Flink CDC引起的Mysql元数据锁

记一次Flink CDC引起的Mysql元数据锁事故，总结经验教训。后续在编写Flink CDC任务时，要处理好异常，避免产生长时间的元数据锁。同时出现生产问题时要及时排查，不能抱有侥幸心理。

1、事件经过

  1. 某天上午，收到系统的告警信息，告警提示：同步Mysql的某张表数据到Elasticsearch异常，提示连不上Mysql，当时没有太上心，以为可能是偶尔网络异常。

  2. 然后立马大量用户开始投诉系统使用有问题，同时听到有同事反馈内部系统数据导不出来。此时我慌了。

  3. 立马看了微服务网关、用户中心服务、部分流量比较大的BFF层服务，CPU、内存、磁盘等都是正常的。但是Pod出现了健康检查失败的情况。

  4. 于是又赶紧看了日志，出现了大量拿不到Mysql Connection异常。

  5. 又赶紧看了Mysql情况，CPU、内存、磁盘都是正常的，但是出现了许多奇怪的慢SQL。

  6. 此时我大概猜测到了可能是什么操作锁表了，导致大量Connection无法释放，又赶紧看了Mysql锁的情况，果然发现了大量的元数据锁，高达400多个Connection没释放。

2、处理步骤

  1. 既然出现了元数据锁，导致这么多Connection没有释放，那就找出占用时间最长的那个会话kill掉。陆续kill了几个会话后，系统恢复了。
  2. 系统恢复后，又去看了慢SQL，发现主要有两块高频慢SQL，一块是Flink相关的，另一块是Nacos相关的。后来经过分析：元数据锁是因为Flink CDC执行FLUSH TABLES WITH READ LOCK导致的，跟Nacos无关，Nacos只是个烟雾弹。
# Flink相关的：
SHOW CREATE TABLE `xxx_db`.`xxx_table`;
FLUSH TABLES WITH READ LOCK;

# Nacos相关的：
DELETE FROM config_info WHERE data_id='com.alibaba.nacos.testMasterDB';
  1. 防止事故再次发生，又把Flink CDC任务里的SQL方式换成了API方式。Flink CDC使用SQL方式时，会产生大量任务，占用更多的资源，也容易出现任务异常。

3、原因分析

3.1、元数据锁

  • 以上关于锁的截图，可以看到是元数据锁引发的Connection被耗尽，那什么是元数据锁：
    • 元数据锁（Meta Data Lock，MDL），用于锁定数据库对象的元数据，例如：表、索引、视图等的结构信息。通常用于保证并发的数据定义语言（DDL）操作的一致性，防止在修改表结构的过程中出现并发问题。
    • 其作用是用于解决DDL操作与DML操作的一致性；通常，DDL操作需要获取MDL写锁，并且MDL锁一旦发生，就可能会对数据库的性能影响，因为后续对该表的任何Select、DML、DDL操作都会被阻塞，造成Connection积压。
  • 为什么要有元数据锁：
    • 主要为了保证元数据的一致性，用于处理不同线程操作同一数据对象的同步与互斥问题。比如需要事务隔离场景、主从同步场景。
  • 元数据锁和Innodb锁的区别：
    • 元数据锁主要关注数据库对象的元信息，而InnoDB锁主要关注数据的一致性和隔离性。
    • MDL锁还能实现其他粒度级别的锁，比如：全局锁、库级别的锁、表空间级别的锁。这是InnoDB存储引擎不能直接实现的。
  • 锁表的原理是数据库使用独占式锁机制。锁表发生在 insert、update、delete中。比如：A程序执行了对table_1的insert、update、delete，并还未commit时，B程序也对table_1进行insert、update、delete时会发生资锁表。

3.2、Flink CDC为什么引起元数据锁事故

笔者使用Flink场景是，利用Flink CDC同步数据，然后做汇总统计。

MySQL CDC如何工作

  1. 在 CDC 过程中，Flink 需要定期读取数据源的变化并进行处理。需要元数据锁 确保在读取元数据（例如数据库表的结构信息）时，没有其他并发的操作修改了这些元数据，从而保证 Flink 的元数据和实际数据的一致性。
  2. 启动MySQL CDC源时，它将执行FLUSH TABLES WITH READ LOCK，获取一个全局读取锁，防止其他会话对这些表进行写操作，从而保证捕获的数据的一致性和准确性。该锁将阻止其他写入操作。
  3. 然后，它读取当前binlog位置以及数据库和表的schema。
  4. 之后，将释放全局读取锁。然后，它扫描数据库表并从先前记录的位置读取binlog。
  5. 如果发生故障，任务将重新启动。

元数据锁原因

  1. 因为Flink CDC启动时执行FLUSH TABLES WITH READ LOCK直接上读取锁，由于时间较长，此时有大量的insert、update、delete操作一直处于等待，导致Mysql Connection无法释放。
  2. 正好此时，Flink CDC执行同步任务时，又出现了异常，然后任务重启，重启后是上锁，结果出现了恶性循环。导致更多的的insert、update、delete操作处于等待，导致更多的Myql Connection无法释放，直接Connection全部耗尽。
  3. 然后所有应用都拿不到Mysql Connection，所以系统彻底不可用了。
  4. 至于Nacos为什么会执行DELETE FROM config_info WHERE data_id='com.alibaba.nacos.testMasterDB'呢？查阅资料后发现，Nacos也是从Mysql获取Connection的，当Mysql出现问题时，比如死锁、Connection耗尽、CPU打满时，都会执行这个SQL。

======>>>>>> 关于我 <<<<<<======

本篇完结！欢迎点赞 关注 收藏！！！

原文链接：https://mp.weixin.qq.com/s/36lqDS6Xli49LKyZQ56CcA

posted @ 2024-02-01 11:27  程序员半支烟  阅读(287)  评论(0)  编辑  收藏  举报