集群的最主要瓶頸是：磁盤(pán)。當(dāng)我們面臨集群作戰(zhàn)的時(shí)候，我們所希望的是即讀即得?？墒敲鎸?duì)大數(shù)據(jù)，讀取數(shù)據(jù)需要經(jīng)過(guò)磁盤(pán)IO，這里可以把IO理解為水的管道。管道越大越強(qiáng)，我們對(duì)于T級(jí)的數(shù)據(jù)讀取就越快。所以IO的好壞，直接影響了集群對(duì)于數(shù)據(jù)的處理。

集群的瓶頸提出多種看法，其中網(wǎng)絡(luò)和磁盤(pán)io的爭(zhēng)議比較大。這里需要說(shuō)明的是網(wǎng)絡(luò)是一種稀缺資源，而不是瓶頸。

對(duì)于磁盤(pán)IO：（磁盤(pán)IO：磁盤(pán)輸出輸出）

當(dāng)我們面臨集群作戰(zhàn)的時(shí)候，我們所希望的是即讀即得?？墒敲鎸?duì)大數(shù)據(jù)，讀取數(shù)據(jù)需要經(jīng)過(guò)IO，這里可以把IO理解為水的管道。管道越大越強(qiáng)，我們對(duì)于T級(jí)的數(shù)據(jù)讀取就越快。所以IO的好壞，直接影響了集群對(duì)于數(shù)據(jù)的處理。

這里舉幾個(gè)例子，讓大家來(lái)參考一下。

案例一

自從使用阿里云以來(lái)，我們遇到了三次故障（一、二、三），這三次故障都與磁盤(pán)IO高有關(guān)。

第一次故障發(fā)生在跑zzk.cnblogs.com索引服務(wù)的云 服務(wù)器上，當(dāng)時(shí)的Avg.Disk Read Queue Length高達(dá)200多；

第二次故障發(fā)生在跑images.cnblogs.com靜態(tài)文件的云服務(wù)器上，當(dāng)時(shí)的Avg.Disk Read Queue Length在2左右（后來(lái)分析，對(duì)于圖片站點(diǎn)這樣的直接讀文件進(jìn)行響應(yīng)的應(yīng)用，Disk Read Queue Length達(dá)到這個(gè)值會(huì)明顯影響響應(yīng)速度）；

第三次故障發(fā)生在跑數(shù)據(jù)庫(kù)服務(wù)的云服務(wù)器上，當(dāng)時(shí)的Avg. Disk Write Queue Length達(dá)到4~5，造成很多的數(shù)據(jù)庫(kù)寫(xiě)入操作超時(shí)。

（這里既提到“硬盤(pán)”，又提到“磁盤(pán)”，我們這樣界定的：在云服務(wù)器中看到的硬盤(pán)叫磁盤(pán)[虛擬出來(lái)的硬盤(pán)]，在集群中的物理硬盤(pán)叫硬盤(pán)）

這三次的磁盤(pán)IO高都不是我們?cè)品?wù)器內(nèi)的應(yīng)用引起的，最直接的證據(jù)就是將云服務(wù)遷移至另一個(gè)集群之后，問(wèn)題立即解決。也就是說(shuō)云服務(wù)器的磁盤(pán)IO高是因 為它所在的集群的硬盤(pán)IO高。

集群的硬盤(pán)IO是集群內(nèi)所有云服務(wù)器的磁盤(pán)IO的累加，集群的硬盤(pán)IO高是因?yàn)榧褐心承┰品?wù)器的磁盤(pán)IO過(guò)高。而我們自 己的云服務(wù)器內(nèi)的應(yīng)用產(chǎn)生的磁盤(pán)IO在正常范圍，問(wèn)題出在其他用戶(hù)的云服務(wù)器產(chǎn)生過(guò)多的磁盤(pán)IO，造成整個(gè)集群硬盤(pán)IO高，從而影響了我們。

為什么其他云服務(wù)器引起的硬盤(pán)IO問(wèn)題會(huì)影響到我們？問(wèn)題的根源就在于集群的硬盤(pán)IO被集群中的所有云服務(wù)器所共享，而且這種共享沒(méi)有被有效的限制、沒(méi)有 被有效的隔離，大家都在爭(zhēng)搶這個(gè)資源，同時(shí)爭(zhēng)搶的人太多，就會(huì)排長(zhǎng)多。

而且對(duì)于每個(gè)云服務(wù)器來(lái)說(shuō)，也不知道有多少臺(tái)云服務(wù)器在爭(zhēng)搶?zhuān)瑥脑品?wù)器使用者的角 度根本無(wú)法躲開(kāi)這個(gè)爭(zhēng)搶?zhuān)痪拖裨谑啦?huì)期間，你起再早去排隊(duì)，也得排超長(zhǎng)的隊(duì)。

如果每個(gè)云服務(wù)器使用的硬盤(pán)IO資源是被限制或隔離的，其他云服務(wù)器產(chǎn)生再 多的磁盤(pán)IO也不會(huì)影響到我們的云服務(wù)器；就像在一個(gè)小區(qū)，你一個(gè)人租了一套房子，其他的一套房子即使住了100人，也不會(huì)影響到你。

你可以買(mǎi)到CPU、內(nèi)存、帶寬、硬盤(pán)空間，你卻買(mǎi)不到一心一意為你服務(wù)的硬盤(pán)IO，這就是當(dāng)前阿里云虛擬化平臺(tái)設(shè)計(jì)時(shí)未考慮到的一個(gè)重要問(wèn)題。

經(jīng)過(guò)與阿里云技術(shù)人員的溝通，得知他們已經(jīng)意識(shí)到這個(gè)問(wèn)題，希望這個(gè)問(wèn)題能早日得到解決。
—————————————————————————————————————————————
案例2

云計(jì)算之路-遷入阿里云后：20130314云服務(wù)器故障經(jīng)過(guò)

首先向大家致歉，這次云服務(wù)器故障發(fā)現(xiàn)于17:30左右，18:30左右恢復(fù)正常，給大家?guī)?lái)了麻煩，請(qǐng)大家諒解！

故障的原因是云服務(wù)器所在的集群負(fù)載過(guò)高，磁盤(pán)寫(xiě)入性能急劇下降，造成很多數(shù)據(jù)庫(kù)寫(xiě)入操作超時(shí)。后來(lái)恢復(fù)正常的解決方法是將云服務(wù)器遷移至另一個(gè)集群。

下面是故障發(fā)生的主要經(jīng)過(guò)：

今天上午9:15左右一位園友通過(guò)郵件反饋在訪(fǎng)問(wèn)園子時(shí)遇到502 Bad Gateway錯(cuò)誤.

這是由阿里云負(fù)載均衡器返回的錯(cuò)誤，Tegine是由阿里巴巴開(kāi)發(fā)的開(kāi)源Web服務(wù)器。我們猜測(cè)阿里云提供的負(fù)載均衡服務(wù)可能是通過(guò)Tegine反向代理實(shí)現(xiàn)的。

這個(gè)錯(cuò)誤頁(yè)面表示負(fù)載均衡器檢測(cè)到負(fù)載均衡中的云服務(wù)器返回了無(wú)效的響應(yīng)，比如500系列錯(cuò)誤。

我們將這個(gè)情況通過(guò)工單反饋給了阿里云，得到的處理反饋是繼續(xù)觀察，可能是這位用戶(hù)的網(wǎng)絡(luò)線(xiàn)路的臨時(shí)問(wèn)題導(dǎo)致。

由于我們?cè)谶@個(gè)時(shí)間段沒(méi)遇到這個(gè)問(wèn)題，也沒(méi)有其他用戶(hù)反饋這個(gè)問(wèn)題，我們也認(rèn)可了繼續(xù)觀察的處理方式。

（根據(jù)我們后來(lái)的分析，出現(xiàn)502 Bad Gateway錯(cuò)誤可能是集群出現(xiàn)了瞬時(shí)負(fù)載高的情況）

下午17:20左右，我們自己也遇到了502 Bad Gateway錯(cuò)誤，持續(xù)了大約1-2分鐘。見(jiàn)下圖：

出問(wèn)題期間，我們趕緊登錄到兩臺(tái)云服務(wù)器查看情況，發(fā)現(xiàn)IIS并發(fā)連接數(shù)增長(zhǎng)至原來(lái)的30多倍，而B(niǎo)ytes Send/sec為0，而且兩臺(tái)云服務(wù)器都是同樣的情況。我們當(dāng)時(shí)推斷，這兩臺(tái)云服務(wù)器本身應(yīng)該沒(méi)有問(wèn)題，問(wèn)題可能出在它們與數(shù)據(jù)庫(kù)服務(wù)器之間的網(wǎng)絡(luò)通 信。我們繼續(xù)將這個(gè)情況通過(guò)工單反饋給阿里云。

剛把工單填好，我們就接到園友的電話(huà)反饋說(shuō)博客后臺(tái)不能發(fā)布文章，我們一測(cè)試，果然不能發(fā)布，報(bào)數(shù)據(jù)庫(kù)超時(shí)錯(cuò)誤，見(jiàn)下圖：

但打開(kāi)現(xiàn)有的文章速度很快，也就是說(shuō)讀正常，寫(xiě)有問(wèn)題。趕緊登錄數(shù)據(jù)庫(kù)服務(wù)器通過(guò)性能監(jiān)視器查看磁盤(pán)IO情況，果然磁盤(pán)寫(xiě)入性能有問(wèn)題，見(jiàn)下圖：

Avg. Disk Write Queue Length超過(guò)1就說(shuō)明有問(wèn)題了，現(xiàn)在平均已經(jīng)到了4~5。進(jìn)入阿里云網(wǎng)站上的管理控制臺(tái)一看，磁盤(pán)IO問(wèn)題就更明顯了，見(jiàn)下圖：

繼續(xù)向阿里云反饋情況，得到的反饋是這臺(tái)云服務(wù)器IOPS太高了，見(jiàn)下圖：

于是，阿里云工作人員將這臺(tái)云服務(wù)器遷移至另一個(gè)集群，問(wèn)題立刻解決。
—————————————————————————————————————————————-
案例三

14:17左右，我們看到了這條閃存。立即進(jìn)入博客后臺(tái)測(cè)試，發(fā)現(xiàn)提交時(shí)會(huì)出現(xiàn)如下的錯(cuò)誤：

"Timeout expired. The timeout period elapsed prior to completion of the operation or the server is not responding."
這是數(shù)據(jù)庫(kù)寫(xiě)入超時(shí)的錯(cuò)誤，對(duì)這個(gè)錯(cuò)誤信息我們記憶猶新。之前遇到過(guò)兩次（3月14日、4月2日），都是數(shù)據(jù)庫(kù)服務(wù)器所在的云服務(wù)器磁盤(pán)IO問(wèn)題引起的。

登上云服務(wù)器，查看Windows性能監(jiān)視器，發(fā)現(xiàn)日志文件所在的磁盤(pán)的IO監(jiān)測(cè)數(shù)據(jù)Avg.Disk Write Queue Length平均值在5以上。性能監(jiān)視器中這個(gè)值的縱坐標(biāo)最高值是1，可想而知5是多么高的一個(gè)值。性能監(jiān)視器中的走勢(shì)圖幾乎是一條直線(xiàn)。見(jiàn)下圖（最高值 竟然達(dá)到了20，真恐怖）：

（為什么數(shù)據(jù)庫(kù)寫(xiě)入超時(shí)會(huì)表現(xiàn)于日志文件所在的磁盤(pán)IO高？因?yàn)閿?shù)據(jù)庫(kù)恢復(fù)模式用的是Full，對(duì)數(shù)據(jù)庫(kù)的數(shù)據(jù)寫(xiě)入，會(huì)先在日志中進(jìn)行寫(xiě)入操作。）

這次問(wèn)題與3月14日磁盤(pán)IO問(wèn)題的表現(xiàn)是一樣的，所以我們斷定這次也是同樣的原因，是云服務(wù)器所在集群的磁盤(pán)IO負(fù)載高引起的。
14:19，我們向阿里云提交了工單，特地在標(biāo)題中加了“緊急”；

14:23，阿里云客服回復(fù)說(shuō)正在核實(shí)我們提交的問(wèn)題；

14:31，阿里云客服回復(fù)說(shuō)已反饋給相關(guān)部門(mén)檢查；

14:42，沒(méi)有阿里云客服的進(jìn)一步消息，我們就回復(fù)說(shuō)“如果短時(shí)間內(nèi)解決不了，希望盡快進(jìn)行集群遷移”（3月14日就是通過(guò)集群遷移解決這個(gè)問(wèn)題的，阿里云的技術(shù)人員也說(shuō)過(guò)對(duì)于集群負(fù)載高引起的磁盤(pán)IO問(wèn)題，目前唯一的解決辦法就是集群遷移）；

14:47，阿里云客服只回復(fù)說(shuō)正在處理；

14:59，還是沒(méi)消息，我們心急如焚（40分鐘過(guò)去了，連個(gè)說(shuō)法都沒(méi)有），在工單中說(shuō)：“能不能先做集群遷移？”；

然后，接到阿里云客服的電話(huà)，說(shuō)集群中其他云服務(wù)器占用的磁盤(pán)IO高影響了我們，他們正在處理。。。

過(guò)了會(huì)，阿里云客服又打電話(huà)過(guò)來(lái)說(shuō)可能是我們?cè)品?wù)器中的系統(tǒng)或應(yīng)用導(dǎo)致服務(wù)器磁盤(pán)寫(xiě)入卡死，讓我們重啟一下云服務(wù)器。（這樣的考慮可能是因?yàn)檫@時(shí)集群的負(fù)載已經(jīng)降下來(lái)，但我們的云服務(wù)器磁盤(pán)IO還是高。）

15:23左右，我們重啟了數(shù)據(jù)庫(kù)服務(wù)器，但問(wèn)題依舊。

15:30，阿里云客服終于決定進(jìn)行集群遷移（從提交工單到?jīng)Q定集群遷移耗時(shí)1小10分鐘）

15:45，完成集群遷移（上次遷移5分鐘不到，這次用了15分鐘，這也是阿里云客服所說(shuō)的進(jìn)行集群遷移所需的最長(zhǎng)時(shí)間）

遷移之后，傻眼了，磁盤(pán)IO（Avg.Disk Write Queue Length）還是那么高！

為什么這次集群遷移不能像上次那樣立即解決問(wèn)題？我們猜測(cè)有兩個(gè)可能的原因：

1、遷移后所在的集群磁盤(pán)IO負(fù)載依然高；

2、 云服務(wù)器上出現(xiàn)磁盤(pán)IO很高的這個(gè)分區(qū)放的都是數(shù)據(jù)庫(kù)日志文件，可能這個(gè)時(shí)間段日志寫(xiě)入操作比平時(shí)頻繁（但暴增幾乎沒(méi)有可能）而且所有日志文件在同一個(gè)分 區(qū)，超過(guò)了云服務(wù)器磁盤(pán)IO的某個(gè)極限，造成磁盤(pán)IO性能驟降（可能性比較大，依據(jù)是云計(jì)算之路-入阿里云后：解決images.cnblogs.com 響應(yīng)速度慢的詭異問(wèn)題）。雖然之前使用物理服務(wù)器時(shí)，日志文件也是放在同一個(gè)分區(qū)，從未出現(xiàn)過(guò)這個(gè)問(wèn)題，但現(xiàn)在云服務(wù)器的磁盤(pán)IO能力無(wú)法與物理服務(wù)器相 比，而且磁盤(pán)IO會(huì)被集群上其他云服務(wù)器爭(zhēng)搶?zhuān)ㄔ斠?jiàn)云計(jì)算之路-遷入阿里云后：?jiǎn)栴}的根源——買(mǎi)到她的“人”，卻買(mǎi)不到她的“心”）。

不管是哪一個(gè)原因，要解決問(wèn)題只有一招也是最后一招——減輕日志文件所在的磁盤(pán)分區(qū)的IO壓力。

怎么減壓呢？根據(jù)“遷入阿里云后的一些心得”一文中的“提高整體磁盤(pán)IO性能的小偏方”，另外購(gòu)買(mǎi)一塊磁盤(pán)空間，然后將存放博文內(nèi)容的數(shù)據(jù)庫(kù)CNBlogsText（大文本數(shù)據(jù)寫(xiě)入，對(duì)磁盤(pán)IO產(chǎn)生的壓力很大）的日志文件移至獨(dú)立的磁盤(pán)分區(qū)。

在SQL Server中，無(wú)法在線(xiàn)完成將數(shù)據(jù)庫(kù)日志文件從一個(gè)磁盤(pán)分區(qū)移至另一個(gè)磁盤(pán)分區(qū)。需要先detach數(shù)據(jù)庫(kù)，然后將日志文件復(fù)制至目標(biāo)分區(qū)，然后再attach這個(gè)數(shù)據(jù)庫(kù)；在attach時(shí)，將日志文件的位置修改為新的路徑。

于是，在別無(wú)選擇的情況下，我們CNBlogsText數(shù)據(jù)庫(kù)進(jìn)行detach操作，并且選擇了drop connections，哪知在detach的過(guò)程中悲劇發(fā)生了，detach失敗了，錯(cuò)誤是：

Transaction (Process ID 124) was deadlocked on lock resources with another process and has been chosen as the deadlock victim. Rerun the transaction.

在 detach的過(guò)程中竟然發(fā)生了死鎖，然后“被犧牲”了。讓人困惑的是，不是drop connections嗎，怎么還會(huì)發(fā)生死鎖？可能drop connections是在detach操作正式開(kāi)始前，在detach的過(guò)程中，還會(huì)發(fā)生數(shù)據(jù)庫(kù)寫(xiě)入操作，這時(shí)的寫(xiě)入操作引發(fā)了deadlock。為什 么偏偏要讓detach犧牲？不合情理。

detach失敗后，CNBlogsText數(shù)據(jù)庫(kù)就處于Single User狀態(tài)。繼續(xù)detach，同樣的錯(cuò)誤，同樣的“被犧牲”。

于是，重啟了一下SQL Server服務(wù)。重啟之后，CNBlogsText數(shù)據(jù)庫(kù)的狀態(tài)變?yōu)榱薎n Recovery。

這時(shí)時(shí)間已經(jīng)到了16:45。

這樣的In Recovery狀態(tài)以前沒(méi)遇到過(guò)，不知如何處理，也不敢輕舉妄動(dòng)。

過(guò)了一段時(shí)間，刷新了一下SQL Server的Databases列表，CNBlogsText數(shù)據(jù)庫(kù)又顯示為之前的Single User狀態(tài)。（原來(lái)重啟SQL Server之后，會(huì)自動(dòng)先進(jìn)入In Recovery狀態(tài)，再進(jìn)入到Single User狀態(tài)）

針對(duì)Single User狀態(tài)問(wèn)題，在工單中咨詢(xún)了阿里云客服，阿里云客服聯(lián)系了數(shù)據(jù)庫(kù)工程師，得到的建議是進(jìn)行這樣的操作：alter database $db_name SET multi_user

于是，執(zhí)行了這樣的SQL：

exec sp_dboption 'CNBlogsText', N'single', N'false'

出現(xiàn)錯(cuò)誤提示：

Database 'CNBlogsText' is already open and can only have one user at a time.

Single User狀態(tài)依舊，出現(xiàn)這個(gè)錯(cuò)誤可能是因?yàn)檫@個(gè)數(shù)據(jù)庫(kù)不斷地有寫(xiě)入操作，搶占著Single User狀態(tài)下只允許唯一的數(shù)據(jù)庫(kù)連接。

（更新：后來(lái)從阿里云DBA那學(xué)習(xí)到解決這個(gè)問(wèn)題的方法：

select spid  from sys.sysprocesses where dbid=DB_ID('dbname'); --得到當(dāng)前占用數(shù)據(jù)庫(kù)的進(jìn)程id kill [spid] go alter login [username] disable --禁用新的訪(fǎng)問(wèn) go use cnblogstext go alter database cnblogstext set multi_user with rollback immediate go

）
當(dāng)時(shí)的情形下，我們不夠冷靜，急著想完成detach操作。覺(jué)得屏蔽CNBlogsText數(shù)據(jù)庫(kù)的所有寫(xiě)入操作可能需要禁止這臺(tái)服務(wù)器的所有數(shù)據(jù)庫(kù)連接，這樣會(huì)影響整站的正常訪(fǎng)問(wèn)，所以沒(méi)從這個(gè)角度下手。
這時(shí)時(shí)間已經(jīng)到了17:08。
我們也準(zhǔn)備了最最后一招，假如實(shí)在detach不了，假如日志文件也出了問(wèn)題，我們可以通過(guò)數(shù)據(jù)文件恢復(fù)這個(gè)數(shù)據(jù)庫(kù)。這個(gè)場(chǎng)景我們遇到過(guò)，也實(shí)際成功操作過(guò)，詳見(jiàn)：SQL Server 2005數(shù)據(jù)庫(kù)日志文件損壞的情況下如何恢復(fù)數(shù)據(jù)庫(kù)。所需的SQL語(yǔ)句如下：

use master  alter database dbname set emergency  declare @databasename varchar(255)  set @databasename='dbname'  exec sp_dboption @databasename, N'single', N'true' --將目標(biāo)數(shù)據(jù)庫(kù)置為單用戶(hù)狀態(tài)  dbcc checkdb(@databasename,REPAIR_ALLOW_DATA_LOSS)  dbcc checkdb(@databasename,REPAIR_REBUILD)  exec sp_dboption @databasename, N'single', N'false'--將目標(biāo)數(shù)據(jù)庫(kù)置為多用戶(hù)狀態(tài)

即使最最后一招也失敗了，我們?cè)诹硗庖慌_(tái)云服務(wù)器上有備份，在異地也有備份，都有辦法恢復(fù)，只不過(guò)需要的恢復(fù)時(shí)間更長(zhǎng)一些。

想到這些，內(nèi)心平靜了一些，認(rèn)識(shí)到當(dāng)前最重要的是拋開(kāi)內(nèi)疚、緊張、著急，冷靜面對(duì)。

我們?cè)诠沃欣^續(xù)咨詢(xún)阿里云客服，阿里云客服聯(lián)系了數(shù)據(jù)庫(kù)工程師，讓我們加一下這位工程師的阿里旺旺。

我們的電腦上沒(méi)裝阿里旺旺，于是打算自己再試試，如果還是解決不了，再求助阿里云的數(shù)據(jù)庫(kù)工程師。

在網(wǎng)上找了一個(gè)方法：SET DEADLOCK_PRIORITY NORMAL（來(lái)源），沒(méi)有效果。

時(shí)間已經(jīng)到了17:38。

這時(shí)，我們冷靜地分析一下：detach時(shí)，因?yàn)樗梨i“被犧牲”；從單用戶(hù)改為多用戶(hù)時(shí)，提示“Database 'CNBlogsText' is already open and can only have one user at a time.”?？赡芏际且?yàn)槌绦蛑胁粩嗟貙?duì)這個(gè)數(shù)據(jù)庫(kù)有寫(xiě)入操作。試試修改一下程序，看看能不能屏蔽所有對(duì)這個(gè)數(shù)據(jù)庫(kù)的寫(xiě)入操作，然后再將數(shù)據(jù)庫(kù)恢復(fù)為多 用戶(hù)狀態(tài)。

修改好程序，18:00之后進(jìn)行了更新。沒(méi)想到更新之后，將單用戶(hù)改為多用戶(hù)的SQL就能執(zhí)行了：

exec sp_dboption 'CNBlogsText', N'single', N'false'

于是，Single User狀態(tài)消失，CNBlogsText數(shù)據(jù)庫(kù)恢復(fù)了正常狀態(tài)，然后嘗試detach，一次成功。

接著將日志文件復(fù)制到新購(gòu)的磁盤(pán)分區(qū)中，以新的日志路徑attach數(shù)據(jù)庫(kù)。attach成功之后，CNBlogsText數(shù)據(jù)庫(kù)恢復(fù)正常，博客后臺(tái)可以正常發(fā)布博文，CNBlogsText數(shù)據(jù)庫(kù)日志文件所在分區(qū)的磁盤(pán)IO（單獨(dú)的磁盤(pán)分區(qū)）也正常。問(wèn)題就這么解決了。

當(dāng)全部恢復(fù)正常，如釋重負(fù)的時(shí)候，時(shí)間已經(jīng)到了18:35。

原以為可以用