解决 ClickHouse 高可用集群中 VRID 冲突问题：基于 chproxy 和 keepalived 的实践分析

Part1背景描述

近期，我们部署了两套 ClickHouse 生产集群，分别位于同城的两个数据中心。这两套集群的数据保持一致，以便在一个数据中心发生故障时，能够迅速切换应用至另一个数据中心的 ClickHouse 实例，确保服务连续性。

这两套 ClickHouse 集群采用高可用架构，由两台 ClickHouse 和三台 ZooKeeper 组成，前端通过两台服务器部署了 chproxy 与 keepalived，采用主备模式。当主节点发生异常时，VIP（虚拟 IP 地址）可以快速漂移至备份节点，继续对外提供服务。

这两套同城数据中心的 ClickHouse 集群的 chproxy + keepalived 配置基本相同，除了虚拟 IP 地址（virtual_ipaddress）和虚拟路由器 ID（virtual_router_id）不同。

keepalived.conf 配置文件内容如下：

! Configuration File for keepalived

global_defs {
   notification_email {
     [email protected]
   }
   notification_email_from [email protected]
   smtp_server 192.168.xxx.xxx
   smtp_connect_timeout 30
   router_id Chproxy_Router_Id
}

vrrp_script chk_http_port {
        script "/opt/check_chprpoxy.sh"
        interval 40
        weight 20
}

vrrp_instance VI_1 {
    state MASTER 
    interface ens192
    virtual_router_id xxx
    priority 110
    advert_int 1
    authentication {
        auth_type PASS
        auth_pass 1111
    }
    track_script {
        chk_http_port
    }
    virtual_ipaddress {
        192.168.xxx.xxx
    }
    notify_master "/opt/keepalived_notify.sh"

}

chproxy和keepalived 服务启动后，virtual_ipaddress 会漂移到其中一个节点，如下所示。

昨日巡检发现其中一个机房的 chproxy-keepalived 的集群 /var/log/messages 产生大量如下信息。

[root@xxx-xxx-chproxy-keepalive-xxx ~]# tail -1f /var/log/messages
Oct 16 16:38:09 localhost Keepalived_vrrp[3712]: VRRP_Instance(VI_1) Dropping received VRRP packet...
Oct 16 16:38:16 localhost Keepalived_vrrp[3712]: (VI_1): ip address associated with VRID 53 not present in MASTER advert : 192.168.xxx.xxx
Oct 16 16:38:16 localhost Keepalived_vrrp[3712]: bogus VRRP packet received on ens33 !!!
Oct 16 16:38:16 localhost Keepalived_vrrp[3712]: VRRP_Instance(VI_1) Dropping received VRRP packet...
Oct 16 16:38:17 localhost Keepalived_vrrp[3712]: (VI_1): ip address associated with VRID 53 not present in MASTER advert : 192.168.xxx.xxx
Oct 16 16:38:17 localhost Keepalived_vrrp[3712]: bogus VRRP packet received on ens33 !!!
Oct 16 16:38:17 localhost Keepalived_vrrp[3712]: VRRP_Instance(VI_1) Dropping received VRRP packet...
Oct 16 16:38:20 localhost Keepalived_vrrp[3712]: (VI_1): ip address associated with VRID 53 not present in MASTER advert : 192.168.xxx.xxx

上面的日志信息里，192.168.xxx.xxx 是 virtual_ipaddress 地址信息， VRID 53 是该集群 virtual_router_id 的信息。

/var/log/messages 日志文件里上述信息刷新频率很高。

Party2 分析过程

通过上面的日志，可以看到 /var/log/messages 日志里反复出现如下三段内容：

localhost Keepalived_vrrp[3712]: (VI_1): ip address associated with VRID 53 not present in MASTER advert : 192.168.4.199
localhost Keepalived_vrrp[3712]: bogus VRRP packet received on ens33 !!!
localhost Keepalived_vrrp[3712]: VRRP_Instance(VI_1) Dropping received VRRP packet...

2.1 日志信息含义

上面这些信息代表什么意思呢，我查询了相关资料，对上面的文字内容解释如下：

1） Keepalived_vrrp[3712]: (VI_1): ip address associated with VRID 53 not present in MASTER advert : 192.168.xxx.xxx

这条日志表示 Keepalived 的 VRRP 实例 VI_1 收到了与 VRID 53 相关的广告包，但在这个广告包中并没有找到指定的虚拟 IP 地址 ( 192.168.xxx.xxx)。
可能意味着：

这通常是主节点发送的广告包与当前节点的配置不一致所导致的。
- 广告包中的虚拟 IP 配置与当前节点期望的配置不匹配，可能是由于配置不一致。
- 有其他节点错误地发送了与 VRID 53 相关的广告包，且该广告包中并未包含 192.168.xxx.xxx。

2) Keepalived_vrrp[3712]: bogus VRRP packet received on ens33 !!!：

这条日志表示在网络接口 ens33 上接收到了一个“伪造的” VRRP 包。也就是说，这个 VRRP 包不符合节点对其所在集群的期望。
这种情况可能是由于：
- 网络中有其他设备错误地发送了 VRRP 广告包。
- 主备节点之间的配置不一致，导致某个节点发送了无效或不可识别的 VRRP 广告包。

3)Keepalived_vrrp[3712]: VRRP_Instance(VI_1) Dropping received VRRP packet...：

这条日志表示 Keepalived 丢弃了收到的 VRRP 包，因为它认为这些包是无效的或伪造的。
由于接收到的 VRRP 包与期望不一致，因此将其丢弃以避免不正确的状态切换。

2.3 问题排查

针对以上可能存在的原因分析，目前极有可能是网络中存在其他与 VRID 53 冲突的设备这条比较符合，那该如何排查分析原因，通过查询资料，显示可以使用 tcdump 命令来检测网络中的 VRRP 广播包，查看是否有冲突的 VRID 。

小贴士

-- tcpdump 是一个网络抓包工具，用于在指定的网络接口上捕获网络数据包并分析。

tcpdump -nn 的作用是让 tcpdump 直接显示 IP 地址和端口号，避免 DNS 查询和服务名解析。 

-nn 是 tcpdump 的常用选项之一，具体用法和含义如下：

-n：这个选项告诉 tcpdump 不解析主机名，直接显示 IP 地址，而不是将 IP 地址解析为主机名。这样可以提高性能，因为省去了 DNS 查询的过程。
例如，显示 192.168.1.1 而不是通过 DNS 查询显示类似 server.example.com。

-nn：当两个 n 连续使用时，除了不解析主机名外，还不解析端口号。这样 tcpdump 会直接显示端口号，而不是显示对应的服务名称。
例如，显示 192.168.1.1:80 而不是 192.168.1.1:http，显示 443 而不是 https。

-- 实例
# 捕获所有流量
tcpdump -nn

# 捕获特定接口的流量
tcpdump -nn -i ens33

# 捕获特定主机的流量
tcpdump -nn host 192.168.1.100

# 捕获特定端口的流量
tcpdump -nn port 80

# 捕获 VRRP 流量
tcpdump -nn -i any net 224.0.0.0/8 | grep "VRRP"

此处采用 tcpdump 来捕获 VRRP 流量，通过使用 tcpdump 使用捕获 VRRP 流量的命令，得到的信息如下。

[root@xxx-xxx-chproxy-keepalive-xxx ~]# tcpdump -nn -i any net 224.0.0.0/8
-- 得到的信息如下
tcpdump: verbose output suppressed, use -v or -vv for full protocol decode
listening on any, link-type LINUX_SLL (Linux cooked), capture size 262144 bytes
16:33:07.480496 IP 192.168.xxx.63 > 224.0.0.18: VRRPv2, Advertisement, vrid 184, prio 102, authtype none, intvl 1s, length 20
16:33:07.519685 IP 192.168.xxx.35 > 224.0.0.18: VRRPv2, Advertisement, vrid 76, prio 100, authtype simple, intvl 1s, length 20
16:33:07.538291 IP 192.168.xxx.116 > 224.0.0.18: VRRPv2, Advertisement, vrid 118, prio 100, authtype simple, intvl 1s, length 20
16:33:07.545689 IP 192.168.xxx.10 > 224.0.0.18: VRRPv2, Advertisement, vrid 181, prio 102, authtype none, intvl 1s, length 20
...... 省略其它信息


-- 解释如下
此处以 16:33:07.480496 IP 192.168.xxx.63 > 224.0.0.18: VRRPv2, Advertisement, vrid 184, prio 102, authtype none, intvl 1s, length 20 为例来进行解释

1) 16:33:07.480496： 
   时间戳，表示捕获到此数据包的时间

2) IP 192.168.xxx.63 > 224.0.0.18：
  192.168.xxx.63：源 IP 地址，这个数据包是从 IP 地址 192.168.xxx.63 发送的。
  224.0.0.18：目标 IP 地址，这是一个组播地址，专用于 VRRP 的多播。224.0.0.18 被所有 VRRP 参与设备用于接收 VRRP 广告包。

3) VRRPv2, Advertisement：
  表示该数据包是一个 VRRP 第 2 版（VRRPv2）的广告包（Advertisement）。
  VRRP 广告包由主节点发送，用于告知备节点主节点的状态，以便实现高可用。

4) vrid 184：
   vrid 表示 VRRP 实例的虚拟路由器 ID。这是一个唯一的标识符，用于标识特定的 VRRP 组。在这一行中，vrid 的值是 184。
   不同的 VRID 对应不同的虚拟路由器，可以让多组 VRRP 实例在同一网络中运行而不会互相干扰。
   
5) prio 102：
   prio 表示 VRRP 广告包中的优先级。优先级越高，表示该节点越有可能成为主节点（MASTER）。
   在这一行中，优先级 (priority) 是 102。通常，主节点会配置一个较高的优先级，以确保自己能够保持主节点地位。
   
6) authtype none / authtype simple：
   authtype 表示 VRRP 包的认证类型：
   none：没有认证。
   simple：使用简单的明文密码认证。
   在 VRRP 中，认证可以用来防止未经授权的节点加入 VRRP 组。
   
7) intvl 1s：
   intvl 表示 VRRP 广告包的发送时间间隔，这里是 1 秒。这意味着该节点每隔 1 秒发送一个广告包，以告知其他节点其状态。
   通常情况下，VRRP 主节点会周期性发送广告包，以确保备节点知道主节点的健康状况。
   
   
8)length 20：
   length 表示数据包的长度（单位为字节）。在这一行中，VRRP 广告包的长度是 20 字节。

通过上面的命令可以查看到当前都有些哪些 IP及其对应的 vrid，由于信息太多，显然不利于查找当前 chproxy-keepalived 集群的 vrid 53 是否有冲突，我们可以使用 grep 进行过滤，如下所示。

[root@xxx-xxx-chproxy-keepalive-xxx ~]# tcpdump -nn -i any net 224.0.0.0/8 | grep "vrid 53"
-- 得到的信息如下
tcpdump: verbose output suppressed, use -v or -vv for full protocol decode
listening on any, link-type LINUX_SLL (Linux cooked), capture size 262144 bytes
13:40:27.104788 IP 192.168.xxx.51 > 224.0.0.18: VRRPv2, Advertisement, vrid 53, prio 102, authtype simple, intvl 1s, length 20
13:40:28.105340 IP 192.168.xxx.51 > 224.0.0.18: VRRPv2, Advertisement, vrid 53, prio 102, authtype simple, intvl 1s, length 20
13:40:29.106068 IP 192.168.xxx.51 > 224.0.0.18: VRRPv2, Advertisement, vrid 53, prio 102, authtype simple, intvl 1s, length 2013:40:30.106548 IP 192.168.xxx.51 > 224.0.0.18: VRRPv2, Advertisement, vrid 53, prio 102, authtype simple, intvl 1s, length 20

通过上述命令信息，可以看到当前 chproxy-keepalived 集群的 vrid 已经被其它环境在使用，和当前这套集群有冲突。

2.4 解决办法

根据上面的分析，我们已经找到了问题根源，接下来就是如何调整，我将这套 chproxy-keepalived 主备节点的

vrid 进行调整，并通过 tcpdump -nn -i any net 224.0.0.0/8 | grep "vrid xxx", 查找哪个 vrid 未被占用，如下所示：

[root@xxx-xxx-chproxy-keepalive-xxx ~]# tcpdump -nn -i any net 224.0.0.0/8 | grep "vrid 59"
tcpdump: verbose output suppressed, use -v or -vv for full protocol decodelistening on any, link-type LINUX_SLL (Linux cooked), capture size 262144 bytes

比如，测试发现 vrid 59 没有被占用，于是我将 vrid 59 分别修改写入到 /etc/keepalived/keepalived.conf 文件，如下所示：

-- MASTER 节点 信息如下

! Configuration File for keepalived

global_defs {
   notification_email {
     [email protected]
   }
   notification_email_from [email protected]
   smtp_server 192.168.xxx.xxx
   smtp_connect_timeout 30
   router_id Chproxy_Router_Id
}

vrrp_script chk_http_port {
        script "/opt/check_chprpoxy.sh"
        interval 40
        weight 20
}

vrrp_instance VI_1 {
    state MASTER 
    interface ens33
    virtual_router_id 59
    priority 110
    advert_int 1
    authentication {
        auth_type PASS
        auth_pass 1111
    }
    track_script {
        chk_http_port
    }
    virtual_ipaddress {
        192.168.xxx.xxx
    }
    notify_master "/opt/keepalived_notify.sh"

}

-- BACKUP 节点信息如下
! Configuration File for keepalived

global_defs {
   notification_email {
     [email protected]
   }
   notification_email_from [email protected]
   smtp_server 192.168.xxx.xxx
   smtp_connect_timeout 30
   router_id Chproxy_Router_Id
}

vrrp_script chk_http_port {
        script "/opt/check_chprpoxy.sh"
        interval 40
        weight 20
}

vrrp_instance VI_1 {
    state BACKUP 
    interface ens33
    virtual_router_id 59 
    priority 100
    advert_int 1
    authentication {
        auth_type PASS
        auth_pass 1111
    }
    track_script {
        chk_http_port
    }
    virtual_ipaddress {
        192.168.xxx.xxx
    }
    notify_master "/opt/keepalived_notify.sh"

}

为了减少对应用的影响，我首先通过 ip addr 命令查看当前 VIP 漂移到哪个节点。当发现 VIP 位于 MASTER 节点时，我选择对 BACKUP 节点的 keepalived 服务进行重启。

# systemctl restart keepalived

重启后，再次检查 /var/log/messages，确认未再出现 VRID 被占用的相关信息。

随后，我们与应用团队协商，选择在业务低峰期对 MASTER 节点的 keepalived 也进行了重启，确认未再观察到 VRID 冲突的问题。

三、总结

这次问题的根源在于 VRID 冲突，导致主备节点的 VRRP 包不匹配。通过使用 tcpdump 工具排查问题并调整配置，我们成功解决了该问题。这一过程再次证明了配置一致性和唯一性的重要性，以及 tcpdump 在网络排查中的有效性。在高可用架构的设计和实现中，保持配置的唯一性是至关重要的，这不仅能够避免集群间的资源冲突，还能保证系统在故障时的可靠性和可用性。

对于类似的高可用集群环境，严格遵循配置管理规范、保证参数的唯一性和正确性是避免故障的关键。此次排查和解决的过程也突显了掌握网络抓包工具的重要性，这些工具在复杂网络环境下的故障分析中发挥着不可或缺的作用。通过这些手段，我们不仅解决了当前的问题，也为未来可能遇到的类似问题积累了宝贵的经验，从而进一步提升了系统的稳定性和可靠性。