心跳进行交互。,在发送心跳包时，客户端会携带自己的sessionId，服务端收到请求，检查sessionId确认存活后再发送返回结果给客户端。,如果客户端发送了一个服务端并不知道的sessionId，那么服务端会生成一个新的sessionId颁布给客户端，客户端收到后本地进行sessionid的刷新。,当客户端（curator）本地sessionTimeout超时时，会进行本地zk对象的重建（reset），我们从源码可以看到默认将本地的sessionId重置为0了。,,,zk服务端后续收到这个为“0”sessionId，认为是一个未知的session需要创建，接着就为客户端创建了一个新的sessionId。,服务端(zookeeper) sessionTimeout的管理，是在zk会话管理器中看到一个线程任务，不断判断管理的session是否有超时（获取下一个过期时间点nextExpirationTime已经超时的会话），并进行会话的清理。,,我们继续往下走，关键点来了，在清理session的过程中，除了将sessionId从本地expiryMap中清除外，还进行了临时节点的清理：,,​原来zkserver端是将sessionId和它所创建的临时节点进行了绑定。伴随着服务端sessionId的过期，绑定的所有临时节点也会随之删除。,因此，zk集群恢复后40s，zk服务端session超时，删除了过期session的所有相关临时节点。​,1）zk集群恢复的第一时间，对zk的snapshot文件进行了读取并初始化zk数据，取到了老session，进行了create session的操作，完成了一次老session的续约（重置40s）。,集群恢复关键入口-重新加载snapshot：,,
,进行session恢复（创建）操作，默认session timeout 40s：​,,​2）而此时客户端session早已经过期，带着空sessionid 0x0进行重连，获得新sessionId。但是此时RPC框架在临时节点注册失败后吞掉了服务端返回的NodeExistsException，被认为是重新创建成功，所以只创建了一次。,3）zk集群恢复后经过40s最终因为服务端session过期，将过期sessionId和及其绑定的临时节点进行了清除。,4）consumer监听到 节点移除 的空列表，清空了本地provider列表。故障发生了。​,经过上面的源码分析，解决方案有两种：,于是我们调研了一下业界使用zk的开源微服务框架是否支持自愈，以及如何实现的：,dubbo采用了方案2。,,注释也写得非常清楚：​,看来dubbo确实后续也考虑到这个边界场景，防止踩坑。,所以最后我们的解决方案也是借鉴dubbo fix的逻辑，进行节点的替换：先deletePath再createPath，这么做的原因是将zk服务端内存维护的过期sessionId替换新的sessionId，避免后续zk清理老sessionId时将所有绑定的节点删除。,回顾整个故障，我们其实还忽略了一点最佳实践。,除了优化对异常的捕获处理外，RPC框架对注册中心的空地址推送也应该做特殊判断，用业界的专业名词来说，就是「推空保护」。,所谓「推空保护」，就是在服务发现监听获取空节点列表时，维持本地服务发现列表缓存，而不是清空处理。,这样可以完全避免类似问题。