Redis-Docker集群的一次踩坑记录
项目背景
线上redis的docker集群用于生产线上有一段时间，也算是一个全新的尝试，利用docker的优势实现高效的redis实例创建和调度。
问题描述
- 最近一段时间，有几台出现崩溃问题，机器load不断升高，有的高达5000多。
- 诸多线程处于D状态,很多请求以及linux命令出现卡死状态。
现象1：很多线程处于D状态
$ > dmesg
INFO: task jbd2/dm-20-8:198571 blocked for more than 120 seconds.
Not tainted 2.6.32-431.29.2.el6.x86_64 #1
"echo 0 > /proc/sys/kernel/hung_task_timeout_secs" disables this message.
jbd2/dm-20-8 D 0000000000000009 0 198571 2 0x00000080
ffff88316ac77b30 0000000000000046 0000000000000000 ffffffffa000169d
ffff88316ac77aa0 ffffffff810149b9 ffff88316ac77ae0 0000000000000286
ffff88316acff058 ffff88316ac77fd8 000000000000fbc8 ffff88316acff058
Call Trace:
[<ffffffffa000169d>] ? __map_bio+0xad/0x140 [dm_mod]
[<ffffffff810149b9>] ? read_tsc+0x9/0x20
[<ffffffff81120d00>] ? sync_page+0x0/0x50
[<ffffffff81529c73>] io_schedule+0x73/0xc0
[<ffffffff81120d3d>] sync_page+0x3d/0x50
[<ffffffff8152a73f>] __wait_on_bit+0x5f/0x90
[<ffffffff81120f73>] wait_on_page_bit+0x73/0x80
[<ffffffff8109c530>] ? wake_bit_function+0x0/0x50
[<ffffffff81136fc5>] ? pagevec_lookup_tag+0x25/0x40
[<ffffffff8112139b>] wait_on_page_writeback_range+0xfb/0x190
[<ffffffff8112145f>] filemap_fdatawait+0x2f/0x40
[<ffffffffa00c5e59>] jbd2_journal_commit_transaction+0x7e9/0x1500 [jbd2]
[<ffffffff810096f0>] ? __switch_to+0xd0/0x320
[<ffffffff81085f3b>] ? try_to_del_timer_sync+0x7b/0xe0
[<ffffffffa00cba48>] kjournald2+0xb8/0x220 [jbd2]
[<ffffffff8109c4b0>] ? autoremove_wake_function+0x0/0x40
[<ffffffffa00cb990>] ? kjournald2+0x0/0x220 [jbd2]
[<ffffffff8109c106>] kthread+0x96/0xa0
[<ffffffff8100c20a>] child_rip+0xa/0x20
[<ffffffff8109c070>] ? kthread+0x0/0xa0
[<ffffffff8100c200>] ? child_rip+0x0/0x20
现象2：磁盘并没有写满，还有很多空间
因为devicemapper配了nodiscard，docker info看到的data space并不一定是实例真正使用的空间，所以利用脚本分别统计了每个实例所用的磁盘空间，发现每个实例所使用的磁盘空间大概都不到10g，均是redis aof产出的持久化文件。
现象3：暂停/删除实例没反应
$ > docker stop {containerId}
$ > docker rm -f {containerId}
现象4：并不是实例太多造成的偶然现象
$ > service docker stop
$ > docker start {containerId}
只启动一个redis实例，观察top，load持续上涨，依然出现现象3的问题。
现象5：devicemapper的使用空间显示已满
$ > docker info
Containers: 21
Images: 79
Storage Driver: devicemapper
Pool Name: docker-8:2-4851000-pool
Pool Blocksize: 65.54 kB
Data file: /dev/sda3
Metadata file: /var/lib/docker/devicemapper/devicemapper/metadata
Data Space Used: 1.677 TB
Data Space Total: 1.677 TB
Metadata Space Used: 852.1 MB
Metadata Space Total: 10.74 GB
Library Version: 1.02.82-git (2013-10-04)
Execution Driver: native-0.2
Kernel Version: 2.6.32-431.29.2.el6.x86_64
问题排查
猜想1：可能跟devicemapper配置了nodiscard有关，有待验证。
如果不配置nodiscard，使用Docker时内核会随机crash。具体问题可以参考：蘑菇街的博客
猜想2：因为devicemapper配置了nodiscard，是不是因为每次Redis产生的aof文件并没有被回收掉。
实验验证1、2
docker的启动参数配置成–storage-opt dm.loopdatasize=85G –storage-opt dm.basesize=80G，本地只启动一个容器，执行一个脚本，脚本内容如下：
#!/bin/bash
cd /tmp
while true
do
dd if=/dev/zero of=/tmp/hello.txt bs=1G count=20
echo "creat hello.txt success"
rm -rf hello.txt
echo "rm hello.txt success"
sleep 1
done
实验结果
docker info观察Data Space Used，很快上涨到约80G，但是脚本依然可以持续运行。说明已经被删除的文件占用的空间可以被重新使用。
-
猜想3：出问题的宿主机都是磁盘超配，是否有关系？ -
猜想4：宿主机上有约20个Redis实例，发现并不是所有实例都挂掉，有一部分还在正常运行，新申请的Redis实例基本都无法正常工作，是否跟创建时间有关系？
猜想5：有可能老的Redis实例已经把磁盘吃满，新申请的实例无法重复使用已被旧Redis实例所申请过且已经被删除的文件所占用的空间资源。简单说就是，容器A使用过的空间资源中即使文件被删除，容器B也无法重复利用，好像容器A独享一样。
实验验证3、4、5
docker的启动参数依然配置成–storage-opt dm.loopdatasize=85G –storage-opt dm.basesize=80G，本地启动两个容器A和B，首先在容器A里运行上述实验中同样的脚本，在Data Space Used停留在80G不再上涨后，进入容器B，执行：
dd if=/dev/zero of=/tmp/hello.txt bs=1G count=20
实验结果
在容器B里执行命令时，当Data Space Used上涨到约85G之后进程卡死，top观察load持续升高，此时容器docker run一个新的容器也是卡死状态。基本复现了线上Redis集群出现的问题。
结论
出现问题的原因与devicemapper的nodiscard、Redis Aof机制以及磁盘超配相关，但是nodiscard参数绝对不能弃用的，建议的解决方案是：
- Redis Aof产生的文件存储到外挂磁盘。
- 重新规划Redis集群的磁盘使用情况，禁止超配，再做观察。
