一次kafka节点异常掉线问题排查,用到监控方恨少....

前段时间平平无奇的一个中午,11:10左右,再过一会就是日常下楼吃午饭的时间。嗯,很平常。

突然,收到了kafka端口异常的告警通知,心里咯噔一下,别是节点挂了吧[裂开]:

通常情况下,如果不是3节点+3副本的kafka集群,单节点挂掉没有什么可担心的,短时间内不会影响服务运行。

但我一看ip,就想起这个集群确实是3节点+3副本的,当场就裂开了。

正好,这个时候也接到了业务请求kafka 499的超时告警。得,这下铁定挂了没跑了。

上机器查grep了下,果然kafka server的进程没有了。

先按照启动命令把服务先启动起来,避免服务长时间不可用,报错日志可以等会再排查。

bash 复制代码
kafka-server-start -daemon /etc/kafka/server.properties

但是发现启动不了。过不了几秒,进程就自行消失了。这下只能先去日志里看看到底是什么问题,居然重启都无法解决。

log 复制代码
org.I0Itec.zkclient.exception.ZkTimeoutException: Unable to connect to zookeeper server 'xx.x.x.xx:2181,xx.x.x.xx:2181,xx.x.x.xx:2181' with timeout of 6000 ms

咦,怎么zk出问题了?赶忙去telnet zk的接口,发现3台节点都可以连通,并且监控组件显示zk节点都是live的。

但是想要查看zk内的数据时,却同样出现了连接报错:

没什么特别好的办法,只能先重启zk,看看能不能解决zk假死的问题。

先后重启了follower和leader节点后,zk至少可以访问通,可以查看数据了。

再次尝试启动kafka节点,这次在日志里发现了关键报错信息:No space left on device

看到这里瞬间恍然大悟。退出日志后,查看了下磁盘占用,数据盘使用率果然已经100%,罪魁祸首找到了!

再次通过磁盘大小占用率分析,定位到了罪魁祸首(用于binlog存储的某topic)。联系推送方进行数据清理后,kakfa服务恢复正常。

服务不可用时间大约半个小时多。

不过幸运的是,这个只是测试环境的kafka服务,传输的数据重要程度有限,没有造成什么严重事故。

简要复盘一下原因:

1、由于是测试环境机器,运维没有部署磁盘监控,导致磁盘爆了,无法预知。如果有磁盘监控,本次事故也是可以提前规避掉的。

2、没有限制topic创建权限,导致异常数据量topic耗光磁盘空间,进而导致服务宕机。

相关推荐
pan30350747926 分钟前
Kafka 和 RabbitMQ的选择
分布式·kafka·rabbitmq
打码人的日常分享2 小时前
运维服务方案,运维巡检方案,运维安全保障方案文件
大数据·运维·安全·word·安全架构
hzulwy3 小时前
Kafka基础理论
分布式·kafka
半夏陌离4 小时前
SQL 拓展指南:不同数据库差异对比(MySQL/Oracle/SQL Server 基础区别)
大数据·数据库·sql·mysql·oracle·数据库架构
A小弈同学6 小时前
新规则,新游戏:AI时代下的战略重构与商业实践
大数据·人工智能·重构·降本增效·电子合同
王中阳Go7 小时前
头一次见问这么多kafka的问题
分布式·kafka
鼠鼠我捏,要死了捏7 小时前
Kafka Exactly-Once 语义深度解析与性能优化实践指南
kafka·exactly-once·performance-optimization
字节跳动数据平台7 小时前
一客一策:Data Agent 如何重构大模型时代的智能营销?
大数据·agent
boonya8 小时前
Kafka核心原理与常见面试问题解析
分布式·面试·kafka
用户Taobaoapi20149 小时前
京东图片搜索相似商品API开发指南
大数据·数据挖掘·数据分析