奇技指南
ETCD是一个高可用的分布式Key/Value存储系统。它使用Raft算法，通过选举来保持集群内各节点状态的一致性。虽然ETCD具有高可用的特点，但是也无法避免多个节点宕机，甚至全部宕机的情况发生。如何快速的恢复集群，就变得格外重要。本文将介绍在日常工作中，遇到的ETCD集群常见问题的处理方法。
本文来自公众号“360云计算”。
ETCD常见问题
由于ETCD集群需要选举产生leader，所以集群节点数目需要为奇数来保证正常进行选举。而集群节点的数量并不是越多越好，过多的节点会导致集群同步的时间变长，使得leader写入的效率降低。我们线上的ETCD集群由三个节点组成(即宕机一台，集群可正常工作)，并开启了认证。以下是日常运维工作中，遇到问题的处理过程。
1集群一个节点宕机的恢复步骤
一个节点宕机，并不会影响整个集群的正常工作。此时可通过以下几步恢复集群：
1）在正常节点上查看集群状态并摘除异常节点
etcdctl endpoint status
2）摘除异常节点
etcdctl member remove $ID
3）重新部署服务后，将节点重新加入集群
-
由于ETCD集群证书依赖于服务器IP，为避免重新制作证书，需要保持节点IP不变。在部署好节点上服务后，先不要启动。
-
将节点重新加入集群
etcdctl member add $name --peer-urls=https://x.x.x.x:2380
此时查看集群状态，新加入的节点状态为unstarted
-
删除新增成员的旧数据目录，更改相关配置
需将原etcd服务的旧数据目录删除，否则etcd会无法正常启动。新增节点是加入已有集群，所以需要修改配置ETCD_INITIAL_CLUSTER_STATE="existing"
-
启动服务 检测集群是否正常
systemctl start etcd
使用etcdctl endpoint status命令查看集群状态，若三台都正常，集群恢复。
2
集群超过半数节点宕机的恢复步骤
此时集群处于无法正常工作的状态，需要尽快恢复。若机器宕机重启，IP保持不变，则证书无需重新生成；若IP更换，则还需重新生成证书。集群恢复需要使用ETCD的备份数据(使用etcdctl snapshot save命令备份)，或者从ETCD数据目录复制snap/db文件。以下是恢复步骤：
1）将备份数据恢复至集群
-
集群部署完成后，先不启动ETCD服务，并将原有ETCD数据目录删除
-
依次在三台节点上执行恢复数据的命令
etcdctl --name=x.x.x.x-name-3 --endpoints="https://x.x.x.x:2379" --cert=/var/lib/etcd/cert/etcd-client.pem --key=/var/lib/etcd/cert/etcd-client-key.pem --cacert=/var/lib/etcd/cert/ca.pem --initial-cluster-token=xxxxxxxxxx --initial-advertise-peer-urls=https://x.x.x.x:2380 --initial-cluster=x.x.x.x-name-1=https://x.x.x.x:2380,x.x.x.x-name-2=https://x.x.x.x:2380,x.x.x.x-name-3=https://x.x.x.x:2380 --data-dir=/var/lib/etcd/data.etcd/ snapshot restore snapshot.db
-
更改数据目录的权限
chown -R etcd:etcd data.etcd/
2）启动ETCD服务，检查集群状态
-
systemctl start etcd
-
etcdctl member list 查看节点状态
3
database space exceeded报错恢复步骤
从报错的字面意思来看，是超出数据库空间导致。执行etcdctl endpoint status，查看集群此时各节点的状态，发现DB SIZE为2.1GB。ETCD官方文档说明(https://etcd.io/docs/v3.3.12/dev-guide/limit/)提到ETCD默认的存储大小是2GB。超出后，集群无法进行写入。以下为恢复步骤：
1）备份数据
使用snapshot save命令备份集群数据
2）获取reversion
etcdctl --write-out="json" --cacert /var/lib/etcd/cert/ca.pem --key /var/lib/etcd/cert/etcd-client-key.pem --cert /var/lib/etcd/cert/etcd-client.pem --endpoints='*.*.*.*:2379' endpoint status |grep -o '"revision":[0-9]*'
3）compact
etcdctl --cacert /var/lib/etcd/cert/ca.pem --key /var/lib/etcd/cert/etcd-client-key.pem --cert /var/lib/etcd/cert/etcd-client.pem --endpoints='*.*.*.*:2379' compact $revision
4）defrag
etcdctl --cacert /var/lib/etcd/cert/ca.pem --key /var/lib/etcd/cert/etcd-client-key.pem --cert /var/lib/etcd/cert/etcd-client.pem --endpoints='*.*.*.*:2379' defrag
5）删除报警(必需删除，否则集群仍然无法使用)
etcdctl --write-out="table" --cacert /var/lib/etcd/cert/ca.pem --key /var/lib/etcd/cert/etcd-client-key.pem --cert /var/lib/etcd/cert/etcd-client.pem --endpoints='*.*.*.*:2379 alarm disarm
以上就是对ETCD集群日常维护的总结，为了使服务更加稳定的运行，建议定时备份和压缩数据，并增加集群监控(与Prometheus配合使用)。
相关文章
-
https://github.com/etcd-io/etcd/tree/master/Documentation/dev-guide
-
http://linux265.com/news/2182.html
-
https://doc.zhnytech.com/etcd/documentation/op-guide/recovery.html
最新活动
面对复杂的业务逻辑和海量用户的并发访问，如何构建高性能、稳定的后端服务系统，是很多技术从业人员都需要解决的一个问题。
本期活动我们邀请多位一线技术专家从大数据计算、微服务架构、实时监控等方面探讨高性能Web服务端实现之路。
识别下方二维码或点击阅读原文，立即报名
