线上某MongoDB集群存储影响公司收入流水的核心数据，本文分享该集群为何多个索引串行后台会引起集群抖动，并且部分节点出现了连接数耗光等问题。同时通过本案例，给出时延敏感业务该最优方式添加索引，做到对业务最小化影响或者无影响。

索引对业务查询性能提升起着至关重要的作用，但是绝大部分MongoDB程序员和DBA对时延敏感业务的索引添加方法是错误的。

本文主要完成一下几个目的：

为何backgroud后台加索引会引起时延敏感集群抖动？
为何前面两个索引添加过程没触发告警，第三个索引添加完成后才触发告警？
为何只有从节点抖动，主节点时延一切正常？
为何连接数暴涨？
连接数耗光，mongo shell无法登陆查看节点内部状态信息，如何破局？
时延敏感型业务如何做到业务无感知索引添加？

1. 业务背景

某业务存储公司核心数据，集群异常会影响公司流水收入，该业务对时延非常敏感，稍有抖动就容易引起客户端超时异常，该业务场景如下：

数据量很小，10亿级
核心业务
时延敏感
分片模式，单个分片
读写分离
读多写少
峰值流量8-10W/s

该集群对应MongoDB内核版本：3.6.13，某天业务自己通过MongoDB管控平台串行方式添加几个索引(backgroud后台添加)，一个索引添加执行完成返回后，业务开始下一个索引的添加。

添加第一个索引和第二个索引完成后，业务没告警，但是当业务添加完第三个索引后，开始收到部分查询时延超过阀值告警。

2. 集群架构

2.1 集群部署架构

该集群部署架构如下：

该业务集群对应流量监控曲线如下：

如上图所示，该业务部署只有一个分片，该分片为一主四从结构5节点。分片1采用5节点的原因如下：

①　核心业务，5副本方式部署，可以容忍两个节点估值

②　时延敏感，由于业务优先读从节点，因此可以通过增加分片从节点的方式提升业务的QPS。

2.2 一个分片为何要选择分片模式？

一个分片为何要选择分片模式？复制集不是可以满足要求吗？

从上面的结构图可以看出，该集群只有一个分片，采用了分片模式架构，为何不选择复制集架构，这样还可以省掉mongos代理和config server的成本开销。采用分片模式主要基于如下因素考虑：

①　该业务当前数据比较小，10亿级别，但是随着时间增长后续可能会增加到百亿级别，考虑到以后可能存在分片扩容的需求，因此采用了分片模式。

②　该集群当前写入更新比较少，后续可能存在大量写入更新的场景，大量写入更新需要多分片来支撑。

③　我司在mongos代理增加了很多功能，例如限流、流量控制、权限细化控制、监控信息完善等功能，因此默认采用分片模式。

3. 问题快速发现及解决

3.1 问题发现

某天，突然告警中心打来电话，突然收到如下告警信息：

几乎四个从节点先后收到同样的告警，节点时延部分请求超过20ms，由于该业务是非常核心的影响业务营收的核心集群，非常紧张。但是，有一个很奇怪的现象，主节点访问时延正常，只有从节点时延抖动。

此外，还不停收到实例不可用异常告警，对应监控曲线如下：

说明：上图曲线一根代表客户端当前已用连接数，一根曲线代表剩余可用连接数。

3.2 问题排查过程

收到告警后，发现业务有很多慢日志(时延敏感业务，慢日志打印阀值为20ms)，同时慢日志都走了最优索引。

通过mongo shell登陆对应节点后台

于是通过mongo shell登陆节点后台，但是登陆不上，出现如下打印：

MongoDB shell version v3.6.13  
connecting to: MongoDB://x.x.x.x:20001/test?gssapiServiceName=MongoDB  
2021-04-29T11:09:15.049+0800 E QUERY    [thread1] Error: network error while attempting to run command 'isMaster' on host x.x.x.x:20001'  :  
connect@src/mongo/shell/mongo.js:263:13  
@(connect):1:6  exception: connect failed

由于节点登陆不上，因此登陆到存储节点查看后台日志，日志中有大量的打印提示连接数耗光了，如下图：

节点系统监控统计分析

从上面的现象可以看出链接耗光了，于是分析节点所在服务器系统监控，发现一个问题，磁盘IO非常高，如下：

分析mongod实例日志

由于从节点登陆不上，系统磁盘IO很高，因此怀疑有慢操作在运行，于是分析实例日志，发现如下现象：

问题确认

通过前面的分析可以得出问题根因在于加索引引起从节点磁盘IO过高，最终引起业务查询时延上升抖动。

通过和业务沟通，业务这段时间确实通过我们的管控平台串行方式加了几个索引，磁盘IO过高由业务加索引引起，同时从节点同一时刻有多个索引添加。加索引过程首先需要读取表数据，然后通过数据构建索引，这个过程都会有多次IO操作。磁盘IO是公用的，服务器IO高会引起该服务器上所有的IO操作变慢，因此最终引起从节点读服务抖动。

问题解决过程

到这里，我们已经确定问题是由于加索引引起，只有把索引干掉磁盘IO才会恢复正常，因此我们需要尽快干掉索引。然而，由于连接数已经耗光，无法链接从节点，所以我们不能做killop操作。

由于无法登陆后台做killop操作，于是直接kill进程，kill进程后启动，发现mongod还是在构建索引，如下：

重启后，还是需要构建索引，因为之前索引没有执行完成mongod进程就挂了，因此需要重建索引来保持与主节点状态一直。

不过，mongod为了解决类似问题，提供了一个noIndexBuildRetry参数来跳过实例加索引中途异常重启后重构索引的流程，该参数功能如下说明：

don’t retry any index builds that were interrupted by shutdown

noIndexBuildRetry放弃启动从节点mongod实例，业务很快恢复：

mongod -f /home/service/MongoDB/conf/mongod_20001.conf–noIndexBuildRetry

4. createIndex构建索引核心流程及问题暴露过程

4.1 createIndex构建索引核心流程

业务链接代理通过createIndex命令添加backgroud后台索引，其运行流程如下图所示：

主节点接受到createIndex命令后的执行主要流程如下：

①　主节点查询对应表数据，然后build构建索引。

②　索引数据构建执行完成后，返回客户端OK。(注意：主构建完成后就通知OK给客户端，实际上这时候从节点还没有开始构建索引)

③　生成createIndex对应oplog数据到oplog表

④　从节点获取到createIndex对应oplog操作，然后重放createIndex构建索引。

4.2 问题暴露流程

通过分析日志时间点和告警时间点，和业务确认，发现当业务第三个索引添加完成后(实际上只是主节点构建索引完成)，开始触发时延告警阀值。总接时间序列如下：

T1时刻第一个索引主节点构建完成，然后同步到两个从节点构建索引，也就是T1时刻两个从节点只有一个索引index1在运行。
T2时刻第二个索引主节点构建完成，然后从节点获取到这个索引执行，这时候由于从节点读流量大，因此构建索引比主节点慢，最终index1和index2都在两个从节点运行。此时，访问时延还没有触发时延告警阀值。
以此类推，T3时刻第三个索引添加完成，从节点通过oplog获取到第三个索引运行，由于此时index1、index2都还没有运行完成，因此两个从节点同时构建index1、index2和index3索引。三个索引的同时运行，进一步加重了磁盘IO负载和系统开销，业务访问时延进一步上升，最终造成部分查询时延超过20ms。

总结如下图所示：