背景

半同步复制从库在晚上凌晨2点半发生异常crash，另一个异步复制从库在第二天凌晨3点也发生了异常crash。

版本

mysql 5.7.16

redhat 6.8

mysql> show variables like ‘%slave_para%’;

+————————+—————+

| Variable_name | Value |

+————————+—————+

| slave_parallel_type | LOGICAL_CLOCK |

| slave_parallel_workers | 16 |

+————————+—————+

分析

mysqld服务在以mysqld_safe守护进程启动的情况下，在发生mysqld异常情况(比如OOM)会自动拉起mysqld服务，但已确认两个从库实例messages中无与OOM相关的日志。

从监控中发现，两个从库与Seconds_Behind_Master没有很高的异常上升。

参数slave_pending_jobs_size_max 在多线程复制时，在队列中Pending的事件所占用的最大内存，默认为16M，如果内存富余，或者延迟较大时，可以适当调大;注意这个值要比主库的max_allowed_packet大。

参考官方文档：slave_pending_jobs_size_max

两个发生异常crash的从库日志中都出现了ibuf record inserted to page x:x ，通过查看space_id发现都是对应的同一张表(a_xxx.join_acct_flow)，疑是晚上的定时任务对这张表做了大事务的操作。从库的并行复制只有对并发提交的事务才会进行并行应用，对一个大事务，只有一个线程进行应用。

分析在从库发生异常crash的时间段里发现，产生了大事务

mysqlbinlog -v -v --base64-output=decode-rows

--start-datetime='2018-04-03 02:47:22' --stop-datetime='2018-04-03 02:48:26' /data/mysql/mysql-bin.003446 | awk

'/###/{if($0~/UPDATE|INSERT|DELETE/)count[$2""$NF]++}END{for(i in

count)print i,"\t",count[i]}' | column -t | sort -k3nr | more

DELETE`a_xxx`.`xxx_acct_flow` 565330

DELETE`a_xxx`.`xxx_bfj_flow` 23595

DELETE`a_xxx`.`xxx_loan_detail` 24156

DELETE`a_xxx`.`xxx_pay_log` 18475

INSERT`a_xxx`.`xxx_acct_flow_his` 576265

INSERT`a_xxx`.`xxx_bfj_flow_his` 23829

INSERT`a_xxx`.`xxx_loan_detail_his` 24539

INSERT`a_xxx`.`xxx_pay_log_his` 18709

向看源码的朋友请教了下，得到了MySQL异常crash的Stack Trace

获取内存地址放入/tmp/err.log 中

[0xf1dff5]

[0x79d3b4]

[0x358c00f7e0]

[0x358bc325e5]

[0x358bc33dc5]

[0x1159d65]

[0x115e8b3]

[0x102b4d1]

[0x102f531]

[0x1033b29]

[0x11a59a1]

[0x1200afb]

[0x110db48]

[0x358c007aa1]

[0x358bce8aad]

nm -D -n /usr/local/mysql/bin/mysqld>/tmp/mysqld.sym

resolve_stack_dump -s /tmp/mysqld.sym -n /tmp/err.log |c++filt | less

0xf1dff5 my_print_stacktrace + 53

0x79d3b4 handle_fatal_signal + 1188

0x358c00f7e0 _end + -1978652160

0x358bc325e5 _end + -1982703611

0x358bc33dc5 _end + -1982697499

0x1159d65 ut_dbg_assertion_failed(char const*, char const*, unsigned long) + 170

0x115e8b3 ib::fatal::~fatal() + 179

0x102b4d1 ibuf_print(_IO_FILE*) + 881

0x102f531 ibuf_update_free_bits_low(buf_block_t const*, unsigned long, mtr_t*) + 3905

0x1033b29 ibuf_merge_or_delete_for_page(buf_block_t*, page_id_t const&, page_size_t const*, unsigned long) + 2825

0x11a59a1 buf_page_io_complete(buf_page_t*, bool) + 1249

0x1200afb fil_aio_wait(unsigned long) + 347

0x110db48 io_handler_thread + 200

0x358c007aa1 _end + -1978684223

0x358bce8aad _end + -1981956915

测试

主库模拟一个大事务，看从库是否有异常出现

环境

centos 7.4

mysql5.7.19

从库并行复制线程 8

从库slave_pending_jobs_size_max 设置比主库 max_allowed_packet大

主库

mysql> desc sbtest1;

+-----+-----------+-----+-----+------+----------------+

| id | int(11) | NO | PRI | NULL | auto_increment |

| k | int(11) | NO | MUL | 0 | |

| c | char(120) | NO | | | |

| pad | char(60) | NO | | | |

| id3 | int(11) | YES | | NULL | |

| id5 | int(11) | YES | | NULL | |

+-----+-----------+-----+-----+------+----------------+

select count(*) from sbtest1;

mysql> show variables like 'max_allowed_packet%';

+--------------------+----------+

| max_allowed_packet | 16777216 | 16M

+--------------------+----------+

从库

mysql> show variables like '%slave_para%';

+------------------------+---------------+

| Variable_name | Value |

+------------------------+---------------+

| slave_parallel_type | LOGICAL_CLOCK |

| slave_parallel_workers | 8 |

+------------------------+---------------+

mysql> show variables like '%slave_pending_jobs%';

+-----------------------------+----------+

| Variable_name | Value |

+-----------------------------+----------+

| slave_pending_jobs_size_max | 67108864 | 64M

+-----------------------------+----------+

主库执行

UPDATE sbtest1 SET c=REPEAT(UUID(),2) where id<100000;

从库出现大量类似生产环境中的日志，但没有模拟出从库异常crash的情况

Note] Multi-threaded slave: Coordinator has waited 208341 times hitting slave_pending_jobs_size_max; current event size = 8044

Note] Multi-threaded slave: Coordinator has waited 208351 times hitting slave_pending_jobs_size_max; current event size = 8044

Note] Multi-threaded slave: Coordinator has waited 208361 times hitting slave_pending_jobs_size_max; current event size = 8044

Note] Multi-threaded slave: Coordinator has waited 208371 times hitting slave_pending_jobs_size_max; current event size = 8044

Note] Multi-threaded slave: Coordinator has waited 208381 times hitting slave_pending_jobs_size_max; current event

结论

从库开启并行复制，主库执行大事务，从库日志会出现大量中 Coordinator has waited。但没有复现出从库发生异常crash的情况。

建议：

尽量减少大事务的执行，拆分为小事务

从库slave_pending_jobs_size_max 变量设置比主库max_allowed_packet大些

可设置binlog_rows_query_log_events = 1(可以动态开启)，DDL,DML会以语句形式在binlog中记录，方便分析binlog

crash问题后续可以多保留一些日志，再次复现时好分析些

作者：jiaxin