1事件起源

 整个事件的起源还要从笔者最近入职了一家区块链金融公司来说起(为了保密性,不便透露公司名字),公司业务发展比较迅猛,突破百万用户也是近在眼前。整个系统都在阿里云上运行,每天都能看到用户的不断增长,即兴奋又担忧,为什么这么说呢?

 由于笔者过来的时候这里业务就已经上线了,系统接过来之后,快速了解了所有的应用服务都是在docker swarm跑起来的,也包括mysql数据库,以至于笔者就有了迁库的想法,按照这种用户量发展下去,mysql在容器中运行用不了多久肯定会撑不住。

 笔者就开始隐隐的担忧起来,毕竟不想每天提心吊胆的做运维。所以立马重新规划了新的方案和大家一起探讨,最终总监和相关技术负责人都敲定用RDS做为数据库新的方案,周星驰的功夫中也说道过:“天下武功,唯快不破”。就立马开始动身干起来。

2迁移计划

2.1原架构图

分析架构图

1、从入口层(CDN)---> 到安全层(WAF) ---> 最后到达应用层 (ECS集群); 2、Docker Swarm打通了ECS集群中的每台服务器,在每台ECS宿主机安装Docker engine并部署了公司需要的应用服务和数据库(nginx、php、redis、mysql等); 3、mysql容器通过宿主机的本地(目录)挂载到容器中实现数据持久化; 4、业务项目以php为主,php也是运行在容器中,通过php指定的配置文件连接到mysql容器中。

其中一个库的 docker-compose yaml文件

笔者就随便展示一下其中一个库的yaml文件,比较简单:

version: "3"
services:
  ussbao:
    # replace username/repo:tag with your name and image details
    image: 隐藏此镜像信息
    deploy:
      replicas: 1
      restart_policy:
        condition: on-failure
    environment:
      MYSQL_ROOT_PASSWORD: 隐藏此信息
    volumes:
      - "/data//mysql/db1/:/var/lib/mysql/"
      - "/etc/localtime:/etc/localtime"
      - "/etc/timezone:/etc/timezone"
networks:
  default:
    external:
      name: 隐藏此信息

从上面的信息可以看出来,每个库只运行了一个mysql容器,并没有主从或读写分离的方案。而且也没有对数据库进行做任何优化,数据库这样跑下去让笔者很担忧,正常来说,都会把数据库独立部署运行。

2.2调整后架构图

 从上图可以看出来,笔者只是把mysql独立出来了,开通RDS实例来跑数据库,当然还开通了其它的一些服务(比如oss、云redis等),这些不是本文的重点,就没有画出来。nginx和php服务还是在docker swarm中运行。本文只是对迁移后出了问题的库进行分享,下面来看看迁移的方案吧。

2.3 迁移流程方案

开通RDS实例 ---> 备份sql ----> 导入到RDS ---> 修改数据库配置文件 --->测试验证

1、根据业务量规划开通RDS实例,创建数据库和用户; 2、提前做好RDS白名单,添加允许访问RDS的IP地址; 3、mysqldump 备份docker 中的mysql; 4、把备份好的.sql文件导入到RDS中; 5、修改php项目的数据库配置文件; 6、清空php项目的缓存文件或目录; 7、测试验证; 8、RDS定时备份;

 具体迁移细节就不展示了,笔者是在夜深人静的时候进行迁移操作的,确定大半夜没人访问我们的APP和网站了才开干的。

 我们的业务情况还有点像股市,我们是晚上12点不许操作和交易,第2天早上9点开盘,9点钟是并发的高峰期,就像朝阳大悦城上午开门一样,大批的顾客同时并发过来了。

 所以那天晚上在12点15分准时开干,按计划和提前准备的配置、命令、脚本进行操作的。把docker 中运行的mysql迁移到RDS上非常顺利,好几个库迁移不到半个小时就结束了,并且把网站和APP的流程都跑了一遍,也都是妥妥的,最终把提前准备好备份脚本放在crontab中定时执行,可以来看下脚本内容:

#!/bin/bash
#数据库IP
dbserver='*******'
#数据库用户名
dbuser='ganbing'
#数据库密码
dbpasswd='************'
#备份数据库,多个库用空格隔开
dbname='db1 db2 db3'
#备份时间
backtime=`date +%Y%m%d%H%M`
out_time=`date +%Y%m%d%H%M%S`
#备份输出路径
backpath='/data/backup/mysql/'
logpath=''/data/backup/logs/'
 
echo "################## ${backtime} #############################" 
echo "开始备份" 
#日志记录头部
echo "" >> ${logpath}/${dbname}_back.log
echo "-------------------------------------------------" >> ${logpath}/${dbname}_back.log
echo "备份时间为${backtime},备份数据库 ${dbname} 开始" >> ${logpath}/${dbname}_back.log

#正式备份数据库
for DB in $dbname; do
  source=`/usr/bin/mysqldump  -h ${dbserver} -u ${dbuser} -p${dbpasswd} ${DB} > ${backpath}/${DB}-${out_time}.sql` 2>> ${backpath}/mysqlback.log;
  #备份成功以下操作
  if [ "$?" == 0 ];then
    cd $backpath
    #为节约硬盘空间,将数据库压缩
    tar zcf ${DB}-${backtime}.tar.gz ${DB}-${backtime}.sql > /dev/null
    #删除原始文件,只留压缩后文件
    rm -f ${DB}-${backtime}.sql
    #删除15天前备份,也就是只保存15天内的备份
    find $backpath -name "*.tar.gz" -type f -mtime +15 -exec rm -rf {} \; > /dev/null 2>&1
    echo "数据库 ${dbname} 备份成功!!" >> ${logpath}/${dbname}_back.log
  else
  #备份失败则进行以下操作
  echo "数据库 ${dbname} 备份失败!!" >> ${logpath}/${dbname}_back.log
  fi
done

echo "完成备份"
echo "################## ${backtime} #############################"

到了1点钟,确定没问题后发通知到群里,发微信给领导表示已迁移完成,进行很顺利,然后笔者打车回家,睡觉。

3雪崩来临

其实这一晚笔者睡得也不踏实,到了8点半就醒了,因为我们9点钟开盘,会有大量的客户涌进,每天开始产生新的交易(买入和卖出),给大家看下截图:

果不其然,9点过后,笔者打开APP,一切正常,点击切换几个界面后,发现其中一个功能的请求超时了,一直在转,然后紧接着其它功能也超时了。完了,出问题了。赶紧开笔记本查问题,过了一会儿群里就开始沸腾了(反映好多客户打开APP都显示请求超时了),我的电话也立马响了,技术总监打来的,问我怎么回事,我说正在开笔记本排查。

这个时候,我要说明一下:运维人员此时需要冷静并且安静的处理问题,公司领导千万别催得太急以免打乱处理人的思路。我们总监临场处理能力做得真是非常到位,马上跟我说不用担心上面压力,有他扛着,叫我只管排查和解决问题。

4紧急处理

4.1 排查问题

笔记本打开后,首先想到的就是RDS数据库出了问题,登录阿里云,进入RDS中的DMS数据管理控制台,一进去就傻眼了 “CPU爆了”,这么多连接数,如下图:

进入会话去看看,发现会话“炸锅了”,发现几百页的select都挤在ub_user_calculate这个表中,这个表是数据量相对大一些,这张表目前有200多万条数据: ![]

自然反应就是去查看此表的结构,发现此表没有索引,被惊讶到了,竟然没有索引,这...... 然后笔者返回源数据库查看这张表,也发现没有索引,由此可以确定我导过来的这张表就是没有创建索引,如下图:

分析:当数据库中出现访问表的SQL没创建索引导致全表扫描,如果表的数据量很大扫描大量的数据,执行效率过慢,占用数据库连接,连接数堆积很快达到数据库的最大连接数设置,新的应用请求将会被拒绝导致故障发生。

4.2 解决问题

赶紧把此事反应给开发负责人,表明问题根源找到了,会话锁死了,由其中的一张表没有索引而导致的,问询问需要给哪几个字段加索引。然后接着操作增加索引:

点击保存后,发现创建索引的sql一直卡死着,,如下图所示: 突然想起来还有一堆会话在那里,先kill 掉所有会话吧,不然索引肯定创建不了,然后又发现会话根本杀不完,如下图:

怎么办呢?会话杀不完...

没办法,先把访问入口切断吧,反正现在用户访问也超时,就毅然绝对先把域名停了,访问入口给切断了,然后在增加索引,索引加上了。

入口也断了,索引也加上了,发现CPU还下去,如下图:

为了快速让CPU降下去,重启这个实例吧:

实例重启完后,CPU下去了,会话也下去了:

开启入口层的域名访问吧,在次观察现在的会话和CPU等况,如下图:

这就对了,会话也正常了,通知领导业务恢复。。。

笔者后期补的一张图:在来看一下服务器CPU情况(迁移MYSQL后的情况),明显逐渐好转。

5索引使用策略及优化

创建索引

  • 在经常查询而不经常增删改操作的字段加索引。
  • order by与group by后应直接使用字段,而且字段应该是索引字段。
  • 一个表上的索引不应该超过6个。
  • 索引字段的长度固定,且长度较短。
  • 索引字段重复不能过多,如果某个字段为主键,那么这个字段不用设为索引。
  • 在过滤性高的字段上加索引。

使用索引注意事项

  • 使用like关键字时,前置%会导致索引失效。
  • 使用null值会被自动从索引中排除,索引一般不会建立在有空值的列上。
  • 使用or关键字时,or左右字段如果存在一个没有索引,有索引字段也会失效。
  • 使用!=操作符时,将放弃使用索引。因为范围不确定,使用索引效率不高,会被引擎自动改为全表扫描。
  • 不要在索引字段进行运算。
  • 在使用复合索引时,最左前缀原则,查询时必须使用索引的第一个字段,否则索引失效;并且应尽量让字段顺序与索引顺序一致。
  • 避免隐式转换,定义的数据类型与传入的数据类型保持一致。

参考:https://help.aliyun.com/document_detail/52274.html?spm=a2c4g.11174283.6.812.ZGPyBQ

6总结

1、此次故障虽然是表没有索引造成的,但是笔者是有责任的,没有挨个表检查一下表的结构; 2、通过此次故障也可以看出来开发在设计表的真的要非常的重视,注意细节; 3、还有就是之前在容器中运行的mysql也时不时的出现CPU瓶颈(比如CPU使用率偶尔会达到80%以上),笔者应该就要提前发现这些问题,彻底排查找出问题所在原因在进行迁库的操作。

本章内容到此结束,喜欢我的文章,请点击最上方右角处的《关注》!!!