YugabyteDB中TServer崩溃导致事务丢失问题分析与修复

问题背景

在YugabyteDB分布式数据库中，我们发现了一个可能导致数据不一致的关键问题。该问题最初是在CDC(变更数据捕获)与数据库克隆功能的联合测试中被发现的。测试场景中，当源数据库执行克隆操作后，CDC数据复制会出现异常，表现为源数据库和克隆数据库之间的行计数不一致且不断波动。

问题现象

在典型的测试流程中：

1. 创建包含2个表的源数据库
2. 在源数据库上启用CDC并部署gRPC连接器
3. 克隆原始数据库
4. 在克隆数据库上启用CDC并部署连接器
5. 验证CDC复制正确性

测试过程中观察到源数据库的行计数出现异常波动，例如：

• 初始状态：源库行数113,659，同步正常
• 异常开始：源库行数从174,113变为154,691
• 后续发展：行数持续波动(149,448→145,923→150,355→139,732)

根本原因分析

经过深入调查，发现问题根源在于YugabyteDB的写入和刷盘机制存在缺陷。具体表现为：

1. 操作顺序问题：当处理SNAPSHOT_OP(特别是删除操作)时，系统会先更新RocksDB清单文件中的flushed frontier(通过Tablet::ModifyFlushedFrontier)，然后再将之前的写操作真正刷盘到SST文件。

2. 崩溃恢复缺陷：如果在更新flushed frontier后、实际数据刷盘前发生TServer崩溃，重启后的tablet bootstrap过程会错误地认为这些数据已经持久化，导致部分已提交但未刷盘的事务丢失。

3. CDC影响：这种数据丢失会导致CDC流出现不一致，表现为行计数异常波动，因为部分已复制的数据在崩溃恢复后被丢弃。

技术细节

问题的核心在于YugabyteDB的持久化机制：

1. RocksDB集成：YugabyteDB使用RocksDB作为存储引擎，数据首先写入内存表(MemTable)，然后异步刷盘到SST文件。

2. Frontier机制：flushed frontier记录了已持久化数据的前沿位置，用于崩溃恢复时确定需要重放的日志范围。

3. 错误时序：当前实现在更新flushed frontier时没有确保相关数据已经刷盘，导致持久化状态与实际数据不一致。

解决方案

修复方案着重于保证数据持久化的原子性和正确顺序：

1. 强制刷盘：修改Tablet::ModifyFlushedFrontier实现，在更新flushed frontier前，先同步刷盘常规DB和intents DB。

2. 严格顺序：确保只有数据确实写入磁盘后，才更新清单文件中的flushed frontier标记。

3. 崩溃安全：这种修改保证了即使TServer在更新过程中崩溃，也不会出现数据丢失，因为要么全部持久化，要么全部不持久化。

影响范围与修复版本

该问题是一个长期存在的潜在缺陷，影响多个YugabyteDB版本。修复方案已向后移植到所有受支持的稳定版本，包括2024.1、2024.2和2025.1等主要发布线。

最佳实践建议

对于使用YugabyteDB的生产环境，特别是依赖CDC或数据库克隆功能的用户，建议：

1. 及时升级到包含此修复的版本
2. 在关键业务场景中增加数据一致性校验
3. 监控CDC延迟和一致性指标
4. 考虑在重要操作前后执行手动刷盘(如通过admin命令)

该修复显著提高了YugabyteDB在崩溃恢复场景下的数据可靠性，确保了分布式事务的完整性和一致性。