BR 备份与恢复场景示例

BR 是一款分布式的快速备份和恢复工具。

本文展示了以下几种备份和恢复场景下的 BR 操作过程:

  • 将单表数据备份到网络盘(推荐生产环境使用)
  • 从网络磁盘恢复备份数据(推荐生产环境使用)
  • 将单表数据备份到本地磁盘(推荐测试环境试用)
  • 从本地磁盘恢复备份数据(推荐测试环境试用)

以帮助读者达到以下目标:

  • 正确使用网络盘或本地盘进行备份或恢复
  • 通过相关监控指标了解备份或恢复的状态
  • 了解在备份或恢复时如何调优性能
  • 处理备份时可能发生的异常

目标读者

你需要对 TiDB 和 TiKV 有一定的了解。

在阅读本文前,请确保你已通读备份与恢复工具 BR 简介,尤其是使用限制最佳实践这两节。

环境准备

本节介绍 TiDB 的推荐部署方式、BR 使用示例中的集群版本、TiKV 集群硬件信息和集群配置。

你可以根据自己的硬件和配置来预估备份恢复的性能。

部署方式

推荐使用 TiUP 部署 TiDB 集群,再下载 TiDB Toolkit 获取 BR 工具。

集群版本

  • TiDB: v5.0.0
  • TiKV: v5.0.0
  • PD: v5.0.0
  • BR: v5.0.0

注意:

v5.0.0 为编写本文档时的最新版本。推荐使用最新版本 TiDB/TiKV/PD/BR,同时需要确保 BR 版本和 TiDB 相同

TiKV 集群硬件信息

  • 操作系统:CentOS Linux release 7.6.1810 (Core)
  • CPU:16-Core Common KVM processor
  • RAM:32GB
  • 硬盘:500G SSD * 2
  • 网卡:万兆网卡

配置

BR 可以直接将命令下发到 TiKV 集群来执行备份和恢复,不依赖 TiDB server 组件,因此无需对 TiDB server 进行配置。

  • TiKV: 默认配置
  • PD : 默认配置

使用场景

本节描述以下几种使用场景:

推荐使用网络盘来进行备份和恢复操作,这样可以省去收集备份数据文件的繁琐步骤。尤其在 TiKV 集群规模较大的情况下,使用网络盘可以大幅提升操作效率。

在使用 BR 进行备份或恢复操作前,需要先进行如下准备工作。

备份前的准备工作

BR 工具已支持自适应 GC,会自动将 backupTS(默认是最新的 PD timestamp)注册到 PD 的 safePoint,保证 TiDB 的 GC Safe Point 在备份期间不会向前移动,即可避免手动设置 GC。

关于 br backup 命令的具体使用方法,参见使用备份与恢复工具 BR

运行 br backup 命令前,请确保以下条件:

  1. TiDB 集群中没有正在运行中的 DDL。
  2. 用于创建备份的存储设备有足够的空间。

恢复前的准备工作

使用 BR 进行恢复前的准备工作如下:

运行 br restore 命令前,需要检查新集群,确保集群内没有同名的表。

将单表数据备份到网络盘(推荐生产环境使用)

使用 br backup 命令,将单表数据 --db batchmark --table order_line 备份到指定的网络盘路径 local:///br_data 下。

前置要求

  • 备份前的准备工作
  • 配置一台高性能 SSD 硬盘主机为 NFS server 存储数据。其他所有 BR 节点,TiKV 节点和 TiFlash 节点为 NFS client,挂载相同的路径(例如 /br_data)到 NFS server 上以访问 NFS server。
  • NFS server 和 NFS client 间的数据传输速率至少要达到备份集群的 TiKV 实例数 * 150MB/s。否则网络 I/O 有可能成为性能瓶颈。

注意:

  • 因为备份时候只备份单副本 (leader) 数据,所以即使集群中存在 TiFlash 副本,无需挂载 TiFlash 节点 BR 也能完成备份。
  • BR 在恢复数据时,会恢复全部副本的数据。因此在恢复时,TiFlash 节点需要有备份数据的访问权限 BR 才能完成恢复,此时也必须将 TiFlash 节点挂载到 NFS server 上 。

部署拓扑

部署拓扑如下图所示:

img

运行备份

备份操作前,在 TiDB 中使用 admin checksum table order_line 命令获得备份目标表 --db batchmark --table order_line 的统计信息。统计信息示例如下:

img

运行 BR 备份命令:

  1. bin/br backup table \
  2. --db batchmark \
  3. --table order_line \
  4. -s local:///br_data \
  5. --pd ${PD_ADDR}:2379 \
  6. --log-file backup-nfs.log

备份过程中的运行指标

在 BR 备份过程中,需关注以下监控面版中的运行指标来了解备份的状态。

Backup CPU Utilization:参与备份的 TiKV 节点(例如 backup-worker 和 backup-endpoint)的 CPU 使用率。

img

IO Utilization:参与备份的 TiKV 节点的 I/O 使用率。

img

BackupSST Generation Throughput:参与备份的 TiKV 节点生成 backupSST 文件的吞吐。正常时单个 TiKV 节点的吞吐在 150MB/s 左右。

img

One Backup Range Duration:备份一个 range 的操作耗时,包括扫描耗时 (scan KV) 和保存耗时(保存为 backupSST 文件)。

img

One Backup Subtask Duration:一次备份任务会被拆分成多个子任务。该监控项显示子任务的耗时。

注意:

  • 虽然本次任务是备份单表,但因为表中有 3 个索引,所以正常会拆分成 4 个子任务。
  • 下图中有 13 个点,说明有 9 次 (13-4) 重试。备份过程中可能发生 Region 调度行为,少量重试是正常的。

img

Backup Errors:备份过程中的错误。正常时无错误。即使出现少量错误,备份操作也有重试机制,可能会导致备份时间增加,但不会影响备份的正确性。

img

Checksum Request Duration:对备份集群执行 admin checksum 的耗时统计。

img

结果解读

BR 会在备份结束时输出备份总结到控制台。

同时使用 BR 前已设置日志的存放路径。从路径下存放的日志中可以获取此次备份的相关统计信息。在日志中搜关键字 “summary”,可以看到以下信息:

  1. ["Full backup Success summary:
  2. total backup ranges: 2,
  3. total success: 2,
  4. total failed: 0,
  5. total take(Full backup time): 31.802912166s,
  6. total take(real time): 49.799662427s,
  7. total size(MB): 5997.49,
  8. avg speed(MB/s): 188.58,
  9. total kv: 120000000"]
  10. ["backup checksum"=17.907153678s]
  11. ["backup fast checksum"=349.333µs]
  12. ["backup total regions"=43]
  13. [BackupTS=422618409346269185]
  14. [Size=826765915]

以上日志信息中包含以下内容:

  • 备份耗时:total take(Full backup time): 31.802912166s
  • 程序运行总耗时:total take(real time): 49.799662427s
  • 备份数据大小:total size(MB): 5997.49
  • 备份吞吐:avg speed(MB/s): 188.58
  • 备份 KV 对数:total kv: 120000000
  • 校验耗时:["backup checksum"=17.907153678s]
  • 计算各表 checksum、KV 和 bytes 信息总和的耗时:["backup fast checksum"=349.333µs]
  • 备份 Region 总数:["backup total regions"=43]
  • 备份存档经压缩后在磁盘中的实际大小:[Size=826765915]
  • 备份存档的快照时间戳:[BackupTS=422618409346269185]

通过以上数据可以计算得到单个 TiKV 实例的吞吐为:avg speed(MB/s)/tikv_count = 62.86

性能调优

如果 TiKV 的资源使用没有出现明显的瓶颈(例如备份过程中的运行指标中的 Backup CPU Utilization 最高为 1500% 左右,IO Utilization 普遍低于 30%),可以尝试调大 --concurrency(默认是 4)参数以进行性能调优。该方法不适用于存在许多小表的场景。

示例如下:

  1. bin/br backup table \
  2. --db batchmark \
  3. --table order_line \
  4. -s local:///br_data/ \
  5. --pd ${PD_ADDR}:2379 \
  6. --log-file backup-nfs.log \
  7. --concurrency 16

img

img

性能调优后的结果如下所示(保持数据大小不变):

  • 备份耗时:total take(s)986.43 减少到 535.53
  • 数据大小:total size(MB): 353227.18
  • 备份吞吐:avg speed(MB/s)358.09 提升到 659.59
  • 单个 TiKV 实例的吞吐:avg speed(MB/s)/tikv_count89 提升到 164.89

从网络磁盘恢复备份数据(推荐生产环境使用)

使用 br restore 命令,将一份完整的备份数据恢复到一个离线集群。暂不支持恢复到在线集群。

前置要求

部署拓扑

部署拓扑如下图所示:

img

运行恢复

运行 br restore 命令:

  1. bin/br restore table --db batchmark --table order_line -s local:///br_data --pd 172.16.5.198:2379 --log-file restore-nfs.log

恢复过程中的运行指标

在 BR 恢复过程中,需关注以下监控面版中的运行指标来了解恢复的状态。

CPU Utilization:参与恢复的 TiKV 节点 CPU 使用率。

img

IO Utilization:参与恢复的 TiKV 节点的 I/O 使用率。

img

Region 分布:Region 分布越均匀,说明恢复资源利用越充分。

img

Process SST Duration:处理 SST 文件的延迟。恢复一张表时时,如果 tableID 发生了变化,需要对 tableID 进行 rewrite,否则会进行 rename。通常 rewrite 延迟要高于 rename 的延迟。

img

DownLoad SST Throughput:从 External Storage 下载 SST 文件的吞吐。

img

Restore Errors:恢复过程中的错误。

img

Checksum Request duration:对恢复集群执行 admin checksum 的耗时统计,会比备份时的 checksum 延迟高。

img

结果解读

使用 BR 前已设置日志的存放路径。从路径下存放的日志中可以获取此次恢复的相关统计信息。在日志中搜关键字 “summary”,可以看到以下信息:

  1. ["Table Restore summary:
  2. total restore tables: 1,
  3. total success: 1,
  4. total failed: 0,
  5. total take(Full restore time): 17m1.001611365s,
  6. total take(real time): 16m1.371611365s,
  7. total kv: 5659888624,
  8. total size(MB): 353227.18,
  9. avg speed(MB/s): 367.42"]
  10. ["restore files"=9263]
  11. ["restore ranges"=6888]
  12. ["split region"=49.049182743s]
  13. ["restore checksum"=6m34.879439498s]
  14. [Size=48693068713]

以上日志信息中包含以下内容:

  • 恢复耗时:total take(Full restore time): 17m1.001611365s
  • 程序运行总耗时:total take(real time): 16m1.371611365s
  • 恢复数据大小:total size(MB): 353227.18
  • 恢复 KV 对数:total kv: 5659888624
  • 恢复吞吐:avg speed(MB/s): 367.42
  • Region Split 耗时:take=49.049182743s
  • 校验耗时:restore checksum=6m34.879439498s
  • 恢复存档在磁盘中的实际大小:[Size=48693068713]

根据上表数据可以计算得到:

  • 单个 TiKV 吞吐:avg speed(MB/s)/tikv_count = 91.8
  • 单个 TiKV 平均恢复速度:total size(MB)/(split time + restore time)/tikv_count = 87.4

性能调优

如果 TiKV 资源使用没有明显的瓶颈,可以尝试调大 --concurrency 参数(默认为 128),示例如下:

  1. bin/br restore table --db batchmark --table order_line -s local:///br_data/ --pd 172.16.5.198:2379 --log-file restore-concurrency.log --concurrency 1024

性能调优后的结果如下表所示(保持数据大小不变):

  • 恢复耗时:total take(s)961.37 减少到 443.49
  • 恢复吞吐:avg speed(MB/s)367.42 提升到 796.47
  • 单个 TiKV 实例的吞吐:avg speed(MB/s)/tikv_count91.8 提升到 199.1
  • 单个 TiKV 实例的平均恢复速度:total size(MB)/(split time + restore time)/tikv_count87.4 提升到 162.3

将单表数据备份到本地磁盘(推荐测试环境试用)

使用 br backup 命令,将单表数据 --db batchmark --table order_line 备份到指定的本地磁盘路径 local:///home/tidb/backup_local 下。

前置要求

  • 备份前的准备工作
  • 各个 TiKV 节点有单独的磁盘用来存放 backupSST 数据。
  • backup_endpoint 节点有单独的磁盘用来存放备份的 backupmeta 文件。
  • TiKV 和 backup_endpoint 节点需要有相同的备份目录,例如 /home/tidb/backup_local

部署拓扑

img

运行备份

备份前在 TiDB 里通过 admin checksum table order_line 获得备份的目标表 --db batchmark --table order_line 的统计信息。统计信息示例如下:

img

运行 br backup 命令:

  1. bin/br backup table \
  2. --db batchmark \
  3. --table order_line \
  4. -s local:///home/tidb/backup_local/ \
  5. --pd ${PD_ADDR}:2379 \
  6. --log-file backup_local.log

运行备份时,参考备份过程中的运行指标对相关指标进行监控,以了解备份状态。

结果解读

使用 BR 前已设置日志的存放路径。从该路径下存放的日志获取此次备份的相关统计信息。在日志中搜关键字 “summary”,可以看到以下信息:

  1. ["Table backup summary: total backup ranges: 4, total success: 4, total failed: 0, total take(s): 551.31, total kv: 5659888624, total size(MB): 353227.18, avg speed(MB/s): 640.71"] ["backup total regions"=6795] ["backup checksum"=6m33.962719217s] ["backup fast checksum"=22.995552ms]

以上日志信息中包含以下内容:

  • 备份耗时:total take(s): 551.31
  • 数据大小:total size(MB): 353227.18
  • 备份吞吐:avg speed(MB/s): 640.71
  • 校验耗时:take=6m33.962719217s

根据上表数据可以计算得到单个 TiKV 实例的吞吐:avg speed(MB/s)/tikv_count = 160

从本地磁盘恢复备份数据(推荐测试环境试用)

使用 br restore 命令,将一份完整的备份数据恢复到一个离线集群。暂不支持恢复到在线集群。

前置要求

  • 恢复前的准备工作
  • 集群中没有与备份数据相同的库表。目前 BR 不支持 table route。
  • 集群中各个 TiKV 节点有单独的磁盘用来存放要恢复的 backupSST 数据。
  • restore_endpoint 节点有单独的磁盘用来存放要恢复的 backupmeta 文件。
  • 集群中 TiKV 和 restore_endpoint 节点需要有相同的备份目录,例如 /home/tidb/backup_local/

如果备份数据存放在本地磁盘,那么需要执行以下的步骤:

  1. 汇总所有 backupSST 文件到一个统一的目录下。
  2. 将汇总后的 backupSST 文件到复制到集群的所有 TiKV 节点下。
  3. backupmeta 文件复制到到 restore endpoint 节点下。

部署拓扑

img

运行恢复

运行 br restore 命令:

  1. bin/br restore table --db batchmark --table order_line -s local:///home/tidb/backup_local/ --pd 172.16.5.198:2379 --log-file restore_local.log

运行恢复时,参考恢复过程中的运行指标对相关指标进行监控,以了解恢复状态。

结果解读

使用 BR 前已设置日志的存放路径。从该日志中可以获取此次恢复的相关统计信息。在日志中搜关键字 “summary”,可以看到以下信息:

  1. ["Table Restore summary: total restore tables: 1, total success: 1, total failed: 0, total take(s): 908.42, total kv: 5659888624, total size(MB): 353227.18, avg speed(MB/s): 388.84"] ["restore files"=9263] ["restore ranges"=6888] ["split region"=58.7885518s] ["restore checksum"=6m19.349067937s]

以上日志信息中包含以下内容:

  • 恢复耗时:total take(s): 908.42
  • 数据大小:total size(MB): 353227.18
  • 恢复吞吐:avg speed(MB/s): 388.84
  • Region Split 耗时:take=58.7885518s
  • 校验耗时:take=6m19.349067937s

根据上表数据可以计算得到:

  • 单个 TiKV 实例的吞吐:avg speed(MB/s)/tikv_count = 97.2
  • 单个 TiKV 实例的平均恢复速度:total size(MB)/(split time + restore time)/tikv_count = 92.4

备份过程中的异常处理

本节介绍如何处理备份过程中出现的常见错误。

备份日志中出现 key locked Error

日志中的错误消息:log - ["backup occur kv error"][error="{\"KvError\":{\"locked\":

如果在备份过程中遇到 key 被锁住,目前 BR 会尝试清锁。少量报错不会影响备份的正确性。

备份失败

日志中的错误消息:log - Error: msg:"Io(Custom { kind: AlreadyExists, error: \"[5_5359_42_123_default.sst] is already exists in /dir/backup_local/\" })"

若备份失败并出现以上错误消息,采取以下其中一种操作后再重新备份:

  • 更换备份数据目录。例如将 /dir/backup-2020-01-01/ 改为 /dir/backup_local/
  • 删除所有 TiKV 和 BR 节点的备份目录。