前言
我們的分庫分表中間件在線上運行了兩年多，到目前為止還算穩定。在筆者將精力放在處理各種災難性事件(例如中間件物理機宕機/數據庫宕機/網絡隔離等突發事件)時。竟然發現還有一些奇怪的corner case。現在就將排查思路寫成文章分享出來。
Bug現場
應用拓撲
應用通過中間件連後端多個數據庫,sql會根據路由規則路由到指定的節點,如下圖所示:
錯誤現象
應用在做某些數據庫操作時，會發現有比較大的概率失敗。他們的代碼邏輯是這樣:
<code> int
count
= updateSql(sql1); ... intcount
= updateSql("update test set value =1 where id in ("
100
","
200
") and status = 1; if( 0 == count ){ throw new RuntimeException("
更新失敗"); } ...... int count = updateSql(sql3); ...
/<code>即每做一次update之後都檢查下是否更新成功，如果不成功則回滾並拋異常。 在實際測試的過程中，發現經常報錯，更新為0。而實際那條sql確實是可以更新到的(即報錯回滾後，我們手動執行sql可以執行並update count>0)。
中間件日誌
筆者根據sql去中間件日誌裡面搜索。發現了非常奇怪的結果,日誌如下:
<code>
2020
-03
-13
11
:21
:01
:440
[NIOREACTOR-20
-RW] frontIP=>ip1;sqlID
=>12345678
;rows
=>0
;sql
=>update testset
value =1
where idin
("1"
,"2"
) and status =1
;start
=>11
:21
:01
:403
;time
=>24266
;2020
-03
-13
11
:21
:01
:440
[NIOREACTOR-20
-RW] frontIP=>ip1;sqlID
=>12345678
;rows
=>2
;sql
=>update testset
value =1
where idin
("1"
,"2"
) and status =1
;start
=>11
:21
:01
:403
;time
=>24591
; /<code>由於中間件對每條sql都標識了唯一的一個sqlID,在日誌表現看來就好像sql執行了兩遍!由於sql中有一個in，很容易想到是否被拆成了兩條執行了。如下圖所示:
這條思路很快被筆者否決了，因為筆者explain並手動執行了一下，這條sql確實只路由到了一個節點。真正完全否決掉這條思路的是筆者在日誌裡面還發現，同樣的SQL會打印三遍！即看上去像執行了三次，這就和僅僅只in了兩個id的sql在思路上相矛盾了。
數據庫日誌
那到底數據真正執行了多少條呢？找DBA去撈一下其中的sql日誌，由於線下環境沒有日誌切割，日誌量巨大，搜索時間太慢。沒辦法，就按照現有的數據進行分析吧。
日誌如何被觸發
由於當前沒有任何思路，於是筆者翻看中間件的代碼,發現在update語句執行後,中間件會在收到mysql okay包後打印上述日誌。如下圖所示:
注意到所有出問題的update出問題的時候都是同一個NIOREACTOR線程先後打印了兩條日誌，所以筆者推斷這兩個okay大概率是同一個後端連接返回的。
什麼情況會返回多個okay?
這個問題筆者思索了很久，因為在筆者的實際重新執行出問題的sql並debug時，永遠只有一個okay返回。於是筆者聯想到，我們中間件有個狀態同步的部分,而這些狀態同步是將set auto_commit=0等sql拼接到應用發送的sql前面。即變成如下所示:
<code>sql可能為
set
auto_commit=0
set
charset=gbk;>update testset
value
=1
where
idin
("1"
,"2"
) and status =1
; /<code>於是筆者細細讀了這部分的代碼，發現處理的很好。其通過計算出前面拼接出的sql數量，再在接收okay包的時候進行遞減，最後將真正執行的那條sql處理返回。其處理如下圖所示:
但這裡確給了筆者一個靈感，即一條sql文本確實是有可能返回多個okay包的。
真相大白
在筆者發現(sql1;sql2;)這樣的拼接sql會返回多個okay包後，就立刻聯想到，該不會業務自己寫了這樣的sql發給中間件，造成中間件的sql處理邏輯錯亂吧。因為我們的中間件只有在對自己拼接(同步狀態)的sql做處理，明顯是無法處理應用傳過來即為拼接sql的情況。由於看上去有問題的那條sql並沒有拼接，於是筆者憑藉這條sql打印所在的reactor線程往上搜索，發現其上面真的有拼接sql!
<code>
2020
-03
-1311
:21
:01
:040
[NIOREACTOR-20
RW]frontIP=>ip1;sqlID
=>12345678
;rows
=>1
;sql
=>update test_2set
value =1 where id=1 and status = 1;update test_2set
value =1 where id=2 and status = 1; /<code>如上圖所示，(update1;update2)中update1的okay返回被驅動認為是所有的返回。然後應用立即發送了update3。前腳剛發送,update2的okay返回就回來了而其剛好是0，應用就報錯了(要不是0，這個錯亂邏輯還不會提前暴露)。那三條"重複執行"也很好解釋了，就是之前的拼接sql會有三條。
為何是概率出現
但奇怪的是，並不是每次拼接sql都會造成update3"重複執行"的現象，按照筆者的推斷應該前面只要是多條拼接sql就會必現才對。於是筆者翻了下jdbc驅動源碼，發現其在發送命令之前會清理下接收buffer，如下所示:
<code>MysqlIO.java
final
Buffer sendCommand(......){ ...... clearInputStream(); ...... send(this
.sendPacket,this
.sendPacket.getPosition()); ...... } /<code>正是由於clearInputStream()使得錯誤非必現(暴露)，如果okay(update2)在應用發送第三條sql前先到jdbc驅動會被驅動忽略！ 讓我們再看一下不會讓update3"重複執行"的時序圖:
即根據okay(update2)返回的快慢來決定是否暴露這個問題,如下圖所示:
同時筆者觀察日誌，確實這種情況下"update1;update2"這條語句在中間件裡面日誌有兩條。
臨時解決方案
讓業務開發不用這些拼接sql的寫法後，再也沒出過問題。
為什麼不連中間件是okay的
業務開發這些sql是就在線上運行了好久，用了中間件後才出現問題。既然不連中間件是okay的，那麼jdbc必然有這方面的完善處理，筆者去翻了下mysql-connect-java(5.1.46)。由於jdbc裡面存在大量的兼容細節處理，筆者這邊只列出一些關鍵代碼路徑:
<code>MySQL JDBC 源碼 MySQLIO stack; executeUpdate |->executeUpdateInternel |->executeInternal |->execSQL |->sqlQueryDirect |->readAllResults (MysqlIO.java) readAllResults: ResultSetImpl readAllResults(......){ ......
while
(moreRowSetsExist) { ...... moreRowSetsExist = (this.serverStatus & SERVER_MORE_RESULTS_EXISTS) !=0
; } ...... } /<code>正確的處理流程如下圖所示:
而我們中間件的源碼確實這麼處理的:
<code>
public
void
okResponse
(
byte
[] data, BackendConnection conn) { ...... ok.serverStatus = source.isAutocommit() ?2
:1
; ok.write(source); ...... } /<code>select也"重複執行"了
解決完上面的問題後，筆者在日誌裡竟然發現select盡然也有重複的，這邊並不會牽涉到okay包的處理，難道還有問題？日誌如下所示:
<code>
2020
-03
-13
12
:21
:01
:040
[NIOREACTOR-20
RW]frontIP=>ip1;sqlID
=>12345678
;rows
=>1
;select abc;2020
-03
-13
12
:21
:01
:045
[NIOREACTOR-21
RW]frontIP=>ip2;sqlID
=>12345678
;rows
=>1
;select abc; /<code>從不同的REACTOR線程號(20RW/21RW)和不同的frontIP(ip1,ip2)來看是兩個連接執行了同樣的sql,但為何sqlID是一樣的？任何一個詭異的現象都必須一查到底。於是筆者登錄到應用上看了下應用日誌，確實應用有兩個不同的線程運行了同一條sql。那肯定是中間件日誌打印的問題了,筆者很快就想通了其中的關竅，我們中間件有個對同樣sql緩存其路由節點結構體的功能(這樣下一次同樣sql就不必解析，降低了CPU)，而sqlID信息正好也在那個路由節點結構體裡面。如下圖所示:
這個緩存功能感覺沒啥用(因為線上基本是沒有相同sql的)，於是筆者在筆者優化的閃電模式下(大幅度提高中間件性能)將這個功能禁用掉了，沒想到為了排查問題而開啟的詳細日誌碰巧將這個功能開啟了。
總結
任何系統都不能說百分之百穩定可靠，尤其是不能立flag。在線上運行了好幾年的系統也是如此。只有對所有預料外的現象進行細緻的追查與深入的分析並解決，才能讓我們的系統越來越可靠。
原文：https://my.oschina.net/alchemystar/blog/3208851
作者：無毀的湖光-Al