瓜子二手車在 Dubbo 版本升級、多機房方案方面的思考和實踐

前言

隨着瓜子業務的不斷髮展，系統規模在逐漸擴大，目前在瓜子的私有云上已經運行着數百個 Dubbo 應用，上千個 Dubbo 實例。瓜子各部門業務迅速發展，版本沒有來得及統一，各個部門都有自己的用法。隨着第二機房的建設，Dubbo 版本統一的需求變得越發迫切。幾個月前，公司發生了一次與 Dubbo 相關的生產事故，成爲了公司 基於社區 Dubbo 2.7.3 版本升級的誘因。

接下來，我會從這次線上事故開始，講講我們這段時間所做的 Dubbo 版本升級的歷程以及我們規劃的 Dubbo 後續多機房的方案。

一、Ephermal節點未及時刪除導致provider不能恢復註冊的問題修復

事故背景

在生產環境，瓜子內部各業務線共用一套zookeeper集羣作爲dubbo的註冊中心。2019年9月份，機房的一臺交換機發生故障，導致zookeeper集羣出現了幾分鐘的網絡波動。在zookeeper集羣恢復後，正常情況下dubbo的provider應該會很快重新註冊到zookeeper上，但有一小部分的provider很長一段時間沒有重新註冊到zookeeper上，直到手動重啓應用後才恢復註冊。

排查過程

首先，我們統計了出現這種現象的dubbo服務的版本分佈情況，發現在大多數的dubbo版本中都存在這種問題，且發生問題的服務比例相對較低，在github中我們也未找到相關問題的issues。因此，推斷這是一個尚未修復的且在網絡波動情況的場景下偶現的問題。

接着，我們便將出現問題的應用日誌、zookeeper日誌與dubbo代碼邏輯進行相互印證。在應用日誌中，應用重連zookeeper成功後provider立刻進行了重新註冊，之後便沒有任何日誌打印。而在zookeeper日誌中，註冊節點被刪除後，並沒有重新創建註冊節點。對應到dubbo的代碼中，只有在FailbackRegistry.register(url)的doRegister(url)執行成功或線程被掛起的情況下，才能與日誌中的情況相吻合。

    public void register(URL url) {
        super.register(url);
        failedRegistered.remove(url);
        failedUnregistered.remove(url);
        try {
            // Sending a registration request to the server side
            doRegister(url);
        } catch (Exception e) {
            Throwable t = e;

            // If the startup detection is opened, the Exception is thrown directly.
            boolean check = getUrl().getParameter(Constants.CHECK_KEY, true)
                    && url.getParameter(Constants.CHECK_KEY, true)
                    && !Constants.CONSUMER_PROTOCOL.equals(url.getProtocol());
            boolean skipFailback = t instanceof SkipFailbackWrapperException;
            if (check || skipFailback) {
                if (skipFailback) {
                    t = t.getCause();
                }
                throw new IllegalStateException("Failed to register " + url + " to registry "
+ getUrl().getAddress() + ",cause: " + t.getMessage(), t);
            } else {
                logger.error("Failed to register " + url + ", waiting for retry,
cause: " + t.getMessage(), t);
            }

            // Record a failed registration request to a failed list, retry regularly
            failedRegistered.add(url);
        }
    }

在繼續排查問題前，我們先普及下這些概念：dubbo默認使用curator作爲zookeeper的客戶端，curator與zookeeper是通過session維持連接的。當curator重連zookeeper時，若session未過期，則繼續使用原session進行連接；若session已過期，則創建新session重新連接。而ephemeral節點與session是綁定的關係，在session過期後，會刪除此session下的ephemeral節點。

繼續對doRegister(url)的代碼進行進一步排查，我們發現在CuratorZookeeperClient.createEphemeral(path)方法中有這麼一段邏輯：在createEphemeral(path)捕獲了NodeExistsException，創建ephemeral節點時，若此節點已存在，則認爲ephemeral節點創建成功。這段邏輯初看起來並沒有什麼問題，且在以下兩種常見的場景下表現正常：

1. Session未過期，創建Ephemeral節點時原節點仍存在,不需要重新創建
2. Session已過期，創建Ephemeral節點時原節點已被zookeeper刪除，創建成功

    public void createEphemeral(String path) {
        try {
            client.create().withMode(CreateMode.EPHEMERAL).forPath(path);
        } catch (NodeExistsException e) {
        } catch (Exception e) {
            throw new IllegalStateException(e.getMessage(), e);
        }
    }

但是實際上還有一種極端場景，zookeeper的Session過期與刪除Ephemeral節點不是原子性的，也就是說客戶端在得到Session過期的消息時，Session對應的Ephemeral節點可能還未被zookeeper刪除。此時dubbo去創建Ephemeral節點,發現原節點仍存在，故不重新創建。待Ephemeral節點被zookeeper刪除後，便會出現dubbo認爲重新註冊成功，但實際未成功的情況，也就是我們在生產環境遇到的問題。

此時，問題的根源已被定位。定位問題之後，經我們與 Dubbo 社區交流，發現考拉的同學也遇到過同樣的問題，更確定了這個原因。

問題的復現與修復

定位到問題之後，我們便開始嘗試本地復現。由於zookeeper的Session過期但Ephemeral節點未被刪除的場景直接模擬比較困難，我們通過修改zookeeper源碼，在Session過期與刪除Ephemeral節點的邏輯中增加了一段休眠時間，間接模擬出這種極端場景，並在本地復現了此問題。

在排查問題的過程中，我們發現kafka的舊版本在使用zookeeper時也遇到過類似的問題，並參考kafka關於此問題的修復方案，確定了dubbo的修復方案。在創建Ephemeral節點捕獲到NodeExistsException時進行判斷，若Ephemeral節點的SessionId與當前客戶端的SessionId不同，則刪除並重建Ephemeral節點。在內部修復並驗證通過後，我們向社區提交了issues及pr。

kafka類似問題issues：https://issues.apache.org/jira/browse/KAFKA-1387

dubbo註冊恢復問題issues：https://github.com/apache/dubbo/issues/5125

二、瓜子的dubbo升級歷程

上文中的問題修復方案已經確定，但我們顯然不可能在每一個dubbo版本上都進行修復。在諮詢了社區dubbo的推薦版本後，我們決定在dubbo2.7.3版本的基礎上，開發內部版本修復來這個問題。並借這個機會，開始推動公司dubbo版本的統一升級工作。

爲什麼要統一dubbo版本

1. 統一dubbo版本後，我們可以在此版本上內部緊急修復一些dubbo問題（如上文的dubbo註冊故障恢復失效問題）。
2. 瓜子目前正在進行第二機房的建設，部分dubbo服務也在逐漸往第二機房遷移。統一dubbo版本，也是爲dubbo的多機房做鋪墊。
3. 有利於我們後續對dubbo服務的統一管控。
4. dubbo社區目前的發展方向與我們公司現階段對dubbo的一些訴求相吻合，如支持gRPC、雲原生等。

爲什麼選擇dubbo2.7.3

1. 我們瞭解到，在我們之前攜程已經與dubbo社區合作進行了深度合作，攜程內部已全量升級爲 2.7.3 的社區版本，並在協助社區修復了 2.7.3 版本的一些兼容性問題。感謝攜程的同學幫我們踩坑～
2. dubbo2.7.3版本在當時雖然是最新的版本，但已經發布了2個月的時間，從社區issues反饋來看，dubbo2.7.3相對dubbo2.7之前的幾個版本，在兼容性方面要好很多。
3. 我們也諮詢了dubbo社區的同學，推薦升級版本爲2.7.3。

內部版本定位

基於社區dubbo2.7.3版本開發的dubbo內部版本屬於過渡性質的版本，目的是爲了修復線上provider不能恢復註冊的問題，以及一些社區dubbo2.7.3的兼容性問題。瓜子的dubbo最終還是要跟隨社區的版本，而不是開發自已的內部功能。因此我們在dubbo內部版本中修復的所有問題均與社區保持了同步，以保證後續可以兼容升級到社區dubbo的更高版本。

兼容性驗證與升級過程

我們在向dubbo社區的同學諮詢了版本升級方面的相關經驗後，於9月下旬開始了dubbo版本的升級工作。

1. 初步兼容性驗證
   首先,我們梳理了一些需要驗證的兼容性case，針對公司內部使用較多的dubbo版本，與dubbo2.7.3一一進行了兼容性驗證。經驗證，除dubboX外，dubbo2.7.3與其他dubbo版本均兼容。dubboX由於對dubbo協議進行了更改，與dubbo2.7.3不兼容。
2. 生產環境兼容性驗證
   在初步驗證兼容性通過後，我們與業務線合作，挑選了一些重要程度較低的項目，在生產環境對dubbo2.7.3與其他版本的兼容性進行了進一步驗證。並在內部版本修復了一些兼容性問題。
3. 推動公司dubbo版本升級
   在10月初，完成了dubbo兼容性驗證後，我們開始在各個業務線推動dubbo的升級工作。截止到12月初,已經有30%的dubbo服務的完成了版本升級。按照排期，預計於2020年3月底前完成公司dubbo版本的統一升級。

兼容性問題彙總

在推動升級dubbo2.7.3版本的過程整體上比較順利,當然也遇到了一些兼容性問題：

創建zookeeper節點時提示沒有權限
dubbo配置文件中已經配置了zookeeper的用戶名密碼，但在創建zookeeper節點時卻拋出KeeperErrorCode = NoAuth的異常，這種情況分別對應兩個兼容性問題：

參考社區的pr，我們在內部版本進行了修復。

• issues:https://github.com/apache/dubbo/issues/5076
  dubbo在未配置配置中心時，默認使用註冊中心作爲配置中心。通過註冊中心的配置信息初始化配置中心配置時，由於遺漏了用戶名密碼，導致此問題。
• issues:https://github.com/apache/dubbo/issues/4991
  dubbo在建立與zookeeper的連接時會根據zookeeper的address複用之前已建立的連接。當多個註冊中心使用同一個address，但權限不同時，就會出現NoAuth的問題。

• curator版本兼容性問題

  <dependency>
      <groupId>org.apache.curator</groupId>
      <artifactId>curator-framework</artifactId>
      <version>4.2.0</version>
  </dependency>
  <dependency>
      <groupId>org.apache.curator</groupId>
      <artifactId>curator-recipes</artifactId>
      <version>4.2.0</version>
  </dependency>

  • dubbo2.7.3與低版本的curator不兼容，因此我們默認將curator版本升級至4.2.0
  • 分佈式調度框架elastic-job-lite強依賴低版本的curator,與dubbo2.7.3使用的curator版本不兼容,這給dubbo版本升級工作帶來了一定阻塞。考慮到elastic-job-lite已經很久沒有人進行維護，目前一些業務線計劃將elastic-job-lite替換爲其他的調度框架。
• openFeign與dubbo兼容性問題
  issues: https://github.com/apache/dubbo/issues/3990

dubbo的ServiceBean監聽spring的ContextRefreshedEvent,進行服務暴露。openFeign提前觸發了ContextRefreshedEvent，此時ServiceBean還未完成初始化，於是就導致了應用啓動異常。
參考社區的pr，我們在內部版本修復了此問題。

• RpcException兼容性問題
  dubbo低版本consumer不能識別dubbo2.7版本provider拋出的org.apache.dubbo.rpc.RpcException。因此，在consumer全部升級到2.7之前，不建議將provider的com.alibaba.dubbo.rpc.RpcException改爲org.apache.dubbo.rpc.RpcException
• qos端口占用
  dubbo2.7.3默認開啓qos功能，導致一些混部在物理機的dubbo服務升級時出現qos端口占用問題。關閉qos功能後恢復。
• 自定義擴展兼容性問題
  業務線對於dubbo的自定義擴展比較少，因此在自定義擴展的兼容性方面暫時還沒有遇到比較難處理的問題，基本上都是變更package導致的問題，由業務線自行修復。
• skywalking agent兼容性問題
  我們項目中一般使用skywalking進行鏈路追蹤，由於skywalking agent6.0的plugin不支持dubbo2.7，因此統一升級skywalking agent到6.1。

三、dubbo多機房方案

瓜子目前正在進行第二機房的建設工作，dubbo多機房是第二機房建設中比較重要的一個話題。在dubbo版本統一的前提下，我們就能夠更順利的開展dubbo多機房相關的調研與開發工作。

初步方案

我們諮詢了dubbo社區的建議，並結合瓜子云平臺的現狀，初步確定了dubbo多機房的方案。

1. 在每個機房內，部署一套獨立的zookeeper集羣。集羣間信息不同步。這樣就沒有了zookeeper集羣跨機房延遲與數據不同步的問題。
2. dubbo服務註冊時，僅註冊到本機房的zookeeper集羣；訂閱時，同時訂閱兩個機房的zookeeper集羣。
3. 實現同機房優先調用的路由邏輯。以減少跨機房調用導致的不必要網絡延遲。

同機房優先調用

dubbo同機房優先調用的實現比較簡單，相關邏輯如下：

1. 瓜子云平臺默認將機房的標誌信息注入容器的環境變量中。
2. provider暴露服務時，讀取環境變量中的機房標誌信息，追加到待暴露服務的url中。
3. consumer調用provider時，讀取環境變量中的機房標誌信息，根據路由策略優先調用具有相同標誌信息的provider。

針對以上邏輯，我們簡單實現了dubbo通過環境變量進行路由的功能，並向社區提交了pr。

dubbo通過環境變量路由pr: https://github.com/apache/dubbo/pull/5348

原文鏈接
本文爲阿里雲原創內容，未經允許不得轉載。