解读TiKV 状态变化

Tiit 607 2024-03-25

背景说明

1、`store 状态`是什么？

首先，这里说的状态，是 store 的状态。即，这里不谈 region 的状态。
其次，这里的 store，可以简单类比为 TiKV 节点。
最后，这个状态是指整个集群中的store 状态，存储在 PD(ETCD)中的状态（可能跟 store 真实状态有偏差、不一致）。

分布式集群节点状态，是通过心跳来判断的。心跳依赖网络，所以网络异常导致无法准确判断节点状态。但是，心跳可以展示“正常”状态。

同样的，我们 TiKV 集群的 TiKV(Store)节点状态也是通过心跳判断，存储在 PD(ETCD)，有 PD 负责维护。而状态展示也是 PD(ETCD) 中的数据 —— 注意，并不是直接去取节点的实际状态。

分布式集群、状态等是个很大的话题，这里简单说明下，方便后续内容理解

2、工具使用

既然研究 Store 状态，必然需要经常查看，即需要查询 PD(ETCD) 存储的数据。我们这里有两个工具可以使用

2.1、etcdctl

这个是 etcd 本身直接提供的查询工具。我们这里需要用的命令如下：

ETCDCTL_API=3 ./etcdctl  --endpoints $(ip:port) get --prefix=true /pd/

ETCDCTL_API: 指定 etcd 的 api 版本。一般用 3（还有就是 2）
etcdctl：这个是 etcd 的工具，可以通过 tiup 安装：tiup ctl:$(version) etcd get。

版本不重要，因为 etcd 一般不会经常变

endpoints：访问的 api 接口的地址。一般就是 pd 的访问地址（比如 dashboard）
get：表示要做的事情。我们这里的测试，get 就够了。
“/pd/”：表示要取的数据的“目录”

Etcd 一般以类似目录格式存放 key。
比如 “/” 下可以有多组key，下一层可以是 pd 可以是 cluster。
说不清楚，试试就明白了。

prefix：表示是否是前缀。

另外，如果设置为 true，是递归访问的。比如这里的 "/pd/"，那么 pd 下有还有目录 x，那么就会继续遍历目录 x
即如果这个设置为 false，那么表示完整的 key 取查询。
如果设置为 true，那么表示前缀。比如这里的 “/pd/ ”，表示取 “/pd/*”，或者说取 pd 目录下的索引 key

2.2、pd-ctl

这个本质也是访问 etcd 中存储的数据。但是，稍微做了一层封装：从etcd 中取出来的数据，经过处理、组装之后，再返回给客户展示。

我们这里主要查看 store 相关数据。所以，命令主要如下：

tiup ctl:v6.5.3 pd -u 10.2.8.4:32379 store

这里是官方文档参考

2.3、直接通过 pd 的 api 查询

这个可以到 dashboard 上查看 “高级调试 -> 内部调试数据” 查看具体的 API。这里，store 相关的 api 如下：

http://{ip:port}/pd/api/v1/store/{storeid}http://{ip:port}/pd/api/v1/stores

理论说明

关于store 状态相关，可以参考这里官方文档。这里有部分说明。

各种状态

store 状态有如下 5 种状态。这是从官方文档摘录。

Up：表示当前的 TiKV Store 处于提供服务的状态。
Disconnect：当 PD 和 TiKV Store 的心跳信息丢失超过 20 秒后，该 Store 的状态会变为 Disconnect 状态。
Down：当 PD 和 TiKV Store 的心跳信息丢失超过 30 分钟后，该 Store 的状态会变为 Down 状态，
Offline：当对某个 TiKV Store 通过 PD Control 进行手动下线操作，该 Store 会变为 Offline 状态。

这个是 PD 发现 store 是 offline，就会触发调度搬迁 region。
pd-ctl store delete
该状态只是 Store 下线的中间状态，处于该状态的 Store 会将其上的所有 Region 搬离至其它满足搬迁条件的 Up 状态 Store。

Tombstone：当该 Store 的 leader_count 和 region_count 为 0 后，该 Store 变为 Tombstone 状态。

可以使用 remove-tombstone 接口安全地清理该状态的 TiKV。

“搬迁 region” 到底是做啥事情、动作？是先 add peer，然后再 remove peer ？一个 region，怎么才算搬迁成功？
如果部分 region 无法完成搬迁，会一直是 offline 状态。那么，应该怎么处理？

综述：

我个人理解，状态可以分为两类：

间接状态：需要通过心跳来判定、转换的状态。

包括 Disconnected和 Down。

直接状态：记录存储到 PD(ETCD) 中的。

在正常情况下（即没有丢失状态），那么直接查询到直接展示的状态。包括 UP/Offline/Tombstone

各种状态切换

下图是官方文档上的。

下图是获取 store 状态的时候的源码截图(点这里查看源码)。大约情况是：

获取原始数据状态
如果状态是 UP，根据最后一次心跳做判断

根据状态转换和源码截图，可以得到如下信息：

如果离最后一次心跳超过20s（不到30分钟），那么就是 Disconnected
如果离最后一次心跳超过30分钟，就是 Down

即，如果 stop 了 TiKV 节点，那么该 TiKV 在 30分钟以内也是 Disconnected
并且，如果 stop 之后 20s 以内查看 TiKV 状态，应该是 Up 状态。

如果用户执行了 store delete，那么就是 Offline

即，表示要把该节点从集群中剔除。
但是，还有数据要搬迁（可以类比为“离职员工交接”）。
所以，该状态是中间状态 —— 是要把事情处理完了（搬迁完了），才能走。

如果 Offline 节点的数据搬迁完了，那么就可以转成 Tombstone。

搬迁完，即 leader 和 region count 都是 0.
数据搬迁完了（交接完了），那么可以退出集群了——即，该集群不会再跟该节点联系了。
可以人工去删除数据。

那么，正常情况下，就是 UP 状态咯。

除了上述异常情况，那么就是正常情况咯。

各种状态会带来什么

如下截图，据说后续会改成 NodeState，很好的反应出要做啥事情。

UP：这种状态下，可以对外提供服务。不会做其它额外的事情。
Disconnected：好像不会做啥事情（？）

注意，这会导致 region 的 leader 重新选举，导致业务性能下降一波。

Down：这种情况下，会对该 store 上的 region 进行 补副本。

注意，是max-store-down-time 来控制的，在变成 down ，之后会任务改 store 不可用，会对该store 上的 region 补副本。

Offline：这种情况下，需要对该 store 上的 region 进行 迁移。

迁移的意思是 补副本 + 删除该 store 上的副本 —— 这里的“删除”，可以仅仅是 PD 中的信息删除。
看 NodeState 可以知道，它是正在删除 region 过程中，所以是 Removing。。。

TombStone：这种情况下，与集群没有关系了，所以该节点做啥都无所谓咯。

测试说明

初始化状态

刚刚部署好的集群，仅仅启动 PD ，集群中 store 是啥状态？

1、通过 etcdctl 查看，可以知道没有 store 相关数据。

2、通过 pd-ctl 查看，是报 500 的错误 —— 应该是因为没有数据导致的。

3、通过 tiup 查看集群状态，可以看到 TiKV 节点都是 Down 状态

启动之后状态

基于上面情况，启动整个集群之后，状态如下

stop之后状态（stop -R tikv）

1、立马查看：理论上说是 UP 状态

2、20秒之后查看：理论上说是 Disconnected（持续30分钟）

3、30分钟之后查看：理论上说是 Down

4、删除 Store（scale-in）

实际案例

案例1

集群说明：客户测试环境，k8s集群，3tikv 单副本系统。
问题说明：其中一个 tikv-3 由于某种原因变成了 Offline 状态，并且一直无法正常启动。查看状态可以知道，tikv 上还有9个region（leader）。

当前状态

当前 tikv 是 offline，并且无法正常启动。offline 表示已经不在集群中了。而 offline 会导致 region、leader 迁移到其它 tikv 节点。

当前问题

由于是单副本，即 tikv-3 的region 只有 tikv-3 有，其它 tikv 是没有的。由于 tikv-3无法正常启动，所以无法把 region 迁移出去，所以无法完成 offline，导致一直卡在这里、恢复正常。

解决问题

查看 tikv-3 所有region，然后执行命令"tikv-ctl --db /path/to/tikv-data/db recreate-region --pd <endpoint> -r <region_id>"
可惜，执行这个操作之后，是没有效果的（报错）
可以考虑想办法把 tikv-3 正常启动 —— 这个比较难，如果可以的话，也不会让其下线了。
只能丢失数据，放弃 tikv-3 上的 region。在其它 tikv 上补上这个 9个 region（空的）
只能重建集群了（还好是测试环境）

案例2

背景情况：

最后心跳时间是 14:30左右
当前状态是 Down
region/leader count是0
查询时间大约在 21:30 +5:30左右

集群是 k8s 集群，在没有人为操作的情况下，在 23:30 +5:30 左右变成了 tombstone

理论上来说，需要执行 “delete”使其状态变成 offline，然后 region/leader count为0 则可以切换为 tombstone。

但是，在至少2个小时 Down中都没有变化，突然就变成了 tombstone。

不了解 k8s 的自动切换的原理 —— 即原来的 store 4 由于启动不了，所以替换为了 store xxxx，但是仍然是 tikv-1实例。
另外，怀疑是客户手动 delete 了 pod ？

案例3

由于 compaction 导致某个磁盘空间突然飞涨，导致无法启动、运行。

Workaround ：磁盘扩容。

案例4

情况汇总： 初始情况：

客户1pd + 3tidb + 3tikv(tikv0<store1>/tikv1/tikv2)；

第一阶段

由于pv 扩容， rollout 导致多了个 pod 运行 tikv0（store-n)；现在 store1 和 store-n 同时存在；
store-1 是有问题，本身启动不了，Down 了；
客户执行了 pd-ctl delete store-0 ，但是删除失败
store-n 和 store-1 都用tikv-0 的地址，所以导致 store-n 注册pd 失败启动不了；

第二阶段：

由于 autofailover，导致自动扩容了 tikv-3；
但是由于资源不够导致挂起；
客户有发现之后，就手动吧 tikv-3 scale-in 了；导致现在的 tikv-3 也是 down 状态

要恢复集群，就是不不正常的 store 剔除、让正常的 store 启动起来。

不正常的 store-1，是因为还有 region 残留，可以直接通过 remove peer 来达到清零的效果（有三副本，所以删除了系统自动会补副本）。
正常的 store-n 启动起来。原来无法启动，是因为 store-1 占用了 tikv0 的实例（address），导致无法启动。那么，store-1 正常剔除之后，自然就启动正常了。

异常 Pod 缩容
扩容一个新的正常 Pod 来代替

MoreAndMore：offline 迁移到底做了啥

Offline 状态下的迁移 region，主要做了如下事情：

先 transfer leader 到非 offline 的节点
然后 replica 一个 peer,
最后 remove offline 的那个 peer

即，这个过程是跟 offline 的 tikv 无关的，不需要对 offline 的 tikv 做交互。

Transfer leader 是 raft 协议保证的
Replica 是从 leader 来做的——但是 leader 不在 offline 的 tikv
remove offline 的那个 peer，是删除 pd 中的记录就可以了

参考

Pd-ctl store

ETCDCTL_API=3 .tiup/components/ctl/v6.5.3/etcdctl  --endpoints http://10.2.8.4:32379 get --prefix=true /pd/

标签：pingcap