MySQL的诡异同步问题

近期遇到一个诡异的MySQL同步问题，经过多方分析和定位后发现居然是由于备份引发的，非常的奇葩，特此记录一下整个问题的分析和定位过程。

现象

同事扩容的一台slave死活追不上同步，具体的现象是SBM=0，但是Exec_Master_Log_Pos执行的位置和Read_Master_Log_Pos完全对不上，且服务器本身CPU和IO都消耗的非常厉害。

——total-cpu-usage---- -dsk/total- -net/total- ---paging-- ---system--

usr sys idl wai hiq siq| read writ| recv send| in out | int csw

     |8667B 862k|   |   |  

     |  102M| 112k 12k|   | 21k 50k

     |  101M| 89k 5068B|   | 21k 49k

     |  103M| 97k 5170B|   | 21k 50k

     |  103M| 80k 15k|   | 21k 50k

     |  102M| 112k 8408B|   | 21k 50k

分析

由于SBM并不能真正代表同步的状态，所以最开始我们认为有一个比较大的event在执行过程中，所以导致SBM=0但是pos位置不对，但是在观察一段之后发现，现象并没有变化，并且Relay_Log_File始终在同一个文件上。

为了找到这个现象的原因，我们使用strace来分析。由于服务器的现象是有非常大的磁盘写操作，故先使用iotop定位写入量较大的thread id，然后通过strace -p来分析。

通过strace采集的信息如下：

read(, "376bin>303275T1721325322Bg000k0000040005.5.31-"..., ) = 

lseek(, , SEEKSET) = 

write(, "./relay-bin.000914n107nmysql-bin"..., ) = 

read(, "", ) = 

close() = 

lseek(, , SEEKSET) = 

write(, "./relay-bin.000914n107nmysql-bin"..., ) = 

unlink("./relay-bin.rec") = - ENOENT (No such file or directory)

open("./relay-bin.rec", ORDWR|OCREAT, ) = 

lseek(, , SEEKCUR) = 

fsync() = 

lseek(, , SEEKSET) = 

read(, "./relay-bin.000914n./relay-bin.0"..., ) = 

lseek(, , SEEKSET) = 

write(, "./relay-bin.000914n./relay-bin.0"..., ) = 

lseek(, , SEEKSET) = 

read(, "", ) = 

lseek(, , SEEKEND) = 

fsync() = 

lseek(, , SEEKSET) = 

close() = 

unlink("./relay-bin.rec") = 

lseek(, , SEEKSET) = 

read(, "./relay-bin.000914n./relay-bin.0"..., ) = 

open("./relay-bin.000914", ORDONLY) = 

lseek(, , SEEKCUR) = 

read(, "376bin>303275T1721325322Bg000k0000040005.5.31-"..., ) = 

lseek(, , SEEKSET) = 

write(, "./relay-bin.000914n107nmysql-bin"..., ) = 

read(, "", ) =

从上面可以看出MySQLD在不断的read和write35、36、38这3个文件。通过内容，我们大概可以看出这3个文件应该是relay-bin.index、relay-bin.000914和relay-log.info这3个文件。但是如何确定这3个文件呢？这时候就需要lsof了，通过lsof我们可以发现每个pid在proc下都会有一个fd的目录，在这个目录中就是各个文件的链接，通过fd号就可以直接确定具体是那个文件了

cd /proc/$pid/fd

ll -h

lr-x------  root root  Jan  :  -> /dev/null

l-wx------  root root  Jan  :  -> /data1/mysql3361/error.log

lrwx------  root root  Jan  :  -> /data1/mysql3361/iblogfile1

lrwx------  root root  Jan  :  -> /data1/mysql3361/iblogfile2

lr-x------  root root  Jan  :  -> /data1/mysql3361/relay-bin.rec

lrwx------  root root  Jan  :  -> /data1/mysql3361/ibF0ovt9 (deleted)

lrwx------  root root  Jan  :  -> socket:

lrwx------  root root  Jan  :  -> /data1/mysql3361/relay-bin.index

lrwx------  root root  Jan  :  -> socket:

lrwx------  root root  Jan  :  -> /data1/mysql3361/sngdb/sngrankscore6.ibd

lrwx------  root root  Jan  :  -> /data1/mysql3361/mysql/host.MYI

lrwx------  root root  Jan  :  -> /data1/mysql3361/mysql/host.MYD

l-wx------  root root  Jan  :  -> /data1/mysql3361/error.log

lrwx------  root root  Jan  :  -> /data1/mysql3361/mysql/user.MYI

lrwx------  root root  Jan  :  -> /data1/mysql3361/mysql/user.MYD

定位

至此，我们已经非常确定是由于这3个文件导致，那么具体看一下这3个文件有什么异常？在挨个检查后发现，relay-bin.index文件非常异常，同样的relay-bin在index中存在了两行，这会不会就是问题的原因呢？

cat relay-bin.index

./relay-bin.

./relay-bin.

./relay-bin.

./relay-bin.

cat relay-log.info

./relay-bin.

mysql-bin.

人肉去掉一行之后，发现一切变正常了，那么看来问题的原因就在于relay-bin.index中存在着两行同样的记录导致的了，但是为什么会导致这种现象呢？

再分析

这时候纯想已经没有用了，只好从code中寻找答案，主要看slave.cc和log.cc。

具体来说就是MySQL在启动slave的时候会从relay-log.info中读取对应的filename和pos然后去execute relay log event，当执行完毕之后会进行删除操作，mysql会使用reinit_io_cache重置relay-log.index文件的文件指针，之后再采用find_log_pos里面的代码mcmcmp从relay-log.index第一行确认所需偏移，这时候就又回到了同样的relay-log，于是死循环产生了。

int MYSQLBINLOGfindlogpos(LOGINFO linfo, const char logname,

                bool needlock)

(void) reinitiocache(&indexfile, READCACHE, (myofft) 0, 0, 0);

  for (;;)

    if (!logname

    (lognamelen == fnamelen-1 && fullfnamelognamelen == 'n' &&

     !memcmp(fullfname, fulllogname, lognamelen)))

      DBUGPRINT("info", ("Found log file entry"));

      fullfnamefnamelen-1]= 0;           // remove last n

      linfo->indexfilestartoffset= offset;

      linfo->indexfileoffset = mybtell(&indexfile);

      break;

    }

    }

  }

}

简单来说：

sql-thread读取relay-log.info，开始从000914开始执行。
执行完毕之后，从index中读取下一个relay-log，发现还是000914
于是将指针又定位到index文件的第一行
然后死循环就产生了
至于之后的000915等文件是由于io-thread生成的，和sql-thread无关，可以忽略

至此，出现SBM=0现象，并且产生很大的IO消耗的原因已经确定，就是由于relay-bin.index文件中的重复行导致。但是为什么会产生同样的两行数据呢？

分析产生原因

首先，这个绝对不可能是人闲的抽风手动vi的。

其次，手动执行flush logs的时候relay-log会自动增加一个。

再次，众所周知，MySQl再启动的时候会自动执行类似flush logs的操作，将relay-log自动向下创建一个。

结合上面的信息，并在同事的不断追查下，最终发现是由于我们的备份导致的。

第一、我们每天都会进行数据库的冷备，使用rsync方式。

第二、我们每天会对日志进行归档操作，定时执行flush logs。

当以上两个操作遭遇到一起之后，就会发生在拷贝完relay-log和relay-bin.index之间执行了flush logs操作，这样就导致relay-log和relay-bin.index中不等，也就导致了使用这个备份进行扩容都会产生index文件中的重复行。

总结改进

终于，这么奇葩，这么小概率的一个问题终于找到根源，在此之前，真是想破头也想不出来到底是怎么回事。感谢 @zolker @大自在真人 @zhangyang8的深入调研和追查，没有锲而不舍的精神，我们是不会追查到这种地步的。

然后就是改进了：

加强对备份的文件一致性效验，从根源上避免。
加强还原程序的兼容性，由于index文件对于扩容的slave并没有实际意义，所以如果发现重复行可以直接置空index文件。