Apache SkyWalking BanyanDB 更新 Group Schema 后数据写入异常问题分析

问题背景

在使用 Apache SkyWalking BanyanDB 时，当用户修改了 Group 的 schema 配置后，系统出现了无法写入新测量数据以及读取旧数据的问题。这个问题表现为 OAP 服务端抛出 gRPC 内部错误，同时 BanyanDB 服务器端也记录了大量错误日志。

错误现象

从日志中可以观察到两个层面的错误表现：

1. 客户端(OAP)错误：

• 抛出 io.grpc.StatusRuntimeException: INTERNAL: directory is exist 异常
• 错误发生在 MeasureBulkWriteProcessor 处理批量写入时
• 版本号为 10.2.0-SNAPSHOT-3223a2c

2. 服务端(BanyanDB)错误：

• 出现 panic 错误："invalid memory address or nil pointer dereference"
• 度量收集器(METRIC-SERVICE.SCHEDULER.METRICS-COLLECTOR)崩溃
• 存储系统报告"directory is exist"错误
• 涉及分钟级(minute)度量的处理

问题根源分析

通过对错误日志的深入分析，可以推断出问题的根本原因在于：

1. Schema 变更处理不完善： 当用户修改了 Group 的 schema 配置（特别是 gmMinuteShardNum、gmMinuteSIDays 和 gmMinuteTTLDays 参数）后，BanyanDB 尝试重新初始化时间序列数据库(TSDB)，但在处理现有数据目录时出现了冲突。

2. 资源管理问题： 错误堆栈显示在尝试收集度量指标时出现了空指针异常，这表明在 schema 变更过程中，某些资源没有被正确释放或重新初始化。

3. 目录冲突： 最直接的错误信息"directory is exist"表明系统尝试创建一个已经存在的目录，这通常发生在：

• 没有正确处理现有数据目录
• 并发操作导致冲突
• 资源锁未被正确释放

技术细节

1. TSDB 重新初始化流程： 日志显示系统执行了以下步骤：

• 关闭现有的 TSDB
• 创建新的 TSDB
• 尝试监视事件

在这个过程中，系统没有正确处理现有的数据文件，导致后续操作失败。

2. 度量收集器崩溃： 度量收集器在尝试访问已释放的资源时崩溃，这表明：

• 资源释放和重新初始化之间存在竞态条件
• 引用计数管理存在问题

3. 存储层问题： 文件系统报告"/tmp/measure-data/measure/minute/seg-20241217"目录已存在，这表明：

• 目录清理不彻底
• 或者目录创建逻辑没有考虑现有情况

解决方案建议

针对这个问题，可以考虑以下解决方案：

1. 优雅处理 schema 变更：

• 在变更前完全关闭现有资源
• 确保所有引用都被释放
• 彻底清理旧数据目录

2. 改进错误处理：

• 对"directory is exist"等常见错误添加特定处理逻辑
• 实现自动恢复机制

3. 增强资源管理：

• 改进引用计数实现
• 添加资源状态检查
• 确保资源释放顺序正确

4. 添加验证机制：

• 在应用 schema 变更前验证参数有效性
• 检查存储目录状态
• 提供回滚机制

最佳实践

对于生产环境使用 BanyanDB，建议：

1. 谨慎修改 schema：

• 评估变更的必要性
• 在测试环境验证变更
• 选择低峰期执行变更

2. 监控关键指标：

• 存储目录状态
• 资源使用情况
• 度量收集器健康状态

3. 备份重要数据：

• 在 schema 变更前备份关键数据
• 确保有恢复方案

总结

这个问题揭示了分布式时序数据库在 schema 变更时的复杂性。正确处理存储资源、管理并发操作以及确保数据一致性是这类系统的关键挑战。通过分析这个具体案例，我们可以更好地理解 BanyanDB 的内部工作机制，并为类似系统的设计和实现提供有价值的参考。