mesos agent recovery 详细过程分析

mesos agent 在升级完成后，将会 start mesos agent service, 会打印出一些 （flags, resources, attributes, hostname etc), 然后从目录 /data/mesos/meta 中恢复 mesos agent 状态。与此同时，Group 进程会连接到 ZooKeeper 上，并同步一些 group 操作（比如：joins, cancels, datas 的队列大小等）。然后采用消息摘要算法完成与 ZooKeeper 的认证。

之后，开始恢复运行在其上的框架（frameworks ) 信息。先恢复框架的 executors ，（与此同时，垃圾回收会启动定时任务（比如在多少天之后回收）以回收该 executor 的资源，这个部分可能会执行。）

即 recovering executors -> recovering Docker containers -> Recovering containerizer -> provisioner recovery complete .

恢复 docker container 原理是：会将之前的 container 信息 (container id, slaveId, container state, executorcontainer, pid etc ) 先保留下来, 以创建一个新 container 的方式复制保存。

之后把之前的老的 container 销毁。销毁的顺序是: 先让该container 中的 executor 退出，然后 destroy container.

这时，group 会在 zookeeper 中创建一个数据存储的目录。detector 会侦测 leading master

在 slave 这边，slave 开始从 checkpoint 恢复，同时会回调 container termination 操作，如果设置了重连接 flag, 则会发送重连接 executor 请求 。

slave 将 framework 的 task 状态更新成 TASK_FAILED，并更新该 task 对应的 container resources 信息。

status_update_manager.cpp 会接收 TASK_FAILED 的状态更新并更新检查点

如果该 slave 正处在 RECOVERING 状态，slave 会丢弃 TASK_FAILED 状态更新。

最后，slave 会清除所有未重新注册的 executors 。此时，mesos agent 完成 recovery 操作了。

status_update_manager.cpp 会 Resuming sending status updates， 并发送两次 Resending status update TASK_FAILED 给 slave 。然后 slave.cpp 会将该 task 的 TASK_FAILED 状态 forward 给 mesos master .

之后，status_update_manager.cpp 会收到 Received status update acknowledgement 并且会 Checkpointing ACK for status update TASK_FAILED

由于 TASK_FAILED ，此时 slave 会清掉该 task 对应的 executor。gc.cpp 也开始对该 task 的资源进行垃圾回收。

因此，最后在该 agent 上跑的 task 的 executor 都会被清除并将所有的资源回收，该 task 的 FAILED 的状态会由 该 agent 汇报给 master ，所以 该失败 task 如果不在当前 agent 上重新注册执行就会在另外一个 agent 上重新执行。。。

如果是在当前 agent 上执行，则 slave 会接收到该任务，并加入到 queue 队列并准备执行， docker 会为其准备启动 container 并检查 checkpoint , systemd 会分配一个 pid 给 mesos_executors.slice 。slave 此时，会得到 executors 重新注册的消息，并将在队列中的 task 发给那个 executor , 并更新成 TASK_RUNNING 状态，slave 也会将该状态转发给 master , 此时 task 恢复执行了。