storm版本:0.9.0.1
异常描述:拓扑运行一段时间后、个别机器的worker进程会出现time-out重启的情况,而该worker进程重启后,并不能正常工作、在spout不断出现fail、原因不明。将拓扑kill掉、重启该拓扑,则可以正常运转。
观察到出现worker time-out重启的情况,通常都出现在cpu load出现一个小峰值的时间点、如下图所示。
且worker重启,90%的情况都是出现在同一台机器上,因此错以为是该机器cpu负载相对较高,导致的worker无法正常更新心跳包导致的进程重启。
因此想通过延迟supervisor.worker.timeout.secs的超时时间,用以解决问题。例如设置为600s(默认30s)。
在topology中增加了一下配置,
config.put("supervisor.worker.timeout.secs", 600);
StormSubmitter.submitTopology(topoName, config, builder.createTopology());
设置了以上参数后、可以在该topology对应的storm ui看到该参数已经配置了,如下图所示:
到这里,笔者以为配置已经生效,其实不然,后面又出现了worker重启、查看日志发现,仍然是超过30s之后未更新心跳包就被kill掉了。说明配置未生效。
排查storm目录底下的worker日志,发现supervisor.worker.timeout.secs的配置仍为30,与程序日志的600s的配置不符合。
于是修改storm.yaml配置,增加以下配置(未重启storm的supervisor):
supervisor.worker.timeout.secs:600
查看storm目录下的worker日志,发现获取到的supervisor.worker.timeout.secs配置是600s。笔者又以为生效了,但是后有出现worker time-out的情况,还是30超时就会被kill掉。
于是意识到,必须要重启supervisor,配置才会生效。重启后,配置果然生效了,延迟了超时时间、后面基本没有出现worker time-out重启的情况。(笔者根据业务情况、将supervisor.worker.timeout.secs设置为300s,由于五分钟的延迟,对于业务没有太大影响,因此就如此简单粗暴地处理了)。
后面相对空闲时,又对该问题进行排查。发现不断出现的worker time-out情况的机器、该机器的gc情况比较异常,异常情况如下:
- .异常机器的gc次数比正常机器少一半。
- .异常机器的gc时间比正常机器多一倍。
由上述的异常情况、笔者认为是该worker的gc的时间过长、才导致worker time-out超时。
通过java dump将java堆栈信息打印出来分析、发现该机器是由于bolt处理太慢、才出现的频繁full gc,才导致上述情况发生,于是可以对症下药,进行优化啦~