MongoDB-系统时钟跳变引发的风波

声明：本文同步发表于 MongoDB 中文社区，传送门：
http://www.mongoing.com/archives/26201

背景

在生产环境的部署中，由于各种不确定因素的存在(比如机器掉电、网络延迟等)，各节点上的系统时间很可能会出现不一致的情况。
对于MongoDB来说，时间不一致会对数据库的运行带来一些不可预估的风险，比如主从复制、定时调度都或多或少依赖于时间的取值及判断。

因此，在MongoDB集群中保持节点间的时间同步是一项重要的任务，这通常会使用一些NTP协调服务来实现。
通过人工执行的时间设定操作，或是NTP同步触发的校准，都会使当前的系统时间发生变化，这称之为时间跳变。
时间跳变对于正在运作的流程是存在影响的，尤其是副本集的复制、心跳机制。

接下来，将针对这些影响做一些分析。

一、对 oplog 的影响

oplog 原理

oplog 是主从数据复制的纽带，主节点负责将写入数据变更记录写入到 oplog 集合，备节点则负责从oplog 中拉取增量的记录进行回放。

一个典型的 oplog如下所示：

{
        "ts" : Timestamp(1560861342, 2),
        "t" : NumberLong(12),
        "h" : NumberLong("7983167552279045735"),
        "v" : 2,
        "op" : "d",
        "ns" : "app.T_AppInfo",
        "o" : {
                "_id" : ObjectId("5d08da9ebe3cb8c01ea48a25")
        }
}

字段说明

字段名	字段描述
ts	记录时间
h	记录的全局唯一标识
v	版本信息
op	操作类型(增删改查等)
ns	操作的集合
o	操作内容
o2	待更新的文档，仅 update 操作包含

关于 oplog 的结构可以参考这篇文章

其中，ts字段 实现日志拉取的关键，这个字段保证了 oplog是节点有序的，它的构成如下：

当前的系统时间，即UNIX时间至现在的秒数，32位
整数计时器，不同时间值会将计数器进行重置，32位

ts字段属于Bson的Timestamp类型，这种类型一般在 MongoDB内部使用。
既然 oplog 保证了节点有序，备节点便可以通过轮询的方式进行拉取，我们通过 db.currentOp()命令可以看到具体的实现：

db.currentOp({"ns" : "local.oplog.rs"})
>
{
    "desc" : "conn611866",
    "client" : "192.168.138.77:51842",
    "clientMetadata" : {
            "driver" : {
                    "name" : "NetworkInterfaceASIO-RS",
                    "version" : "3.4.10"
            }
    },
    "active" : true,
    "opid" : 20648187,
    "secs_running" : 0,
    "microsecs_running" : NumberLong(519601),
    "op" : "getmore",
    "ns" : "local.oplog.rs",
    "query" : {
            "getMore" : NumberLong("16712800432"),
            "collection" : "oplog.rs",
            "maxTimeMS" : NumberLong(5000),
            "term" : NumberLong(2),
            "lastKnownCommittedOpTime" : {
                    "ts" : Timestamp(1560842637, 2),
                    "t" : NumberLong(2)
            }
    },
    "originatingCommand" : {
            "find" : "oplog.rs",
            "filter" : {
                    "ts" : {
                            "$gte" : Timestamp(1560406790, 2)
                    }
            },
            "tailable" : true,
            "oplogReplay" : true,
            "awaitData" : true,
            "maxTimeMS" : NumberLong(60000),
            "term" : NumberLong(2),
            "readConcern" : {
                    "afterOpTime" : {
                            "ts" : Timestamp(1560406790, 2),
                            "t" : NumberLong(1)
                    }
            }
    },
    "planSummary" : "COLLSCAN",
}

可见，副本集的备节点是通过 ts字段不断进行增量拉取，来达到同步的目的。

MongoDB-系统时钟跳变引发的风波
图-oplog 拉取

接下来，看一下oplog与系统时间的对应关系，先通过mongo shell 写入一条数据，查看生成的oplog

shard0:PRIMARY> db.test.insert({"justForTest": true})
shard0:PRIMARY> db.getSiblingDB("local").oplog.rs.find({ns: "test.test"}).sort({$natural: -1}).limit(1).pretty()
{
        "ts" : Timestamp(1560842490, 2),
        "t" : NumberLong(2),
        "h" : NumberLong("-1966048951433407860"),
        "v" : 2,
        "op" : "i",
        "ns" : "test.test",
        "o" : {
                "_id" : ObjectId("5d088723b0a0777f7326df57"),
                "justForTest" : true
        }
}

此时的 ts=Timestamp(1560842490, 2)，将它转换为可读的时间格式：

shard0:PRIMARY> new Date(1560842490*1000)
ISODate("2019-06-18T07:21:30Z")

同时，我们查看系统当前的时间，可以确定 oplog的时间戳与系统时间一致。

# date '+%Y-%m-%d %H:%M:%S'
2019-06-18 07:21:26

接下来，测试时间跳变对于oplog的影响

由于 oplog 是主节点产生的，下面的测试都基于主节点进行

A. 时间向后跳变

在主节点上将时间往后调整到 9:00，如下：

# date -s 09:00:00
Tue Jun 18 09:00:00 UTC 2019

写入一条测试数据，检查oplog的时间戳：

shard0:PRIMARY> db.test.insert({"justForTest": true})
shard0:PRIMARY> db.getSiblingDB("local").oplog.rs.find({ns: "test.test"}).sort({$natural: -1}).limit(1).pretty()
{
        "ts" : Timestamp(1560848723, 1),
        "t" : NumberLong(4),
        "h" : NumberLong("-6994951573635880200"),
        "v" : 2,
        "op" : "i",
        "ns" : "test.test",
        "o" : {
                "_id" : ObjectId("5d08a953b9963dbc8476d6b7"),
                "justForTest" : true
        }
}

shard0:PRIMARY> new Date(1560848723*1000)
ISODate("2019-06-18T09:05:23Z")

可以发现，随着系统时间往后调整之后，oplog的时间戳也发生了同样的变化。

B. 时间向前跳变

继续这个测试，这次在主节点上将时间往前调整到 7:00，如下：

host-192-168-138-148:~ # date -s 07:00:00
Tue Jun 18 07:00:00 UTC 2019

写入一条测试数据，检查oplog的时间戳：

shard0:PRIMARY> db.test.insert({"justForTest": true})
shard0:PRIMARY> db.getSiblingDB("local").oplog.rs.find({ns: "test.test"}).sort({$natural: -1}).limit(1).pretty()
{
        "ts" : Timestamp(1560848864, 92),
        "t" : NumberLong(4),
        "h" : NumberLong("3290816976088149103"),
        "v" : 2,
        "op" : "i",
        "ns" : "test.test",
        "o" : {
                "_id" : ObjectId("5d088c1eb9963dbc8476d6b8"),
                "justForTest" : true
        }
}
shard0:PRIMARY> new Date(1560848864*1000)
ISODate("2019-06-18T09:07:44Z")

问题出现了，当时间向前跳变的时候，新产生的oplog时间戳并没有如预期一样和系统时间保持一致，而是停留在了时间跳变前的时刻！
这是为什么呢？

我们在前面提到过，oplog需要保证节点有序性，这分别是通过Unix时间戳(秒)和计数器来保证的。
因此，当系统时间值突然变小，就必须将当前时刻冻结住，通过计数器(Term)自增来保证顺序。

这样就解释了oplog时间戳停顿的问题，然而，新问题又来了：

计数器是有上限的，如果时间向前跳变太多，或者是一直向前跳变，导致计数器溢出怎么办呢？

从保证有序的角度上看，这是不被允许的，也就是当计数器(Term)溢出后将再也无法保证有序了。
从MongoDB 3.4的源码中，可以看到对应的实现如下：

global_timestamp.cpp

//获取下一个时间戳
Timestamp getNextGlobalTimestamp(unsigned count) {

    //系统时间值
    const unsigned now = durationCount<Seconds>(
        getGlobalServiceContext()->getFastClockSource()->now().toDurationSinceEpoch());
    ...
    // 对当前上下文的Timestamp 自增计数
    auto first = globalTimestamp.fetchAndAdd(count);
    auto currentTimestamp = first + count;  // What we just set it to.
    unsigned globalSecs = Timestamp(currentTimestamp).getSecs();

    // 若上下文时间大于系统时间，且同一时刻的计数器 超过2^31-1(2147483647)时，进行报错
    if (MONGO_unlikely(globalSecs > now) && Timestamp(currentTimestamp).getInc() >= 1U << 31) {
        mongo::severe() << "clock skew detected, prev: " << globalSecs << " now: " << now;
        fassertFailed(17449);
    }

从代码上看，计数器在超过21亿后会发生溢出，该时间窗口的计算参考如下：

假设数据库吞吐量是1W/s，不考虑数据均衡等其他因素的影响，每秒钟将需要产生1W次oplog，那么窗口值为：

(math.pow(2,31)-1)/10000/3600 = 59h

也就是说，我们得保证系统时间能在59个小时内追赶上最后一条oplog的时间。

二、主备倒换

在副本集的高可用架构中，提供了一种自动Failover机制，如下：

MongoDB-系统时钟跳变引发的风波
图-Failover

简单说就是节点之间通过心跳感知彼此的存在，一旦是备节点感知不到主节点，就会重新选举。
在实现上，备节点会以一定间隔(大约2s)向其他节点发送心跳，同时会启动一个选举定时器，这个定时器是实现故障转移的关键：

选举定时器的预设时间被设为10s(实际值为10-12s之间)，
在定时器时间到达时会触发一个回调函数，这个函数中备节点会主动发起选举，并接管主节点的角色。
每次向主节点心跳成功后都会取消选举定时器的执行，并重新发起新的选举定时器

因此，在正常情况下主节点一直是可用的，选举定时器回调会被一次次的取消，而只有在异常的情况下，备节点才会主动进行"夺权"，进而发生主备切换。

那么，接着上面的问题，系统时间的跳变是否会影响这个机制呢？我们来做一下测试：

自动Failover的逻辑由备节点主导，因此下面的测试都基于备节点进行

A. 时间向前跳变

我们在备节点上将时间调前一个小时，如下：

# date
Tue Jun 18 09:00:12 UTC 2019
# date -s 08:00:00
Tue Jun 18 08:00:00 UTC 2019

然后通过db.isMaster()检查主备的关系：

shard0:SECONDARY> db.isMaster()
{
        "hosts" : [
                "192.168.138.77:30071",
                "192.168.138.148:30071",
                "192.168.138.55:30071"
        ],
        "setName" : "shard0",
        "setVersion" : 1,
        "ismaster" : false,
        "secondary" : true,
        "primary" : "192.168.138.148:30071",
        "me" : "192.168.138.55:30071",
        ...
        "readOnly" : false,
        "ok" : 1
}

=== 没有发生变化，仍然是备节点

shard0:SECONDARY>

结果是在时间往前调整后，主备关系并没有发生变化，从日志上也没有发现任何异常。

B. 时间向后跳变

接下来，在这个备节点上将时间往后调一个小时，如下：

# date
Tue Jun 18 08:02:45 UTC 2019
# date -s 09:00:00
Tue Jun 18 09:00:00 UTC 2019

这时候进行检查则发现了变化，当前的备节点成为了主节点！

shard0:SECONDARY> db.isMaster()
{
        "hosts" : [
                "192.168.138.77:30071",
                "192.168.138.148:30071",
                "192.168.138.55:30071"
        ],
        "setName" : "shard0",
        "setVersion" : 1,
        "ismaster" : true,
        "secondary" : false,
        "primary" : "192.168.138.55:30071",
        "me" : "192.168.138.55:30071",
        "electionId" : ObjectId("7fffffff0000000000000008"),
        ...
        "readOnly" : false,
        "ok" : 1
}

=== 发生变化，切换为主节点

shard0:PRIMARY>

在数据库日志中，同样发现了发起选举的行为，如下：

I REPL     [ReplicationExecutor] Starting an election, since we've seen no PRIMARY in the past 10000ms
I REPL     [ReplicationExecutor] conducting a dry run election to see if we could be elected
I REPL     [ReplicationExecutor] VoteRequester(term 7 dry run) received a yes vote from 192.168.138.77:30071; response message: { term: 7, voteGranted: true, reason: "", ok: 1.0 }
I REPL     [ReplicationExecutor] dry election run succeeded, running for election
I REPL     [ReplicationExecutor] VoteRequester(term 8) received a yes vote from 192.168.138.77:30071; response message: { term: 8, voteGranted: true, reason: "", ok: 1.0 }
I REPL     [ReplicationExecutor] election succeeded, assuming primary role in term 8
I REPL     [ReplicationExecutor] transition to PRIMARY
I REPL     [ReplicationExecutor] Entering primary catch-up mode.
I REPL     [ReplicationExecutor] Caught up to the latest optime known via heartbeats after becoming primary.
I REPL     [ReplicationExecutor] Exited primary catch-up mode.
I REPL     [rsBackgroundSync] Replication producer stopped after oplog fetcher finished returning a batch from our sync source.  Abandoning this batch of oplog entries and re-evaluating our sync source.
I REPL     [SyncSourceFeedback] SyncSourceFeedback error sending update to 192.168.138.148:30071: InvalidSyncSource: Sync source was cleared. Was 192.168.138.148:30071
I REPL     [rsSync] transition to primary complete; database writes are now permitted
I REPL     [ReplicationExecutor] Member 192.168.138.148:30071 is now in state SECONDARY

确实，在备节点的系统时间往后跳变时，发生了主备切换！
那么问题出在哪里？是不是只要是时间往后调整就一定会切换呢？

下面，我们尝试从3.4的源代码中寻求答案：

选举定时器是由 ReplicationCoordinatorImpl这个类实现的，看下面这个方法：

代码位置：db/repl/replication_coordinator_impl_heartbeat.cpp***

void ReplicationCoordinatorImpl::_cancelAndRescheduleElectionTimeout_inlock() {

    //如果上一个定时器回调存在，则直接取消
    if (_handleElectionTimeoutCbh.isValid()) {
        _replExecutor.cancel(_handleElectionTimeoutCbh);
        ..
    }
    ...

    //触发调度，when时间点为 now + electionTimeout + randomOffset
    //到了时间就执行_startElectSelfIfEligibleV1函数，发起选举
    _handleElectionTimeoutCbh =
        _scheduleWorkAt(when,
             stdx::bind(&ReplicationCoordinatorImpl::_startElectSelfIfEligibleV1,this,
                  StartElectionV1Reason::kElectionTimeout));
}

ReplicationExecutor::_scheduleWorkAt 是定时器调度的入口，负责将定时器回调任务写入队列，如下：

代码位置：db/repl/replication_executor.cpp

StatusWith<ReplicationExecutor::CallbackHandle> ReplicationExecutor::scheduleWorkAt(
    Date_t when, const CallbackFn& work) {
    stdx::lock_guard<stdx::mutex> lk(_mutex);
    WorkQueue temp;
    StatusWith<CallbackHandle> cbHandle = enqueueWork_inlock(&temp, work);
    ...

    WorkQueue::iterator insertBefore = _sleepersQueue.begin();
    //根据调度时间找到插入位置
    while (insertBefore != _sleepersQueue.end() && insertBefore->readyDate <= when)
        ++insertBefore;
    //将任务置入_sleepersQueue队列
    _sleepersQueue.splice(insertBefore, temp, temp.begin());
    ...
    return cbHandle;
}

对于队列任务的处理是在主线程实现的，通过getWork方法循环获取任务后执行：

//运行线程 -- 持续获取队列任务
void ReplicationExecutor::run() {
    ...
    //循环获取任务执行
    while ((work = getWork()).first.callback.isValid()) {
            //发起任务..
    }
}

//获取可用的任务
ReplicationExecutor::getWork() {
    stdx::unique_lock<stdx::mutex> lk(_mutex);
    while (true) {
        //取当前时间
        const Date_t now = _networkInterface->now();
        //将_sleepersQueue队列中到时间的任务置入_readyQueue队列(唤醒)
        Date_t nextWakeupDate = scheduleReadySleepers_inlock(now);
        //存在任务执行，跳出循环
        if (!_readyQueue.empty()) {
            break;
        } else if (_inShutdown) {
            return std::make_pair(WorkItem(), CallbackHandle());
        }
        lk.unlock();
        //没有合适的任务，继续等待
        if (nextWakeupDate == Date_t::max()) {
            _networkInterface->waitForWork();
        } else {
            _networkInterface->waitForWorkUntil(nextWakeupDate);
        }
        lk.lock();
    }
    //返回待执行任务
    const WorkItem work = *_readyQueue.begin();
    return std::make_pair(work, cbHandle);
}

//将到时间的任务唤醒，写入_readyQueue队列
Date_t ReplicationExecutor::scheduleReadySleepers_inlock(const Date_t now) {
    WorkQueue::iterator iter = _sleepersQueue.begin();
    //从头部开始，找到最后一个调度时间小于等于当前时间(需要执行)的任务
    while ((iter != _sleepersQueue.end()) && (iter->readyDate <= now)) {
        auto callback = ReplicationExecutor::_getCallbackFromHandle(iter->callback);
        callback->_isSleeper = false;
        ++iter;
    }
    //转移队列
    _readyQueue.splice(_readyQueue.end(), _sleepersQueue, _sleepersQueue.begin(), iter);
    if (iter == _sleepersQueue.end()) {
        // indicate no sleeper to wait for
        return Date_t::max();
    }
    return iter->readyDate;
}

从上面的代码中，可以看到 scheduleReadySleepers_inlock 方法是关于任务执行时机判断的关键，在它的实现逻辑中，会根据任务调度时间与当前时间(now)的比对来决定是否执行。
关于当前时间(now)的获取则来自于AsyncTimerFactoryASIO的一个方法，当中则是利用 asio库的system_timer获取了系统时钟。

至此，我们基本可以确定了这个情况：
由于系统时间向后跳变，会导致定时器的调度出现误判，其中选举定时器被提前执行了！

更合理的一个实现应该是采用硬件时钟的周期而不是系统时间。

那么，剩下的一个问题是，系统时间是不是一旦向后跳就会出现切换呢？
根据前面的分析，每次心跳成功后都会启用这个选举定时器，触发的时间被设定在10-12s之后，而心跳的间隔是2s，
于是我们可以估算如下：

如果系统时间往后跳的步长能控制在 8s以内则是安全的，而一旦超过12s则一定会触发切换。

下面是针对步长测试的一组结果：

//往后切2s
date -s `date -d "2 second" +"%H:%M:%S"`
>> 结果：主备不切换

//往后切5s
date -s `date -d "5 second" +"%H:%M:%S"`
>> 结果：主备不切换

//往后切7s
date -s `date -d "7 second" +"%H:%M:%S"`
>> 结果：主备不切换

//往后切10s
date -s `date -d "10 second" +"%H:%M:%S"`
>> 结果：主备偶尔切换

//往后切13s
date -s `date -d "13 second" +"%H:%M:%S"`
>> 结果：主备切换

//往后切20s
date -s `date -d "20 second" +"%H:%M:%S"`
>> 结果：主备切换

小结

经过上面的一些测试和分析，我们知道了时间跳变对于副本集确实会造成一些问题：

对于oplog复制的影响，时间向前跳变会导致出现"计时器堆积"，如果未及时处理，将导致溢出从而引发错误；
对于自动Failover的影响，时间向后跳变则会造成干扰，很可能导致主备切换及业务的抖动。
尤其是第二点，MongoDB 3.4及以下版本都会存在该问题，而3.6/4.0 版本经验证已经解决。

那么，为了最大限度降低影响，提供几点建议：

分布式集群中务必采用可靠的NTP服务保证各节点上的时间同步，对于时间同步做好告警检测并保证能及时解决异常；
重大的时间校准，采用小步长(比如1分钟内3-5s)的方式逐步渐渐达到最终同步，这样可以避免主备切换产生的业务影响。
升级到3.6/4.0 或更新的版本来规避时间跳变导致选举的问题。