前言
我們的分庫分表中間件在線上運行了兩年多，到目前為止還算穩定。在筆者將精力放在處理各種災難性事件(例如中間件物理機宕機/數據庫宕機/網絡隔離等突發事件)時。竟然發現還有一些奇怪的corner case。現在就將排查思路寫成文章分享出來。
Bug現場
應用拓撲
應用通過中間件連后端多個數據庫,sql會根據路由規則路由到指定的節點,如下圖所示:
錯誤現象
應用在做某些數據庫操作時，會發現有比較大的概率失敗。他們的代碼邏輯是這樣:
int count = updateSql(sql1);
...
// 偽代碼
int count = updateSql("update test set value =1 where id in ("100","200") and status = 1;
if( 0 == count ){
throw new RuntimeException("更新失敗");
}
......
int count = updateSql(sql3);
...
即每做一次update之后都檢查下是否更新成功，如果不成功則回滾並拋異常。
在實際測試的過程中，發現經常報錯，更新為0。而實際那條sql確實是可以更新到的(即報錯回滾后，我們手動執行sql可以執行並update count>0)。
中間件日志
筆者根據sql去中間件日志里面搜索。發現了非常奇怪的結果,日志如下:
2020-03-13 11:21:01:440 [NIOREACTOR-20-RW] frontIP=>ip1;sqlID=>12345678;rows=>0;sql=>update test set value =1 where id in ("1","2") and status = 1;start=>11:21:01:403;time=>24266;
2020-03-13 11:21:01:440 [NIOREACTOR-20-RW] frontIP=>ip1;sqlID=>12345678;rows=>2;sql=>update test set value =1 where id in ("1","2") and status = 1;start=>11:21:01:403;time=>24591;
由於中間件對每條sql都標識了唯一的一個sqlID,在日志表現看來就好像sql執行了兩遍!由於sql中有一個in，很容易想到是否被拆成了兩條執行了。如下圖所示:
這條思路很快被筆者否決了，因為筆者explain並手動執行了一下，這條sql確實只路由到了一個節點。真正完全否決掉這條思路的是筆者在日志里面還發現，同樣的SQL會打印三遍！即看上去像執行了三次，這就和僅僅只in了兩個id的sql在思路上相矛盾了。
數據庫日志
那到底數據真正執行了多少條呢？找DBA去撈一下其中的sql日志，由於線下環境沒有日志切割，日志量巨大，搜索時間太慢。沒辦法，就按照現有的數據進行分析吧。
日志如何被觸發
由於當前沒有任何思路，於是筆者翻看中間件的代碼,發現在update語句執行后,中間件會在收到mysql okay包后打印上述日志。如下圖所示:
注意到所有出問題的update出問題的時候都是同一個NIOREACTOR線程先后打印了兩條日志，所以筆者推斷這兩個okay大概率是同一個后端連接返回的。
什么情況會返回多個okay?
這個問題筆者思索了很久，因為在筆者的實際重新執行出問題的sql並debug時，永遠只有一個okay返回。於是筆者聯想到，我們中間件有個狀態同步的部分,而這些狀態同步是將set auto_commit=0等sql拼接到應用發送的sql前面。即變成如下所示:
sql可能為
set auto_commit=0;set charset=gbk;>update test set value =1 where id in ("1","2") and status = 1;
於是筆者細細讀了這部分的代碼，發現處理的很好。其通過計算出前面拼接出的sql數量，再在接收okay包的時候進行遞減，最后將真正執行的那條sql處理返回。其處理如下圖所示:
但這里確給了筆者一個靈感，即一條sql文本確實是有可能返回多個okay包的。
真相大白
在筆者發現(sql1;sql2;)這樣的拼接sql會返回多個okay包后，就立刻聯想到，該不會業務自己寫了這樣的sql發給中間件，造成中間件的sql處理邏輯錯亂吧。因為我們的中間件只有在對自己拼接(同步狀態)的sql做處理，明顯是無法處理應用傳過來即為拼接sql的情況。
由於看上去有問題的那條sql並沒有拼接，於是筆者憑借這條sql打印所在的reactor線程往上搜索，發現其上面真的有拼接sql!
2020-03-1311:21:01:040[NIOREACTOR-20RW]frontIP=>ip1;sqlID=>12345678;rows=>1;
sql=>update test_2 set value =1 where id=1 and status = 1;update test_2 set value =1 where id=2 and status = 1;
如上圖所示，(update1;update2)中update1的okay返回被驅動認為是所有的返回。然后應用立即發送了update3。前腳剛發送,update2的okay返回就回來了而其剛好是0，應用就報錯了(要不是0，這個錯亂邏輯還不會提前暴露)。那三條"重復執行"也很好解釋了，就是之前的拼接sql會有三條。
為何是概率出現
但奇怪的是，並不是每次拼接sql都會造成update3"重復執行"的現象，按照筆者的推斷應該前面只要是多條拼接sql就會必現才對。於是筆者翻了下jdbc驅動源碼，發現其在發送命令之前會清理下接收buffer，如下所示:
MysqlIO.java
final Buffer sendCommand(......){
......
// 清理接收buffer,會將殘存的okay包清除掉
clearInputStream();
......
send(this.sendPacket, this.sendPacket.getPosition());
......
}
正是由於clearInputStream()使得錯誤非必現(暴露)，如果okay(update2)在應用發送第三條sql前先到jdbc驅動會被驅動忽略！
讓我們再看一下不會讓update3"重復執行"的時序圖:
即根據okay(update2)返回的快慢來決定是否暴露這個問題,如下圖所示:
同時筆者觀察日志，確實這種情況下"update1;update2"這條語句在中間件里面日志有兩條。
臨時解決方案
讓業務開發不用這些拼接sql的寫法后，再也沒出過問題。
為什么不連中間件是okay的
業務開發這些sql是就在線上運行了好久，用了中間件后才出現問題。
既然不連中間件是okay的，那么jdbc必然有這方面的完善處理，筆者去翻了下mysql-connect-java(5.1.46)。由於jdbc里面存在大量的兼容細節處理，筆者這邊只列出一些關鍵代碼路徑:
MySQL JDBC 源碼
MySQLIO
stack;
executeUpdate
|->executeUpdateInternel
|->executeInternal
|->execSQL
|->sqlQueryDirect
|->readAllResults (MysqlIO.java)
readAllResults: //核心在這個函數的處理里面
ResultSetImpl readAllResults(......){
......
while (moreRowSetsExist) {
......
// 在返回okay包的保中其serverStatus字段中如果SERVER_MORE_RESULTS_EXISTS置位
// 表明還有更多的okay packet
moreRowSetsExist = (this.serverStatus & SERVER_MORE_RESULTS_EXISTS) != 0;
}
......
}
正確的處理流程如下圖所示:
而我們中間件的源碼確實這么處理的:
@Override
public void okResponse(byte[] data, BackendConnection conn) {
......
// 這邊僅僅處理了autocommit的狀態，沒有處理SERVER_MORE_RESULTS_EXISTS
// 所以導致了不兼容拼接sql的現象
ok.serverStatus = source.isAutocommit() ? 2 : 1;
ok.write(source);
......
}
select也"重復執行"了
解決完上面的問題后，筆者在日志里竟然發現select盡然也有重復的，這邊並不會牽涉到okay包的處理，難道還有問題？日志如下所示:
2020-03-13 12:21:01:040[NIOREACTOR-20RW]frontIP=>ip1;sqlID=>12345678;rows=>1;select abc;
2020-03-13 12:21:01:045[NIOREACTOR-21RW]frontIP=>ip2;sqlID=>12345678;rows=>1;select abc;
從不同的REACTOR線程號(20RW/21RW)和不同的frontIP(ip1,ip2)來看是兩個連接執行了同樣的sql,但為何sqlID是一樣的？任何一個詭異的現象都必須一查到底。於是筆者登錄到應用上看了下應用日志，確實應用有兩個不同的線程運行了同一條sql。
那肯定是中間件日志打印的問題了,筆者很快就想通了其中的關竅，我們中間件有個對同樣sql緩存其路由節點結構體的功能(這樣下一次同樣sql就不必解析，降低了CPU)，而sqlID信息正好也在那個路由節點結構體里面。如下圖所示:
這個緩存功能感覺沒啥用(因為線上基本是沒有相同sql的)，於是筆者在筆者優化的閃電模式下(大幅度提高中間件性能)將這個功能禁用掉了，沒想到為了排查問題而開啟的詳細日志碰巧將這個功能開啟了。
總結
任何系統都不能說百分之百穩定可靠，尤其是不能立flag。在線上運行了好幾年的系統也是如此。只有對所有預料外的現象進行細致的追查與深入的分析並解決，才能讓我們的系統越來越可靠。
公眾號
關注筆者公眾號，獲取更多干貨文章:
