Ambari Server网口带宽占用率很高问题的分析和解决办法

背景

Ambari是Hortonworks出一款开源Hadoop管理系统，是用python写的，目前市场是开源的Hadoop管理系统好像就只有这一个，虽然Ambari问题很多，也不好用，但也没办法了。

最近监控系统经常报警说一个url老是不可达，只是一个ambari服务器的url 。

于是登录到服务器上一探究竟。

原因分析

用iftop查看网络状况，发现网络占用率很高，达到了700Mbps，而且一直居高不下，网卡最大带宽是1000Mbps，被用掉了一大半，怪不得会报警，这是不正常的。

再仔细看，发现ambari server和每个slavenodes都有很多包传输，肯定和某个服务有关。怀疑是Ganglia。

保险起见，我登录到另外一个ambari server上，发现网络占用率很低，1Mbps都不到。

 

用tcpdump抓包，然后用wireshark分析。

tcpdump -i bond0 'host SLAVENODE' -w traffic.cap -G 60 -W 1

-G：override previous saved file very n seconds .

-W: Keep n files

 

抓好包后把，包传到自己电脑上，用wireshark分析，发现几乎所有包都是metrics相关的，推断肯定是ganglia ，因为另外一个ambari server上没有装ganglia。

虽然ganglia服务已经被停掉了，但估计是agents端在一直不停的发metrics给server端，导致了很高的网络占用率。

于是删掉ganglia，在ambari web UI中没法删掉ganglia，只能调用ambari API 来做。

#STOP THE GANGLIA SERVICE
curl -u admin:admin -H "X-Requested-By: ambari" -X PUT -d '{"RequestInfo":{"context":"Stop Service"},"Body":{"ServiceInfo":{"state":"INSTALLED"}}}' https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/services/GANGLIA

#STOP THE SERVER AND MONITOR ON THE GANGLIA SERVER
curl -u admin:admin -H "X-Requested-By: ambari" -X PUT -d '{"RequestInfo":{"context":"Stop Component"},"Body":{"HostRoles":{"state":"INSTALLED"}}}' https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/hosts/<GANGLIA_SERVER_FQDN>/host_components/GANGLIA_SERVER
curl -u admin:admin -H "X-Requested-By: ambari" -X PUT -d '{"RequestInfo":{"context":"Stop Component"},"Body":{"HostRoles":{"state":"INSTALLED"}}}' https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/hosts/<GANGLIA_SERVER_FQDN>/host_components/GANGLIA_MONITOR

#STOP THE GANGLIA MONITOR ON ***EVERY*** NODE (REPEAT FOR EACH NODE WHERE GANGLIA IS MONITORING):
curl -u admin:admin -H "X-Requested-By: ambari" -X PUT -d '{"RequestInfo":{"context":"Stop Component"},"Body":{"HostRoles":{"state":"INSTALLED"}}}' https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/hosts/<HOST_FQDN>/host_components/GANGLIA_MONITOR

#STOP EACH SERVICE COMPONENT:
curl -u admin:admin -H "X-Requested-By: ambari" -X PUT -d '{"RequestInfo":{"context":"Stop All Components"},"Body":{"ServiceComponentInfo":{"state":"INSTALLED"}}}' https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/services/GANGLIA/components/GANGLIA_SERVER
curl -u admin:admin -H "X-Requested-By: ambari" -X PUT -d '{"RequestInfo":{"context":"Stop All Components"},"Body":{"ServiceComponentInfo":{"state":"INSTALLED"}}}' https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/services/GANGLIA/components/GANGLIA_MONITOR

#RERUN TO CHECK ALL COMPONENTS ARE STOPPED:
curl --user admin:admin https://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/services/GANGLIA

#REMOVE THE GANGLIA SERVICE: 
curl -u admin:admin -H "X-Requested-By: ambari" -X DELETE http://<AMBARI_NODE>:8080/api/v1/clusters/<CLUSTER_NAME>/services/GANGLIA

卸掉Ganglia之后用iftop查看网络占用率，发现任然很高，不解， 于是再打开wireshark，发现所有包都是UDP包，而且端口大部分都一样，于是登录到对应的slavenode上，用"lsof -i :PORT" ,发现是regionserver进程发出的包，其他的端口对应的是datanode和nodemanager进程发出的包，一团疑惑，按道理应该是Ganglia gmond进程发出的包才对啊，为什么是hadoop进程本身发出的包呢？

问题解决

通过研究后发现，原来hadoop 本身带有metric2 framework，能够集成ganglia这样的监控系统，直接把jvm等metrics直接吐给Ganglia server，其中的一个重要配置文件是/etc/hadoop/conf/hadoop-metric2.properties 。

原理搞懂之后，决定找一个slavenode重启上面的hadoop服务，完成后再用tcpdump抓包，发现metrics包消失了，在ambari Web 上重启所有的slavenodes的hadoop服务，再看网络占用率降下来了，至此，问题解决。