Hbase2.0某台RegionsServer宕机的RCA以及如何预防

ゝ一纸荒年。 2022-11-03 04:22 85阅读 0赞

## 一、故障背景 ##

HDP 的Ambari控制台显示某台主机的RegionServer服务下线

## 二、根本原因分析（RCA，Root Cause Analysis） ##

（1）从Ambari控制台手动start RegionServer服务，失败。

（2）检查这台主机上的RS有关日志，发现有多条记录：

org.apache.hadoop.hbase.ClockOutOfSyncException:
        Server 172.25.224.4,16020,1613788579799 has been rejected; Reported time is too far out of sync with master.
        Time difference of 45596ms > max allowed of 30000ms”

意思是这台主机上的系统时钟落后主节点已超出30秒的阈值。

**why1: 为什么这台机器的时间落后于主节点？**  
时间同步服务ntp下线，并且未能自动重启。

**why2: 为什么ntp服务下线没能自动重启？**  
RS所在的云主机是用的阿里云ECS，经过咨询阿里云的售后支持人员，答复说虽然ECS预装时间同步服务，但是该服务下线之后并不会自动重启，需要用户手动维护。

## 三、如何解决和预防 ##

**【如何解决】**  
**紧急解决方案：** 先修改下线RegionServer机器上的系统时间，即date -s “2021-02-20 09:32:32”，再从Ambari控制台手动启动刚才下线的RegionServer服务，成功。

**永久解决方案**  
分别在所有的master机器、所有的slave机器上的目录/etc/systemd/system 下创建自定义的配置文件ntp.server，内容是：  
cat /etc/systemd/system/ntp.service

[Unit]
    Description=ntp
    After=network.target
    
    [Install]
    WantedBy=multi-user.target
    
    [Service]
    Type=simple
    PIDFile=/root/ntp.pid
    ExecStart=/bin/systemctl start ntp
    Restart=always
    RestartSec=0.1
    StartLimitInterval=0

再分别以root用户对这些机器操作以下两步：

/bin/systemctl enable ntp
    /bin/systemctl daemon-reload

ntp服务启动后，需要确认一下各机器上的时间，正常的话没问题。

**【如何预防】**  
**系统层面的预防：** 由于/etc/systemd/system/ntp.server已经生效，ntp服务会在异常退出的时候被自动重启。  
**预警策略：** 笔者写了一个python程序，此程序用于每半小时访问HBase Master页面上的RegionServer健康状况，若有RegionServer下线就会第一时间通过钉钉发送告警。粉丝们如果有兴趣可以加我微信向我要，大家交流，共同进步。