【hadoop】记录一次HDFS集群自动转移故障问题排查和解决方案

一、问题情况：

1. 今天早上收到报警，HDFS namenode 服务异常，发生了自动故障迁移。
   

二、报错内容：

2021-10-26 07:13:56,310 INFO org.apache.hadoop.hdfs.server.namenode.FileJournalManager: Fina      lizing edits file /home/hadoop/dfs/nn/current/edits_inprogress_0000000000824809456 -> /home/      hadoop/dfs/nn/current/edits_0000000000824809456-0000000000824809550
2021-10-26 07:13:56,310 INFO org.apache.hadoop.hdfs.server.namenode.FSEditLog: Starting log       segment at 824809551
2021-10-26 07:16:30,946 INFO org.apache.hadoop.hdfs.server.blockmanagement.CacheReplicationM      onitor: Rescanning after 162713 milliseconds
2021-10-26 07:16:30,947 WARN org.apache.hadoop.hdfs.qjournal.client.QuorumJournalManager: Wa      ited 154637 ms (timeout=20000 ms) for a response for startLogSegment(824809551). No response      s yet.
2021-10-26 07:16:30,947 FATAL org.apache.hadoop.hdfs.server.namenode.FSEditLog: Error: start      ing log segment 824809551 failed for required journal (JournalAndStream(mgr=QJM to [10.11.2.      140:8485, 10.11.2.141:8485, 10.11.2.142:8485], stream=null))
java.io.IOException: Timed out waiting 20000ms for a quorum of nodes to respond.
    at org.apache.hadoop.hdfs.qjournal.client.AsyncLoggerSet.waitForWriteQuorum(AsyncLoggerS      et.java:137)
    at org.apache.hadoop.hdfs.qjournal.client.QuorumJournalManager.startLogSegment(QuorumJou      rnalManager.java:403)
    at org.apache.hadoop.hdfs.server.namenode.JournalSet$JournalAndStream.startLogSegment(Jo      urnalSet.java:107)                                                                          
    at org.apache.hadoop.hdfs.server.namenode.JournalSet$3.apply(JournalSet.java:222)

三、问题原因：

仔细查看nn的日志，和对源码的分析，发现是由于 namenode这个时间点进行了多次长时间的 full gc （持续1分钟以上 ），导致写 journalnode 超时（默认是20s）， namenode进程退出。同时从jn的日志可以看出，后面是没有nn的请求过来的（因为nn已经挂掉了）。

1. 查看下namenode 的堆内存使用情况。目前JVM 配置了32G，已几乎没有剩余。
   

2. 查看下namenode 的gc 情况。
   
   可以看到Full gc 时间基本在1分钟以上，甚至有些数据都无法被正确采集到，而恢复正常的namenode 基本gc 时间是很短的。

那么为什么会导致多次长时间的full gc呢。主要是namenode 堆内存几乎被耗尽。导致一直在做长时间的GC，使得写入journalNode 超时，引发了自动的故障转移。

四、解决方案：

通过这次问题排查，也梳理下集群，发现有些不合理的地方，一并处理了：

1. 增加zookeeper 连接数 60 -> 300
2. 增加namenode jvm大小 32G -> 40G
3. 增加journalNode jvm大小 256M -> 4G
4. 增加journalNode 写入数据超时时间为60s
5. 降低datanode jvm大小 16 -> 8G