zookeeper客户端KeeperErrorCode = ConnectionLoss异常问题排查历险记

经过线报，说前方应用有异常，导致了可用性变差。咦！讨厌的异常，抛异常是程序猿最讨厌的事情之一。

经过收集异常信息如下

​

​

2019-06-24 10:57:41.806 ERROR [hades-afe-opw,,,] 67380 --- [erFactory-Timer] c.t.p.s.s.TBScheduleManagerFactory       : KeeperErrorCode = ConnectionLoss for /taobao-pamirs-schedule/hades-earn-opw/factory/10.10.128.163$tjsr-2$9235182DDA104802AB642BC0CF418A22$0000003165

org.apache.zookeeper.KeeperException$ConnectionLossException: KeeperErrorCode = ConnectionLoss for /taobao-pamirs-schedule/hades-earn-opw/factory/10.10.114.63$tjsr-2$9235182DDA104802AB642BC0CF418A22$0000003165
 at org.apache.zookeeper.KeeperException.create(KeeperException.java:99)
 at org.apache.zookeeper.KeeperException.create(KeeperException.java:51)
 at org.apache.zookeeper.ZooKeeper.exists(ZooKeeper.java:1045)
 at org.apache.zookeeper.ZooKeeper.exists(ZooKeeper.java:1073)
 at com.taobao.pamirs.schedule.zk.ScheduleStrategyDataManager4ZK.loadManagerFactoryInfo(ScheduleStrategyDataManager4ZK.java:295)
 at com.taobao.pamirs.schedule.strategy.TBScheduleManagerFactory.refresh(TBScheduleManagerFactory.java:164)
 at com.taobao.pamirs.schedule.strategy.ManagerFactoryTimerTask.run(TBScheduleManagerFactory.java:438)
 at java.util.TimerThread.mainLoop(Timer.java:555)
 at java.util.TimerThread.run(Timer.java:505)

　　

一看异常很神秘，

从异常的表面意思看就是去zookeeper查询某个node是否存在然后爆出了 KeeperErrorCode = ConnectionLoss这个错误

经过各种查询说需要调优zookeeper，具体情况大家可以自行进行搜索。

---

我们的实现马上转移到zookeeper上面，观察zk的运行环境。

我们经过了如下各种过程处理（以下是未成功的处理）：

         加内存：2G-->4G（虽然我们知道加内存没有用，自己心里安慰一下万一能解决那，哈哈）

         加CPU：4C-->6C

         换磁盘空间并打开虚拟机读写限制

         移动虚拟机主机位置

调整前后统计对比图：

网络 I/O：sar -n DEV 1

​

CPU I/O: vmstat 1

​

磁盘 I/O : sar -d 1

​

这里我说下经过各种环境的取值分析得出如下现象和结论：

现象：

        CPU有点高但是在可接受范围内

        内存完全够用不存在内存溢出可能

        磁盘读写完全没有达到所能承受的上限

        网络同样没有达到可用的上限

        问题指标

                  发现cpu执行的IO等待高，why？

经过各种数据的分析有了如下大胆的猜测，

        zookeeper是强一致性的分布式系统，

        CAP理论中它属于CP系列，

        所以对于读写有强一致的要求，

        大量并发情况下对一个文件的读写（zookeeper日志文件 log.xxxxx的那个文件）会有排队想象同时他还会对从机进行分发数据，

        搞得主机（master）很忙造成cpu的操作都在等待那一个文件上面，

        但实际上读写的内容并不多，

        也就没有达到磁盘的上限。

        然后就造成了主动断开连接上面的异常 ConnectionLoss。

        也就是说这个异常个人猜测是zookeeper的主动行为，否则的话会报超时异常。

所以针对各种分析与搜索以及实践有如下两种方法解决：

1. 设置zookeeper本身的参数forceSync=no 
2. 将日志文件写入目录指向内存句柄

以上两个方案都有一个弊端，就是在zookeeper集群中master突然断电的时候会造成少量数据因为没有落盘而丢失，所以对于数据有相应要求的情况请慎用

本次采用第二种方法：修改zoo.cfg配置文件：

dataLogDir=/zookeeper/logs 修改为
dataLogDir=/dev/shm

从目前情况看问题基本解决，也请大家调整相关系统框架与zookeeper的心跳频率，以减少zk的压力。