如果你也在用ZK，那这个导致集群挂掉的坑一定得注意！

最新推荐文章于 2024-07-20 16:05:19 发布

转转技术团队

最新推荐文章于 2024-07-20 16:05:19 发布

阅读量162

点赞数

文章标签： zookeeper

本文链接：https://blog.csdn.net/zhuanzhuantech/article/details/135194057

版权

0 结论

结论先行：ZK在3.4.6及以下版本存在选举端口（默认3888）失效而无法选举的重大漏洞。相关issue如下：

issue-3016：Follower QuorumCnxManager$Listener thread died due to incorrect client packet
issue-2186：QuorumCnxManager#receiveConnection may crash with random input

简单来说，ZK的选举端口3888在收到错乱的数据包时，可能会因创建负数大小的数组而抛出NegativeArraySizeException，导致选举端口的监听线程QuorumCnxManager$Listener整体退出，从而无法选举。集群还能正常读写，但无法选举，一旦有节点重启就加入不了，坑不坑！！！

1 问题背景

12月20日，一个阳光明媚的寒冬午后，刚从午睡中醒来，两眼朦胧，运维部大C带着一脸坏笑走过来，如下是我俩的对话。

大C：云杰，咱们的ZK集群有两个节点加入不了集群了。

我：（立马就清醒了）5个挂了俩，现在就剩下3个工作，再挂1个集群就整体挂了啊！怎么回事？

大C：是啊。我们也没改啥配置，就是正常重启下，发现加入不了了，以前也都没事。

我：不会吧？这么神奇！关键我们对ZK也没经验啊！

大C：就是这么神奇！ZK是Java写的，我们运维基本不用Java，你们架构肯定更专业点。

我：好吧，你说的好像也没错。

抱着求知的心态，开启了本篇的探索之旅。

2 现象

2.1 环境配置

5个节点的zoo.cfg配置如下：

server.6=10.40.xx.81:2888:3888
server.7=10.40.xx.41:2888:3888
server.8=10.40.xx.51:2888:3888
server.9=10.40.xx.111:2888:3888
server.10=10.40.xx.121:2888:3888

2.2 现象

6号和8号已重启，但无法加入；
7号、9号和10号未重启，仍能正常读写，10号为Leader。

2.2.1 已重启节点

6号ZK日志报错如下：

表明无法与未重启节点的3888进行选举通信。

在6号上使用zkCli.sh登陆本机也失败：

表示无法在本机上读写，完全处于游离状态。

2.2.2 未重启节点

10号结节上使用zkCli.sh登陆本机仍能正常读写：

3 排查过程

3.1 10号3888端口的状态

重启节点无法与未重启节点的3888端口进行选举通信，那10号的3888端口是什么状态呢？

我们在10号上用netstat命令看下3888端口的状态：

表明3888端口仍处于LISTEN的状态，并伴有大量的CLOSE_WAIT连接。大C说这些10.177开头的IP是用于安全扫描的机器，心里也在嘀咕是不是跟这个有关。

既然3888是LISTEN状态，那我们telnet看下建立连接的状态，如下所示：

完了，虽然是LISTEN状态，但根本无法建立连接！！！
我们再从telnet端用netstat看下TCP连接的情况：

我去，都是SYN_SENT状态！也就是说，SYN包发送成功了，但根本没收到10号3888端口的建连ACK。这也就表明10号的3888已处于假死状态，根本不会响应。
查看10号的日志，已经滚动26GB，也没发现什么有效的异常。

我们又telnet下6号的3888端口，发现却正常：

3.2 10号的jstack状态

到了这里，虽然确定10号3888端口假死，但再往下走毫无头绪。这时灵光一现，我们ITCP联盟有个架构群，可以看看大家有没有相关的经验，于时紧急求助。

果然，群里去哪儿网架构的小伙伴也来了兴趣，积极响应。

去哪儿小伙伴也拿他们ZK节点的jstack跟我们的10号节点对比了下，果然发现了问题：

跟他们相比，我们缺少了个QuorumCnxManager$Listener线程：

这个线程是负责监听3888端口，并accept选举请求的。我们未重启节点里这个线程都没了，怪不得不能接收6号的选举请求！！！

3.3 6号的3888端口也挂了

到了这里，已经知道是因为QuorumCnxManager$Listener线程挂了，但什么原因导致的还没头绪。

这时，突然发现6号的3888端口也telnet不通，并出现跟10号一样有大量CLOSE_WAIT：

我们赶紧看了下6号的最近日志，果然发现了一条报错：

报了NegativeArraySizeException异常，导致3888的监听线程挂掉。在6号jstack下，发现果然没有QuorumCnxManager$Listener线程。

紧接着我们把6号重启下，果然发现又有了：

4 原因分析

4.1 网上求证

有了这么多信息（QuorumCnxManager$Listener、NegativeArraySizeException等），我们足可以去网上检索求证了。果然，搜索前列即是结论中的issue。那是什么原因导致抛出NegativeArraySizeException呢？

public boolean receiveConnection(Socket sock) {
    Long sid = null;
...
            sid = din.readLong();
            // next comes the #bytes in the remainder of the message                                                                             
            int num_remaining_bytes = din.readInt();
            byte[] b = new byte[num_remaining_bytes];
            // remove the remainder of the message from din                                                                                      
            int num_read = din.read(b);

从代码上看，是因为QuorumCnxManager$Listener接收到数据包后，会调用receiveConnection()进行处理。该函数从数据包里读出一个int类型到变量num_remaining_bytes，并据此创建一个byte数组。但读到的num_remaining_bytes为负数，从而导致创建数组失败，抛出NegativeArraySizeException异常。
为什么读到的是负值呢？那肯定是接收到错乱的数据包了！这时我们就联想到10号上有大量10.177IP的CLOSE_WAIT连接，原来是安全扫描的锅！！！