数仓备份经验分享丨详解roach备份原理及问题处理套路

本文分享自华为云社区《GaussDB(DWS) 备份问题定位思路》,作者: yd_216390446。

前言

在数据库系统中,故障分为事务内部故障、系统故障、介质(磁盘)故障。对于事务内部故障和系统故障,使用日志自动恢复,不需要人工参与。但对于介质故障,需事先备份数据。

那么对于DWS来说是如何进行备份的呢?以及备份的过程中容易出现哪些问题,又怎样去排查、解决呢?

本文主要讲述了DWS备份工具roach的备份的原理,以及常见的问题处理套路和相关案例。

一、备份原理

全量备份

本文主要说的备份均为物理备份,即通过物理文件拷贝的方式对数据库进行备份,通过备份的数据文件和日志等文件,数据库可以进行完全恢复。

全量备份大致分几个阶段:备份行存、创建barrier点、备份xlog、备份列存。

  • 备份行存:每个节点的主DN的数据,压缩存到rch文件中
  • 创建barrier点:保证CNDN上的所有的事务处于一致的状态,恢复到这个点比较可靠,创建时会在XLog中写入一条记录。
  • 备份xlog:备份startLSN和stopLSN之间的xlog
  • 备份列存:由于列存不写xlog,因此放在最后,其中列存的cudesc文件已在备份行存阶段备份

整体流程如下图所示

cke_136.png

容易出现的问题:

  • 禁用xlog回收容易造成集群只读
  • 延迟DDL也会引起集群只读

注意的点:

  • 备份过程必须开启FPW
  • 备份XLog拷贝start_lsn和end_lsn之间的xlog
  • 备份列存的时候才会开启DDL

为什么要有延时DDL?

DDL操作:alter/truncate/autovacuum/drop/vacuum full/insert overwrite 这些会改变relfilenode的语句,DDL操作在拿到行列存清单后,如果用户进行drop操作,为了保证文件存在,所以要开启延迟DDL

增量备份

cke_137.jpeg

增量备份是基于某次备份进行的,在增量备份的命令中需要增加参数–prior-backup-key来表明是基于哪一次的备份。采用cbm文件识别增量页面。增量备份分为累计增量和差分增量两种

  • 累计增量:每次备份都是基于同一个全量备份,备份的内容为全量备份与当前时刻的数据修改
  • 差分增量:每次备份都是基于上一次的备份,备份的内容为两次备份之间的数据修改

增量备份的原理:

  • 只拷贝上次并备份至今的数据修改部分,拷贝最小单位是block(8KB)
  • 集群首次备份时,GaussDB内核会开启guc参数,enable_cbm_tracking=on,然后内核会持续记录数据库文件哪些block被修改过,记录在pg_cbm目录下。
  • 增量备份时,查询cbm文件精准获得修改过的block存入内存,然后实施lz4/zlib压缩算法,写入备份介质。
  • 增量恢复时,从增量备份集获取各个增量的block内容,对应修改数据库文件相应的block。
  • 注意:该guc参数被关闭,或cbm文件被误删后,只能重新做全量备份,无法继续做增量

cbm文件是什么?

changed block map,对外提供数据页面的修改情况,并提供外部接口,根据cbm信息可以直接获取两次备份之间发生对于数据文件(行存、列存)的增量修改信息,并备份

cke_138.png

备份对于系统的影响:

  • 备份占用系统IO,业务慢
  • 延迟DDL,导致xlog积压,磁盘空间上涨
  • 增量备份易造成cbm文件积压,导致集群只读

二、问题定位套路

1)备份调用流程

DWS管控面/FI管控面-> GaussRoach.py/SyncDataToStby.py -> gs_roach内核

管控面调用roach的python脚本,python脚本进行解析参数,并调用内核侧的gs_roach命令。

2)备份失败需要查看日志路径:

  • HC/HCS/HCSO集群
    • 管控面调用日志: 沙箱外 /home/Ruby/log/cloud-dws-deploy.log
    • 管控面归档日志:沙箱外 /home/Ruby/archivelog
    • 内核日志:沙箱内 /var/chroot/DWS/manager/backup/log
  • 线下集群
    • 内核日志:$GAUSSLOG/roach/agent
    • Python侧日志:$GAUSSLOG/roach/controller
  • obs日志:
    • 沙箱内 cd $GAUSSLOG/bin/gs_obs
    • vi gs_obs.run.log查看对应的出错号此处注意的是obs日志需要到具体出错节点上查看

cke_139.png

3)常用grep命令:

​ 查看主节点ip: grep “Master Ip” roach_agent*.log

​ 查看备份进度:grep “Setting agent state to” roach_agent*.log

​ 查看备份时间:grep “Time taken” roach_agent*.log | grep “MASTER”

​ 查看备份是否成功:grep “Backup operation SUCCESSFUL. Backup key” roach_agent*.log

​ 查看roach_client ip:grep “Success to connected Remote Media” roach_agent*.log

​ 查看线程分配情况:grep “allotInstanceForMyProc” roach_agent*.log

​ 查看备份命令参数:grep “command_dict” roach_controller*.log

​ 如果文件被打包,使用“zgrep命令查看即可”

4)备份关键日志

关键字

说明

Creating Thread Roach Agent

开始创建agent进程

RAGENT_EXEC_PREPARING_METADATA com

开始准备metadata清单

enter the callback of rowstore copy

开始备份行存

performBackup enter

真正开始执行落盘到rch

start delay ddl recycle before col file copy

开启延迟DDL

Setting agent state to [AGENT_CREATING_BARRIER]

开始创建barrier

RAGENT_EXEC_BACKUP_XLOGFILES come

agent开始备份xlog

enter the callback of colstore copy

开始备份列存

stop delay ddl recycle after having copied all col files

关闭延迟DDL

Setting Master state to [PERFORM_BOOKKEEPING_INFO]

备份结束,master节点开始汇总结果

三、相关案例

(1)细粒度备份报错Failed to connect to gauss(xxx) via libqp

【问题描述】备份时agent报错Failed to connect to gauss(host:local , port: 25308) via libpq, ERROR: connection pointer is NULL

cke_140.jpeg

cke_141.jpeg

【排查方案】

  1. 由于报错连接时“host:25308”,因此查看对应时间节点的cn日志
  2. cn报错 FATAL: “base/2278052” is not a valid data directory,怀疑是该数据库的问题
  3. 手动连接该数据库,发现也连不上
  4. dn实例目录下查看该目录并不存在,为残留导致
  5. drop database删除该数据库后备份成功

【问题原因】数据库存在残留文件

【规避方法】删除该数据库下的残留文件

(2)备份随机失败

【问题描述】NBU 问题导致备份随机失败

【排查方案】

  1. 查看controller日志,显示第一个报错的节点为xx.xx.xx.148
  2. 到上述节点查看agent日志,报错"Incomplete Message from Roach client",发现日志指向media server,因此查看roach client日志

    cke_142.jpeg

  3. 怀疑是nbu的问题,到对应的roach_client节点查看相应日志,通过grep “Success to connected Remote Media” roach_agent*.log,找到roach_client的ip地址,ssh到对应的roach_client节点,对应的报错为NBU内的报错,“call NbuManager::CreateFile error”,协同NBU侧的同事排查

    cke_143.jpeg

【问题原因】一般情况下,上述情况是由于roach侧并发太大,导致NBU负载大,备份报错,但具体细节还得协调NBU同时排查

【规避措施】如果是并发问题,建议调大filesplit-size参数并减小parallel-process参数,重新拉起备份

什么情况下协同NBU同事排查?

一般roach_client日志出现xbsa 、或者create file等关键字时

(3)master和agent连接失败导致备份失败

【问题描述】master和agent连接失败导致备份失败

【涉及版本】

【排查方案】日志报错Master和agent连接失败,Agents did not connect in 600 seconds.

cke_144.jpeg

【问题原因】

HCS环境下只开放了55000和56000端口,端口未开放导致报错

【问题规避】

方案1:修改roach命令端口

方案2:开放对应端口

(4)细粒度备份找不到文件信息报错

【问题描述】细粒度备份时报错Error:Getting file info failed.

【涉及版本】

【排查方案】查看报错节点agent日志,出现Backup main fork of relation xxx failed, Error: Getting file info failed.

cke_145.jpeg

【问题原因】细粒度备份期间不支持DDL操作。细粒度备份前会生成所有表的MAP文件,记录涉及的表名、以及表的相关表等信息,所有涉及到修改relfilenode的DDL操作的语句都会导致备份失败,例如alter/truncate/autovacuum/drop/vacuum full/insert overwrite等

【问题规避】

方案1:备份和涉及到DDL的业务时间错开

方案2:适当减少每次备份涉及的表,可以降低由于DDL引起的备份失败率

(5)备份过程报错内存暂时不可用

【问题描述】备份dump元数据阶段报错 memory is tempararily unavailable.

【排查方案】

controller报错 memory is tempararily unavailable.

【问题原因】参数cpu-cores过大,导致内存慢

【问题规避】调小cpu-cores参数

(6)大集群下roach读取cms频繁导致集群状态不稳定

【问题描述】备份发起时,管控面显示集群状态异常,大集群下gs_roach启动时会频繁访问cms读取集群状态,导致cm_ctl查询集群状态不稳定

【涉及版本】821以下版本(不包括821版本)

【排查方案】

  1. 查询cm_server日志(roach启动之后的时间点),报错"CmPqPutMessage return error ret=xx"

    cke_146.jpeg

  2. $GAUSSLOG/bin/cm_ctl日志,报错"send query msg to cm_server failed"

    cke_147.jpeg

【问题原因】

在roach启动期间,频繁调用cm_ctl命令,而集群节点数多,并发数高,会导致页面集群状态监测的脚本执行cm_ctl失败

【问题规避】

升级到821版本

四、常见问题汇总

cke_148.png

cke_149.png

相关文档:

华为云数仓GaussDB(DWS)备份恢复的实现:https://bbs.huaweicloud.com/blogs/185928

数仓GaussDB(DWS)全量备份总结:https://bbs.huaweicloud.com/blogs/242694

 

点击关注,第一时间了解华为云新鲜技术~

 

posted @ 2023-08-16 14:13  华为云开发者联盟  阅读(301)  评论(0编辑  收藏  举报