自动化运维技术方案

转载

mob64ca140088a9 2024-10-31 18:03:11

文章标签 自动化运维技术方案数据库运维大数据 MySQL 文章分类 运维

前言

互联网时代，数据库如何满足敏捷开发、敏捷交付的要求？传统靠DBA人肉执行的方式，但在面对大量业务需求时，DBA手速再快，记忆力再好估计也不能提供好的数据库服务。在介绍自动化运维之前，我们先来了解下如何使用数据库。

数据库的使用方式主要有两种：

应用混合部署（实例）：有新数据库需求时，很多人都会选择找个实例，建个数据库和帐号提供给业务。

好处是能快速提供数据库服务，这种方式在数据库运维的过程中会出现一些问题：

第一，相互影响，个别应用有问题会影响所有数据库；
第二，应用DB的性能指标（QPS，TPS，RT...）不能获取；
第三，定位问题源困难；
第四，资源使用不合理。

为了解决以上问题，最终会有拆库的过程，拆过库的同学都知道，一个拆库动作需要确认很多东西，所花费的时间是非常多的，过程中容易产生故障。

应用独享（实例）：在虚拟化，微服务深入人心的今天，应用独享实例是数据库给出的解决办法。我们做到的是所有应用独享实例（分库分表的应用如：分成32个库的应用，业务初期阶段会分布在几个实例中，业务确实需要更多资源时再进行自动化拆库扩容）。这种方式需要大量的实例，传统单机单实例的运维体系就需要演变成单机多实例的方式。

由此引出会有一系列问题需要解决：

如何快速提供数据库服务？
如何避免数据库资源合理分配？
数据库监控怎么做？
多实例数据库HA怎么做？

MySQL的标准化与自动化

我们实现的MySQL自动化运维体系能够解决规模化的痛点，主要包括实例创建、部署、监控、备份、HA切换、迁移、扩容等方面的自动化，所有模块的主发点是要能“自动化”的方式运作，尽量少的人为参与。

一、标准化

数据库上了一定规模后，数据库的各方面都需要标准规范起来，才能接下去做自动化。实例上的标准化我们主要做了以下几点：

1、应用独享实例

2、数据库Ｍ<==>S结构，备库不提供业务流量（异地容灾除外）

很多人会选择一主多备，备库提供读流量。这种架构引起的故障挺多的，因为备库一定会存在延时，备库机器也会挂掉。事实上大部分时候流量都在主库是没问题，如果确实主库压力真的太大怎么办，我们应该及时发现问题并作出应对（方法可以是缓存＋拆库）。

3、MySQL标准化（带thread_pool 功能MySQL）

数据库版本一致
“相同”的my.cnf（除个别个性参数如server_id,buffer_pool_size等）
文件目录一致

二、构建MySQL自动化运维体系

一套好的大规模运维体系DBManage，整体思路是让一切自动化起来，不需要打通机器间的信任关系，避免或减少人为参与。

自动化运维技术方案_数据库

1、多实例创建

一台机器上面开启多个不同的端口，运行多个MySQL服务进程，共用MySQL程序，使用不同配置文件，提供服务。

关键点：

“相同”的my.cnf（除个别个性参数如server_id,buffer_pool_size等）
数据文件目录标准化
创建实例（1.初始化一个标准的数据库，2.新建实例通过rsync控制速率，通过修改 " my.cnf " 文件新建不同实例，因为mysql_install_db安装新实例会占用过多IO)

2、元数据与监控

数据库监控没有采用类似“lepus”的方式，中心控制的方式对于规模化精细化数据库管理冲突。

中心化存在问题：

增加实例需要手动录入；
不能获取响应时间RT(tcprstat)；
不能获取主机性能数据等等。

我们采用自研 db_agent 实现实例的自动发现，各项元数据及性能数据采集，告别人工处理。

每台数据库服务器上运行db_agent；自动发现实例，自动采集实例数据，主机数据，磁盘数据，自动添加监控。db_agent主要实现以下功能。

采集实例信息(数据库列表，复制信息，表元数据等等)
心跳更新（每秒更新，因为show slave status的延时是不可靠的）
数据库性能数据( QPS, TPS......)
数据库响应时间RT(tcprstat)
实时慢SQL
主机性能数据(告别Zabbix)

3、备份

数据库机器部署备份脚本（不区分是否主备机器），告别手动配置。

只备份备库（备份前判断脚色）
多实例并发控制（控制速率及时间）
直接写入HDFS 或Server（推荐HDFS存储）

4、本地执行agent

远程操作DB机器（创建实例，恢复数据库，etc），通过自定义一些消息调起DB机器对应脚本进行操作。

5、监控告警

基于db_agent采集数据，性能画图及告警。性能数据写入graphite。

6、MySQL高可用

传统的使用MHA做MySQL HA架构是比较通用的方案，主要特点：通过Health Check 监控MySQL集群，应用通过VIP访问MySQL，VIP通过keepalive选主。这里不展开这种方式和一些改进型（Zookeeper +MHA）的痛点，主要讲下多实例下基于Zookeeper是怎么实现MySQL自动化高可用。

改造后的HA架构，跟通常架构的区别在于我们去掉了MySQL集群里的VIP，使用VDDS替代；完全去掉MHA。通过Zookeeper分布式，实现ha_console的高可用。

自动化运维技术方案_自动化运维技术方案_02

整个流程是：

VDDS(微店分布式数据库) 新建应用配置
ha_agent向Zookeeper注册临时节点，并实时更新实例信息。

{
    "source_db_role": "slave",
    "master_instance": "192.168.1.12_3306",
    "repl_status": "ok",
    "h_time_delay": 0,
    "repl_delay": 0,
    "last_change_time": "2016-10-15-01:00:45"
}
 
• ha_console根据Zookeeper节点信息构造切换元数据（包括延时，切换对象，复制状态）
 
"192.168.1.11_3306": "{
    "source_db_role": "master",
    "master_instance": "192.168.1.12_3306",
    "repl_status": "ok",
    "h_time_delay": 0,
    "repl_delay": 0,
    "last_change_time": "2016-10-15-01:00:45"
}"

ha_console监听alive目录临时节点
alive目录临时节点消失进行切换（判断延时及复制状态，不符合条件不切换），切换VDDS和数据库
切换前记录切换信息（slave：master_log_file: mysql-bin.000007，exec_master_log_pos: 57830。主库恢复后，用来生成日志解析）

场景一：实例Crash，实例所在的服务器正常运行，ha_agent运行正常。

实例Crash，ha_agent 正常运行，主动删除Zookeeper 临时节点，ha_console 判断数据库角色，是主库走切换流程。原实例起来之后，作为备库运行。

场景二：实例所在的主机Crash。（实例和ha_agent同时Crash）

此时，由于ha_agent和实例同时Crash，Zookeeper到ha_agent间的通讯失败。Zookeeper 等待超过租约的时间，ha_console 判断数据库角色，是主库走切换流程。原实例起来之后，作为备库运行。

场景三：实例正常，网络异常。

网络异常会发生大量实例掉线或部份异常。大量节点异常：ha_console判断时间范围内异常实例数量，超过阀值不进行切换，同时切换过程：切换脚本会去判断数据库状态，避免误切。（Zookeeper client 连接掉线后，尽管实例及ha_agent正常运行，节点不能重用必须等待超时)

特点：完全不需要人工建入，切换元数据自动构建，所有实例自动注册，构造完整的切换元数据，避免了繁锁的配置或配置出错导致不能切换。

7、DBTask

通过DBTask 替代人工操作。实现了数据库创建，配置VDDS, 数据库迁移，拆库扩容，恢复等等。整体思路是分解动作，每个脚本干一件事，再串起所有脚本。以数据库迁移为例我们可以分解为各个子任务，串起任务就是一个完整的自动化数据库迁移任务。

数据库迁移：