Online Unsafe Recovery 使用文档

在线有损恢复 - 图1

警告

  • 此功能为有损恢复,无法保证数据索引一致性和事务完整性,若有问题需要额外的工具或者步骤进行相应修复。
  • 该功能自 v6.1.0 版本开始引入。在 TiDB v6.1 以下版本为实验特性,行为与本文描述有区别,不推荐使用。在其他版本使用该功能时,请参考相应版本文档。

当多数副本的永久性损坏造成部分数据不可读写时,可以使用 Online Unsafe Recovery 功能进行数据有损恢复,使 TiKV 正常提供服务。

功能说明

在 TiDB 中,根据用户定义的多种副本规则,一份数据可能会同时存储在多个节点中,从而保证在单个或少数节点暂时离线或损坏时,读写数据不受任何影响。但是,当一个 Region 的多数或全部副本在短时间内全部下线时,该 Region 会处于暂不可用的状态,无法进行读写操作。

如果一段数据的多数副本发生了永久性损坏(如磁盘损坏)等问题,从而导致节点无法上线时,此段数据会一直保持暂不可用的状态。这时,如果用户希望集群恢复正常使用,在用户能够容忍数据回退或数据丢失的前提下,用户理论上可以通过手动移除不可用副本的方式,使 Region 重新形成多数派,进而让上层业务可以写入和读取(可能是 stale 的,或者为空)这一段数据分片。

在这个情况下,当存有可容忍丢失的数据的部分节点受到永久性损坏时,用户可以通过使用 Online Unsafe Recovery,快速简单地进行有损恢复。使用 Online Unsafe Recovery 时,PD 会自动暂停调度(包括 split 和 merge),然后收集全部节点内的数据分片元信息,用 PD 的全局视角生成一份更实时、更完整的恢复计划后,将其计划下发给各个存活的节点,使各节点执行数据恢复任务。另外,下发恢复计划后,PD 还会定期查看恢复进度,并在必要时重新向各节点分发恢复计划。

适用场景

Online Unsafe Recovery 功能适用于以下场景:

  • 部分节点受到永久性损坏,导致节点无法重启,造成业务端的部分数据不可读、不可写。
  • 可以容忍数据丢失,希望受影响的数据恢复读写。

使用步骤

前提条件

在使用 Online Unsafe Recovery 功能进行数据有损恢复前,请确认以下事项:

  • 离线节点导致部分数据确实不可用。
  • 离线节点确实无法自动恢复或重启。

第 1 步:指定无法恢复的节点

使用 PD Control 执行 unsafe remove-failed-stores [,,…] 命令,指定已确定无法恢复的所有 TiKV 节点,并用逗号隔开,以触发自动恢复。

  1. pd-ctl -u <pd_addr> unsafe remove-failed-stores <store_id1,store_id2,...>

命令输出 Success 表示向 PD 注册任务成功。但仅表示请求已被接受,并不代表恢复成功。恢复任务在后台进行,具体进度使用 show 查看。命令输出 Failed 表示注册任务失败,可能的错误有:

  • unsafe recovery is running:已经有正在进行的恢复任务
  • invalid input store x doesn't exist:指定的 store ID 不存在
  • invalid input store x is up and connected:指定的 store ID 仍然是健康的状态,不应该进行恢复

可通过 --timeout <seconds> 指定可允许执行恢复的最长时间。若未指定,默认为 5 分钟。当超时后,恢复中断报错。

若 PD 进行过灾难性恢复 pd-recover 操作,丢失了无法恢复的 TiKV 节点的 store 信息,因此无法确定要传的 store ID 时,可指定 --auto-detect 参数允许传入一个空的 store ID 列表。在该模式下,所有未在 PD store 列表中的 store ID 均被认为无法恢复,进行移除。

在线有损恢复 - 图2

注意

  • 由于此命令需要收集来自所有 Peer 的信息,可能会造成 PD 短时间内有明显的内存使用量上涨(10 万个 Peer 预计使用约 500 MiB 内存)。
  • 若执行过程中 PD 发生重启,则恢复中断,需重新触发命令。
  • 一旦执行,所指定的节点将被设为 Tombstone 状态,不再允许启动。
  • 执行过程中,所有调度以及 split/merge 都会被暂停,待恢复成功或失败后自动恢复。

第 2 步:查看进度等待结束

节点移除命令运行成功后,使用 PD Control 执行 unsafe remove-failed-stores show 命令,查看移除进度。

  1. pd-ctl -u <pd_addr> unsafe remove-failed-stores show

恢复过程有多个可能的阶段:

  • collect report:初始阶段,第一次接收 TiKV 的报告获得的全局信息。
  • tombstone tiflash learner:在不健康的 Region 中,删除比其他健康 Peer 要新的 TiFlash learner,防止极端情况造成 panic。
  • force leader for commit merge:特殊阶段。在有未完成的 commit merge 时出现,优先对有 commit merge 的 Region 进行 force leader,防止极端情况。
  • force leader:强制不健康的 Region 在剩余的健康 Peer 中指定一个成为 Raft leader。
  • demote failed voter:将 Region 不健康的 Voter 降级为 Learner,之后 Region 就可以正常地选出 Raft leader。
  • create empty region:创建一个空 Region 来补足 key range 的空洞,主要针对的是某些 Region 的所有副本所在的 Store 都损坏了。

每一阶段按照 JSON 格式输出,包括信息,时间,以及具体的恢复计划。例如:

  1. [
  2. {
  3. "info": "Unsafe recovery enters collect report stage",
  4. "time": "......",
  5. "details" : [
  6. "failed stores 4, 5, 6",
  7. ]
  8. },
  9. {
  10. "info": "Unsafe recovery enters force leader stage",
  11. "time": "......",
  12. "actions": {
  13. "store 1": [
  14. "force leader on regions: 1001, 1002"
  15. ],
  16. "store 2": [
  17. "force leader on regions: 1003"
  18. ]
  19. }
  20. },
  21. {
  22. "info": "Unsafe recovery enters demote failed voter stage",
  23. "time": "......",
  24. "actions": {
  25. "store 1": [
  26. "region 1001 demotes peers { id:101 store_id:4 }, { id:102 store_id:5 }",
  27. "region 1002 demotes peers { id:103 store_id:5 }, { id:104 store_id:6 }",
  28. ],
  29. "store 2": [
  30. "region 1003 demotes peers { id:105 store_id:4 }, { id:106 store_id:6 }",
  31. ]
  32. }
  33. },
  34. {
  35. "info": "Collecting reports from alive stores(1/3)",
  36. "time": "......",
  37. "details": [
  38. "Stores that have not dispatched plan: ",
  39. "Stores that have reported to PD: 4",
  40. "Stores that have not reported to PD: 5, 6",
  41. ]
  42. }
  43. ]

PD 下发恢复计划后,会等待 TiKV 上报执行的结果。如上述输出中最后一阶段的 Collecting reports from alive stores 显示 PD 下发恢复计划和接受 TiKV 报告的具体状态。

整个恢复过程包括多个阶段,可能存在某一阶段的多次重试。一般情况下,预计时间为 3~10 个 store heartbeat 周期(一个 store heartbeat 默认为 10s)。当恢复完成后,命令执行结果最后一阶段显示 "Unsafe recovery finished",以及受影响的 Region 所属的 table id(若无或使用 RawKV 则不显示)和受影响的 SQL 元数据 Region。如:

  1. {
  2. "info": "Unsafe recovery finished",
  3. "time": "......",
  4. "details": [
  5. "Affected table ids: 64, 27",
  6. "Affected meta regions: 1001",
  7. ]
  8. }

得到受影响的 table id 后,可以使用 INFORMATION_SCHEMA.TABLES 来查看受影响的表名。

  1. SELECT TABLE_SCHEMA, TABLE_NAME, TIDB_TABLE_ID FROM INFORMATION_SCHEMA.TABLES WHERE TIDB_TABLE_ID IN (64, 27);

在线有损恢复 - 图3

注意

  • 恢复操作把一些 failed Voter 变成了 failed Learner,之后还需要 PD 调度经过一些时间将这些 failed Learner 移除。
  • 建议及时添加新的节点。

若执行过程中发生错误,最后一阶段会显示 "Unsafe recovery failed" 以及具体错误。如:

  1. {
  2. "info": "Unsafe recovery failed: <error>",
  3. "time": "......"
  4. }

第 3 步:检查数据索引一致性(RawKV 不需要)

在线有损恢复 - 图4

注意

数据可以读写并不代表没有数据丢失。

执行完成后,数据和索引可能会不一致。请使用 ADMIN CHECK 对受影响的表进行数据索引的一致性检查。

  1. ADMIN CHECK TABLE table_name;

若结果有不一致的索引,可以通过重命名旧索引、创建新索引,然后再删除旧索引的步骤来修复数据索引不一致的问题。

  1. 重命名旧索引:

    1. ALTER TABLE table_name RENAME INDEX index_name TO index_name_lame_duck;
  2. 创建新索引:

    1. ALTER TABLE table_name ADD INDEX index_name (column_name);
  3. 删除旧索引:

    1. ALTER TABLE table_name DROP INDEX index_name_lame_duck;

第 4 步:移除无法恢复的节点(可选)

  • 通过 TiUP 部署的节点
  • 通过 TiDB Operator 部署的节点
  1. 缩容无法恢复的节点:

    1. tiup cluster scale-in <cluster-name> -N <host> --force
  2. 清理 Tombstone 节点:

    1. tiup cluster prune <cluster-name>
  3. 删除该 PersistentVolumeClaim

    1. kubectl delete -n ${namespace} pvc ${pvc_name} --wait=false
  4. 删除 TiKV Pod,并等待新创建的 TiKV Pod 加入集群。

    1. kubectl delete -n ${namespace} pod ${pod_name}