Elasticsearch原理分析——集群启动流程

Elasticsearch原理分析——集群启动流程

让我们从启动流程开始，先在宏观上看看整个集群是如何启动的，集群状态如何从Red变成Green，不涉及代码，然后分析其他模块的流程。

本书中，集群启动过程指集群完全启重启的启动过程，期间要经历选举主节点、分片分配(主副分片的分配)、索引数据恢复等重要阶段，理解其中原理和细节，对于解决或避免集群维护过程中可能遇到的脑裂、无主、恢复慢、丢数据等问题有重要作用。

集群启动的整体流程如下图所示：

1. 选举主节点

假设有若干个节点正在启动，集群启动的第一件事是从已知的活跃机器列表选择一个作为主节点，选主之后的流程由主节点触发。

ES的选主算法是基于Bully算法的改进，主要思路是对节点ID排序，取ID值最大的节点作为Master，每个节点都运行这个流程。是不是非常简单？选主的目的是确定唯一的主节点，初学者可能认为选举出的主节点应该持有最新的元数据信息，实际上这个问题在实现上被分解为两步：先确定唯一的、大家公认的主节点，再想办法把最新的机器元数据复制到选举出来的主节点上。

基于节点ID排序的简单选举算法有三个附加约定条件：

1. 参选人数需要过半，达到quorum(多数)后选出临时的主。

   为什么是临时的？每个节点运行排序取最大值的算法，结果不一定相同。举个例子，集群有5台主机，节点ID分别是1、2、3、4、5。当产生网络分区或节点启动速度差异比较大时，节点1看到的节点列表是1、2、3、4，选出4；节点2看到的节点列表是2、3、4、5，选出5。结果就不一致了，由此产生下面的第二条限制。

2. 得票数需过半。

   某节点被选为主节点，必须判断加入它的节点数过半，才确认Master身份。解决第一个问题。

3. 当探测到节点离开事件时，必须判断当前节点数是否过半。

   如果达不到quorm，则放弃Master身份，重新加入集群。如果不这么做，则设想以下情况：假设5台机器组成的集群产生网络分区，2台一组A，3台一组B。产生分区前，Master位于2台中的A，此时3台一组的节点会重新成功选举Master，产生双主，俗称脑裂。

集群并不知道自己有多少个节点，quornum值从配置中读取，我们需要设置配置项：

discovery.zen.minimun_master_nodes: 3

2. 选举集群元信息

被选举出的Master和集群元信息的新旧程度没有关系。因为它的第一个任务是选举元信息，让各个节点把各自存储的元信息发过来，根据版本号确定最新的元信息，然后把这个信息广播下去，这个集群的所有节点都有了最新的元信息。

集群的元信息的选举包括两个级别：集群级和索引级。不包含shard存储于哪个节点的信息。这种信息以节点磁盘存储的为准，需要上报。为什么呢？因为读写流程是不经过Master的，Master不知道各shard副本直接的数据差异。HDFS也有类似的机制，block信息依赖于DataNode的上报。

为了集群一致性，参与选举的元信息数量需要过半，Master发布集群状态成功的规则也是等待发布成功的节点数过半。

在选举过程中，不接受新节点的加入请求。

集群元信息选举完毕后，Master发布首次集群状态，然后开始选举shard级元信息。

3. shard allocation(分配)过程

选举shard级元信息，构建内容路由表，是在allocation模块完成的。在初始阶段，所有的shard都处于**UNASSIGNED(unassigned 未分配)**状态。ES中通过分配过程决定哪个分片位于哪个节点，重构内容路由表。此时，首先要做的就是分配主分片。

3.1 选主分片

现在看某个主分片【website】【0】是怎么分配的。所有的分配工作都是Master来做的，此时，Master不知道主分片在哪，它向集群的所有节点询问：大家把【website】【0】分片的元信息发我。然后，Master等待所有的请求返回，正常情况下它就有了这个shard的信息，然后根据某种策略选一个分片作为主分片。是不是效率有些低？这种询问量=shard数 * 节点数。所以说我们最好控制shard的总规模别太大。

现在有了shard【website】【0】的分片的多份信息，具体数量取决于副本数设置了多少。现在考虑把哪个分片作为主分片。ES 5.x以下的版本，通过对比shard级元信息的版本号来决定。在多副本的情况下，考虑到如果只有一个shard信息汇报上来，则它一定会被选为主分片，但也许数据不是最新的，版本号比它大的节点还没有启动。在解决这个问题的时候，ES 5.x开始实施一种新的策略：给每个shard都设置一个UUID，然后在集群级的元信息中记录哪个shard是最新的，因为ES是先写主分片，再由主分片节点转发请求去写副本分片，所以主分片所在节点肯定是最新的，如果它转发失败了，则要求Master删除那个节点。所以，从ES 5.x开始，主分片选举过程是通过集群元信息中记录的“最新主分片的列表”来确定主分片的：汇报信息中存在，并且这个列表中也存在。

如果集群设置了：

cluster.routing.allocation.enable: none

禁止分配分片，集群仍然会强制分配主分片。因此，在设置了上述选项的情况下，集群重启后的状态为Yellow，而非Red。

3.2 选副分片

主分片选举成功后，从上一个过程汇总的shard信息中选择一个副本最为副分片。如果汇总信息中不存在，则分配一个全新副本。操作依赖于延迟配置项：

indexunassigned.node_left.delayed_timeout: 100000

我们的线上环境中最大的集群有100+节点，掉节点的情况并不罕见，很多时候不能第一时间处理，这个延迟我们一般配置为以天为单位。

最后，allocation过程中允许新启动的节点加入集群。

4. index recovery(索引恢复)

分片分配成功后进入recovery流程。主分片的recovery不会等待其副本分片分配成功后才开始recovery。它们是独立的流程，只是副本分片的recovery需要主分片恢复完毕才开始。

为什么需要recovery？对于主分片来说，可能有一些数据没来得及刷盘；对于副本分片来说：一是没有刷盘，二是主分片写完了，副本分片还没有来得及写，主副分片数据不一致。

4.1 主分片recovery

由于每次写操作都会记录事务日志(translog)，事务日志中记录了哪种操作，以及相关的数据。因此将最后一次提交(Lucene的一次提交就是一次fsync刷盘过程)之后的translog进行重放，建立Lucene索引，如此完成主分片的recovery。

4.2 副分片recovery

副分片的恢复是比较复杂的，在ES的版本迭代中，副分片恢复策略有过不少调整。

副分片需要恢复成和主分片一致，同时，恢复期间允许新的索引操作。目前的6.0版本中，恢复分成两阶段执行。

• phase1：在主分片所在节点，获取translog保留锁，从获取保留锁开始，会保留translog不受其刷盘清空的影响。然后调用Lucene接口把shard做快照，这是已经刷磁盘中的分片数据。把这些shard数据复制到副本节点。在phase1完毕前，会向副分片节点发生告知对方启动engine，在phase2开始之前，副本分片就可以正常处理写请求了。

• phase2：对tanslog做快照，这个快照里包含从phase1开始，到执行translog快照期间的新增索引。将这些translog发送到副本分片所在节点进行重放。

由于需要支持恢复期间的新增写操作(让ES的可用性更强)，这两个阶段中需要重点关注以下几个问题：

1. 分片数据完整性：如何做到副本分片不丢失数据？第二阶段的tanslog快照包括第一阶段所有的新增操作。那么第一阶段执行期间如果发生**“Lucene commit”(将文件系统写缓冲中的数据刷磁盘，并清空translog)，清除translog怎么办？在ES 2.0之前，是阻止刷新操作，以此让translog都保留下来。从2.0版本开始，为了避免这种做法产生过大的translog，引入了translog.view的概念，创建view可以获取后续的所有操作。从6.0版本开始，translog.veiw被移除。引入TranslogDetetionPolicy的概念**，它将translog做一个快照来保持translog不被清理。这样实现了在第一阶段允许Lucene Commit。
2. 数据一致性：在ES 2.0之前，副分片恢复过程有三个阶段，第三阶段会阻塞新的索引操作，传输第二阶段期间新增的translog，这个时间很短。自2.0版本之后，第三阶段被删除，恢复期间没有任何写阻塞过程。在副分片节点，重放translog时，phase1和phase2之间的写操作与phase2重放操作之间的时序错误和冲突，通过写流程进行异常处理，对比版本号来来过滤过期操作。

这样，时序上存在错误的操作会被忽略，对于特定的doc，只有最新一次操作生效，保证了主副分片一致。

第一阶段尤其漫长，因为它需要从主分片拉去全量的数据。在ES 6.x中，对第一阶段再次优化：标记每个操作。在正常的写操作中，每次写入成功的操作都分配一个序号，通过对比序号就可以计算出差异范围，在实现方式上，添加了global checkpoint和local checkpoint，主分片负责维护global checkpoint，代表所有分片都已经写入这个序号的位置，local checkpoint代表当前分片已经成功写入的最新位置，恢复时通过对比两个序列号，计算出缺失的数据范围，然后通过translog重放这部分数据，同时translog会为此保留更长的时间。

因此，有两个机会可以跳过副分片恢复的phase1：

• 基于SequenceNumber，从主分片节点的translog恢复数据
• 主副分片有相同的syncid且doc数相同，可以跳过phase1。

5. 小结

当一个索引的主分片分配成功后，到此分片的写操作是允许的。当一个索引所有的主分片都分配成功后，该索引变为Yellow。当全部索引的主分片都分配成功后，整个集群变为Yellow。当一个索引全部分配分配成功后，该索引变为Green。当全部索引的索引分片分配成功后，整个集群变为Green。

索引数据恢复是最漫长的过程。当shard总量达到十万级别的时候，6.x之前的版本集群从Red变为Green的时间可能需要小时级。ES 6.X中的副本允许从本地translog恢复是一次重大的改进，避免了ongoing主分片所在的节点拉取全量数据，为恢复过程节约了大量的时间。

量达到十万级别的时候，6.x之前的版本集群从Red变为Green的时间可能需要小时级。ES 6.X中的副本允许从本地translog恢复是一次重大的改进，避免了ongoing主分片所在的节点拉取全量数据，为恢复过程节约了大量的时间。

6. 关注我

搜索微信公众号：java架构强者之路