一次ES集群崩溃及恢复过程

一、背景介绍

     生产环境上搭建了一套由Filebeat + Kafka + Logstash + Elasticsearch + Kibana实现的实时日志分析系统。每一台生产服务器上利用Filebeat收集指定的应用日志，作为生产者写入到Kafka中；另一端Logstash作为消费者消费Kafka中的消息，并上报到ES集群中，最终通过Kibana展示日志消息。

    我们的生产集群一共七台机器专用于运行Elasticsearch集群，其中六台内存大小为62G,一台内存大小为128G。ES启动的JVM堆的大小设置为Xmx=42G、Xms=42G。

二、问题发生

2024年7月18日，生产环境的Elasticsearch集群突然无法访问，查看ES集群日志，发现如图1报错：

图1

    从日志信息中可以看出，这是ES熔断器的抛出的异常，异常信息告诉我们此时ES的数据量过大，超过了熔断器设置的阈值（【4300488256/40gb】），ES无法响应请求。ES启动参数中涉及索引缓存的两个参数的值分别如下：

indices.memory.index_buffer_size: 30%

indices.fielddata.cache.size:70%

    以上两个参数告诉我们，我们允许索引使用30%的内存作为缓存，70%作为fielddata缓存。ES中存在一个fieldata熔断器，当缓存在内存中的field data内存40%后会触发熔断机制。根据这些参数值以及报错信息我们判断，ES抛出该异常的原因是缓存到内存中的数据量过大，触发了ES集群的熔断机制，导致ES集群无法正常工作。至于缓存数据量过大的原因，我们分析有以下两点：

1. 没有对ES集群进行生命周期管理。我们一共配置了23条不同的流水线，用来收集系统日志、应用日志、Nginx日志等信息，这些流水线每天会创建一个新的索引用来写入当天的消息。最早的索引能够追溯到2022年5月。这些索引虽然很少被检索，但由于还是open状态，且相关的分片也是started状态，因此也会占用大量内存；
2. 在崩溃发生前两天，我们发现了部分filebeat报错显示，由于数据过大导致无法采集的问题（如图2），因此ES集群上缺失了部分日志信息，当时我们调大了Kafka消息队列和Filebeat允许的数据抓取大小。这使得原来有部分数据不会上传到ES集群，调整后，更多的数据能够上传，从而ES需要处理的请求增加，增加了集群的负载。

图2

三、恢复过程

定位到问题后，首要措施是重启ES集群，但是重启前我们考虑了以下几个问题：

1. 此时ES集群无法访问，需要依次重启每个节点成功后，ES才能恢复正常。生产环境的ES集群有七个节点，滚动重启每个节点至少需要20分钟，此时是下午上班时间，应用日志和Nginx日志产生的速度非常快，分分钟达到几百万条，在此期间产生的日志消息怎么办？
2. 由于Kafka已经在调整了message.max.bytes和replica.fetch.max.bytes两个参数后运行过一段时间，意味着如果不停止从Kafka中消费消息，ES重启后可能依然会存在Data too large报错。
3. ES重启集群后，需要重新分配分片，这套ES集群中每个索引模式每天都会根据日期创建新的索引，例如：

system_command_log.2024.07.01

system_command_log.2024.07.02

…

    这些索引并没有实施任何生命周期策略。在排查问题的过程中我们发现，这套ES集群保存着从2022年5月以来的所有索引。共计30个索引模式（system_command_log*等），17602个索引，45580个分片，其中包括主分片和副本分片。ES对这些索引重新进行分配需要时间，如果在集群恢复的过程中用户报障，我们可能没有办法快速地利用ES排查故障。

    针对以上问题，我们决定通过以下一系列的措施实施ES集群重启过程：

1. 停止Logstash向ES集群写入数据，先暂时让所有采集到的日志消息积压在Kafka消息队列中，一方面减小ES集群的压力，另一方面确保重启期间产生的日志消息不丢失。

2. 删除自调整了Kafka参数后创建的索引及数据，在ES集群恢复后，重新采集这部分数据。

3. 减小ES 的indices.memory.index_buffer_size和indices.fielddata.cache.size参数的数值，防止缓存的index数据量过多，导致内存使用率达到熔断机制触发的阈值，并且调高熔断器的触发值。

4. 滚动重启ES集群节点，重启后手动优先对使用频率高的索引分配进行赋值，分配成功后，再开启对应的流水线。

    通过以上操作，我们暂时顺利地恢复了ES集群以及部分索引的写入，此时研发人员已经可以通过ES查询应用日志和Nginx日志了。
   

四、优化措施

    恢复了ES集群后，剩下的工作是优化。我们采取了以下几点优化措施：

1. 关闭2022年5月开始到2023年12月的索引，减少索引占用的内存。

2. 增加生命周期策略，设置冷、热、温阶段。索引自创建日期30天后自动进入冷阶段并关闭索引；设置冷热节点，将128g内存的机器设置为热节点；

3. 缩小Kafka消息队列数据抓取大小限制；

4. 降低Logstash流水线数据写入速度，减轻Elasticsearch处理请求及读写索引的压力。

    经过以上一系列的措施，ES集群各个内存节点的内存使用情况有明显改观。图3为调整前的各节点内存使用情况，图4为调整后的内存使用情况吗，可以看到内存使用情况有明显的下降。
   

图3

图4

自此，我们的ES集群已经恢复完毕，并且运行速度也有一定的提高。

以上便是一次ES集群因数据量过大触发熔断机制导致ES集群无法访问及恢复的过程。因为这一套ES集群仅供运维及研发人员使用，因此没有对业务造成任何影响。通过这一次事件，我们总结了以下经验：

1. ES集群崩溃时，首先减轻ES集群负载，即，减少ES读写请求，然后再重启ES集群；

2. 重启集群时滚动重启；

3. 保证集群能够使用的内存大小限制小于熔断机制触发的阈值。

4. 及时地对索引进行管理，设置合理的索引生命周期，关闭不需要的索引，减少不必要的内存使用量。

    当然，ES中需要学习的内容一定还有更多，在未来的工作中，如果遇到别的问题，将持续地更新。