推ter的故障处理机制:故障测试

jopen 4年前

对于推ter这样的基础设施规模,硬件和网络错误是不可避免的,但无论是哪一种错误都可能对用户体验造成消极的影响,因此对一个系统而言弹性的错误处理能力是非常重要的,那么推ter是怎样做的呢?最近推ter基础设施工程团队的负责人 Mazdak Hashemi 在官方博客上发表了一篇文章,介绍了 推ter的故障测试机制

为了测试服务如何响应异常,推ter创建了一个能够将受控的故障条件注入到基础设施中的框架,通过该框架推ter能够发现漏洞,从而更好地为全站范围内的事件处理做好准备,保证系统对意外故障具有较好的容错性。

框架

推ter的故障测试框架由一个Python类库和一个命令行可执行程序组成,通过该框架工程师能够将故障条件直接引入到产品基础设施中,然后能够在测试执行期间监控全站范围的健康指标,并在状态发生变化的时候发送系统通知。

该框架包含三个模块:

  • 故障引入(Mischief)模块,在产品服务和基础设施中引入或者撤回故障测试
  • 监控模块,检查 服务的健康指标 ,查找可能导致全站范围事件的状态
  • 通知模块,与HipChat和JIRA等系统交互,在故障测试执行期间提供实时的状态更新

到目前为止,框架支持的故障条件包括:

  • 发送命令给IPMI控制器和PDU的功率损耗
  • Mesos 中服务集群的部分或者全部丢失
  • 推送新转换配置造成的网络丢失

下面是一个介绍工程师如何使用框架测试故障条件的示例,该示例为abc机架上的所有Hadoop DataNode引入了一个30分钟的功率损耗,然后监控健康指标并向聊天室发送状态更新:

failure_test:    name: Power loss within rack abc in datacenter abcd    duration_mins: 30      mischief:      - power_loss:          datacenter: abcd          selectors:            - group:                type: role                name: hadoop.datanode            - group:                type: rack                name: abc      notifiers:      - chat:          rooms:            - Failure Testing      monitors:      - observability:          datacenter: abcd          queries: !snippet

将这些配置发送到框架的命令行工具上之后,框架首先会解析这些配置,确认其有效性。接下来框架会进入准备阶段,收集引入故障条件所需的所有信息,例如目标机器的主机名和IPMI BMC接口的地址等。准备成功之后,框架会检查需要测试的所有系统是否健康,并尝试引入请求的故障条件。如果条件引入成功,框架就会定期地(每分钟)检查监控,确保测试期间所有系统都运转正常,如果这期间有任何一个监控发送了错误的状态,那么测试就失败,否则测试就成功。但是无论是成功还是失败,框架都会在测试执行完成之后立即取消引入的所有故障条件。

完整的流程图如下:

推ter的故障处理机制:故障测试

挑战

推ter运行的基础设施具有异构且动态的特性,所以在为一个具体的服务引入故障测试时需要细心的设计和计划,考虑要全面。例如,托管在Apache Aurora上动态调度的服务与直接运行在硬件设备上的服务不同。为了找到引发异常的真正原因,必须捕获完整的测试环境,包括机架配置、服务类型以及流量等信息,因为在某些情况下,异常可能是由上游或下游的问题,或者是服务恢复行为引发的。

使用情况与经验教训

在过去的6个月,这一框架驱动了推ter所有的故障测试,帮助推ter发现了大量的漏洞,让推ter对 Apache MesosApache Aurora 等主要系统的弹性故障处理机制有了非常强烈的信心。

另外,推ter还总结了一些经验教训。例如,从机架顶部开关损坏的故障中总结出:当这种情况发生的时候,运行在该机架上的服务要么全部从网络上丢失,要么丢失部分包,对于前一种情况推ter的服务能够很好地处理,但是后一种情况却几乎总是会造成某些内部的影响,这种影响的严重程度取决于机架的配置和Mesos从机上运行的服务种类。

未来的工作

推ter将继续使用该框架测试基础设施对随机故障的处理能力,找到系统的瓶颈。同时,故障测试程序的范围也会增加,将来扩展RPC系统层也将支持这种机制。