MySQL的詭異同步問題
近期遇到一個詭異的MySQL同步問題，經過多方分析和定位后發現居然是由於備份引發的，非常的奇葩，特此記錄一下整個問題的分析和定位過程。
現象
同事擴容的一台slave死活追不上同步，具體的現象是SBM=0，但是Exec_Master_Log_Pos執行的位置和Read_Master_Log_Pos完全對不上，且服務器本身CPU和IO都消耗的非常厲害。
——total-cpu-usage---- -dsk/total- -net/total- ---paging-- ---system-- usr sys idl wai hiq siq| read writ| recv send| in out | int csw 1 0 99 0 0 0|8667B 862k| 0 0 | 0 0 | 536 842 1 3 93 2 0 1| 0 102M| 112k 12k| 0 0 | 21k 50k 1 3 94 2 0 1| 0 101M| 89k 5068B| 0 0 | 21k 49k 1 3 93 2 0 1| 0 103M| 97k 5170B| 0 0 | 21k 50k 1 4 93 2 0 1| 0 103M| 80k 15k| 0 0 | 21k 50k 1 4 92 2 0 1| 0 102M| 112k 8408B| 0 0 | 21k 50k
分析
由於SBM並不能真正代表同步的狀態，所以最開始我們認為有一個比較大的event在執行過程中，所以導致SBM=0但是pos位置不對，但是在觀察一段之后發現，現象並沒有變化，並且Relay_Log_File始終在同一個文件上。
為了找到這個現象的原因，我們使用strace來分析。由於服務器的現象是有非常大的磁盤寫操作，故先使用iotop定位寫入量較大的thread id，然后通過strace -p來分析。
通過strace采集的信息如下：
read(38, "376bin>303275T1721325322Bg000k0000040005.5.31-"..., 8192) = 150 lseek(36, 0, SEEKSET) = 0 write(36, "./relay-bin.000914n107nmysql-bin"..., 44) = 44 read(38, "", 8042) = 0 close(38) = 0 lseek(36, 0, SEEKSET) = 0 write(36, "./relay-bin.000914n107nmysql-bin"..., 44) = 44 unlink("./relay-bin.rec") = -1 ENOENT (No such file or directory) open("./relay-bin.rec", ORDWR|OCREAT, 0660) = 38 lseek(38, 0, SEEKCUR) = 0 fsync(38) = 0 lseek(35, 0, SEEKSET) = 0 read(35, "./relay-bin.000914n./relay-bin.0"..., 8192) = 437 lseek(35, 0, SEEKSET) = 0 write(35, "./relay-bin.000914n./relay-bin.0"..., 437) = 437 lseek(35, 437, SEEKSET) = 437 read(35, "", 8192) = 0 lseek(35, 0, SEEKEND) = 437 fsync(35) = 0 lseek(38, 0, SEEKSET) = 0 close(38) = 0 unlink("./relay-bin.rec") = 0 lseek(35, 0, SEEKSET) = 0 read(35, "./relay-bin.000914n./relay-bin.0"..., 437) = 437 open("./relay-bin.000914", ORDONLY) = 38 lseek(38, 0, SEEKCUR) = 0 read(38, "376bin>303275T1721325322Bg000k0000040005.5.31-"..., 8192) = 150 lseek(36, 0, SEEKSET) = 0 write(36, "./relay-bin.000914n107nmysql-bin"..., 44) = 44 read(38, "", 8042) = 0
從上面可以看出MySQLD在不斷的read和write35、36、38這3個文件。通過內容，我們大概可以看出這3個文件應該是relay-bin.index、relay-bin.000914和relay-log.info這3個文件。但是如何確定這3個文件呢？ 這時候就需要lsof了，通過lsof我們可以發現每個pid在proc下都會有一個fd的目錄，在這個目錄中就是各個文件的鏈接，通過fd號就可以直接確定具體是那個文件了
cd /proc/$pid/fd ll -h lr-x------ 1 root root 64 Jan 31 12:44 0 -> /dev/null l-wx------ 1 root root 64 Jan 31 12:44 1 -> /data1/mysql3361/error.log lrwx------ 1 root root 64 Jan 31 12:44 10 -> /data1/mysql3361/iblogfile1 lrwx------ 1 root root 64 Jan 31 12:44 11 -> /data1/mysql3361/iblogfile2 lr-x------ 1 root root 64 Jan 31 12:44 12 -> /data1/mysql3361/relay-bin.rec lrwx------ 1 root root 64 Jan 31 12:44 13 -> /data1/mysql3361/ibF0ovt9 (deleted) lrwx------ 1 root root 64 Jan 31 12:44 14 -> socket:1042425539 lrwx------ 1 root root 64 Jan 31 12:44 15 -> /data1/mysql3361/relay-bin.index lrwx------ 1 root root 64 Jan 31 12:44 16 -> socket:1042425540 lrwx------ 1 root root 64 Jan 31 12:44 17 -> /data1/mysql3361/sngdb/sngrankscore6.ibd lrwx------ 1 root root 64 Jan 31 12:44 18 -> /data1/mysql3361/mysql/host.MYI lrwx------ 1 root root 64 Jan 31 12:44 19 -> /data1/mysql3361/mysql/host.MYD l-wx------ 1 root root 64 Jan 31 12:44 2 -> /data1/mysql3361/error.log lrwx------ 1 root root 64 Jan 31 12:44 20 -> /data1/mysql3361/mysql/user.MYI lrwx------ 1 root root 64 Jan 31 12:44 21 -> /data1/mysql3361/mysql/user.MYD
定位
至此，我們已經非常確定是由於這3個文件導致，那么具體看一下這3個文件有什么異常？在挨個檢查后發現，relay-bin.index文件非常異常，同樣的relay-bin在index中存在了兩行，這會不會就是問題的原因呢？
cat relay-bin.index ./relay-bin.000914 ./relay-bin.000914 ./relay-bin.000915 ./relay-bin.000916 cat relay-log.info ./relay-bin.000914 107 mysql-bin.000724 107
人肉去掉一行之后，發現一切變正常了，那么看來問題的原因就在於relay-bin.index中存在着兩行同樣的記錄導致的了，但是為什么會導致這種現象呢？
再分析
這時候純想已經沒有用了，只好從code中尋找答案，主要看slave.cc和log.cc。
具體來說就是MySQL在啟動slave的時候會從relay-log.info中讀取對應的filename和pos然后去execute relay log event，當執行完畢之后會進行刪除操作，mysql會使用reinit_io_cache重置relay-log.index文件的文件指針，之后再采用find_log_pos里面的代碼mcmcmp從relay-log.index第一行確認所需偏移，這時候就又回到了同樣的relay-log，於是死循環產生了。
int MYSQLBINLOGfindlogpos(LOGINFO linfo, const char logname,
bool needlock)
(void) reinitiocache(&indexfile, READCACHE, (myofft) 0, 0, 0);
for (;;)
if (!logname
(lognamelen == fnamelen-1 && fullfnamelognamelen == 'n' &&
!memcmp(fullfname, fulllogname, lognamelen)))
DBUGPRINT("info", ("Found log file entry"));
fullfnamefnamelen-1]= 0; // remove last n
linfo->indexfilestartoffset= offset;
linfo->indexfileoffset = mybtell(&indexfile);
break;
}
}
}
}
簡單來說：
- sql-thread讀取relay-log.info，開始從000914開始執行。
- 執行完畢之后，從index中讀取下一個relay-log，發現還是000914
- 於是將指針又定位到index文件的第一行
- 然后死循環就產生了
- 至於之后的000915等文件是由於io-thread生成的，和sql-thread無關，可以忽略
至此，出現SBM=0現象，並且產生很大的IO消耗的原因已經確定，就是由於relay-bin.index文件中的重復行導致。但是為什么會產生同樣的兩行數據呢？
分析產生原因
首先，這個絕對不可能是人閑的抽風手動vi的。
其次，手動執行flush logs的時候relay-log會自動增加一個。
再次，眾所周知，MySQl再啟動的時候會自動執行類似flush logs的操作，將relay-log自動向下創建一個。
結合上面的信息，並在同事的不斷追查下，最終發現是由於我們的備份導致的。
第一、我們每天都會進行數據庫的冷備，使用rsync方式。
第二、我們每天會對日志進行歸檔操作，定時執行flush logs。
當以上兩個操作遭遇到一起之后，就會發生在拷貝完relay-log和relay-bin.index之間執行了flush logs操作，這樣就導致relay-log和relay-bin.index中不等，也就導致了使用這個備份進行擴容都會產生index文件中的重復行。
總結改進
終於，這么奇葩，這么小概率的一個問題終於找到根源，在此之前，真是想破頭也想不出來到底是怎么回事。感謝 @zolker @大自在真人 @zhangyang8的 深入調研和追查，沒有鍥而不舍的精神，我們是不會追查到這種地步的。
然后就是改進了：
- 加強對備份的文件一致性效驗，從根源上避免。
- 加強還原程序的兼容性，由於index文件對於擴容的slave並沒有實際意義，所以如果發現重復行可以直接置空index文件。