ALM-45644 RocksDB的Level0层SST文件数持续超过阈值

告警解释

系统以用户配置的告警周期（metrics.reporter.alarm.job.alarm.rocksdb.metrics.duration，默认180s）检查作业RocksDB监控数据，如果作业RocksDB的Level0层SST文件数持续达到用户配置的阈值（state.backend.rocksdb.level0_slowdown_writes_trigger，默认20），则发送告警。当作业RocksDB的Level0层SST文件数小于或等于阈值，则告警恢复。

告警属性

告警参数

对系统的影响

Flink作业RocksDB的Level0层SST文件数持续超过阈值，主要反应的是Flink作业的CheckPoint的性能，对FlinkServer本身没有影响。

可能原因

Flink作业RocksDB的Level0层SST文件数持续超过阈值可能原因：

• RocksDB的Compaction压力过大，同时会存在“ALM-45646 RocksDB的Pending Compaction持续超过阈值”和“ALM-45647 RocksDB的Pending Compaction预估总大小持续超过阈值”告警。
• Level0层SST文件数过多。

处理步骤

检查是否RocksDB的Compaction压力过大并伴随ALM-45646告警

1. 在FusionInsight Manager首页，选择“运维 > 告警 > 告警”。
2. 在告警列表中，查看是否存在告警“ALM-45646 RocksDB的Pending Compaction持续超过阈值”。
   • 是，执行3。
   • 否，执行5。

3. 参考ALM-45646 RocksDB的Pending Compaction持续超过阈值章节处理对应的告警。
4. ALM-45646告警全部恢复后，等待几分钟，检查本告警是否恢复。
   • 是，处理完毕。
   • 否，执行5。

检查是否RocksDB的Compaction压力过大并伴随ALM-45647告警

5. 在告警列表中，查看是否存在告警“ALM-45647 RocksDB的Pending Compaction预估总大小持续超过阈值”。
   • 是，执行6。
   • 否，执行8。

6. 参考ALM-45647 RocksDB的Pending Compaction预估总大小持续超过阈值章节处理对应的告警。
7. ALM-45647告警全部恢复后，等待几分钟，检查本告警是否恢复。
   • 是，处理完毕。
   • 否，执行8。

在TaskManager日志检查是否Level0层SST文件数过多并收集日志

8. 使用具有FlinkServer管理操作权限的用户登录FusionInsight Manager。
9. 选择“运维 > 告警 > 告警 > ALM-45644 RocksDB的Level0层SST文件数持续超过阈值”，检查该告警的“定位信息”，查看并记录告警上报的任务名。
10. 选择“集群 > 服务 > Yarn”，单击“ResourceManager WebUI”后的链接进入Yarn原生页面。

11. 根据告警“定位信息”中的任务名找到异常任务，查找并记录作业的“application ID”，是否可以在Yarn页面上查看到作业日志。
    图1 作业的“application ID”
    
    • 是，执行12。
    • 否，执行13。

12. 单击失败作业application ID进入作业界面。
    1. 单击作业“Logs”列的“Logs”，查看并保存Jobmanager日志。
       图2 单击“Logs”
       
    2. 单击“Attempt ID”列的ID，单击“Logs”列的“Logs”，查看并保存Taskmanager日志，执行14。
       图3 单击“Attempt ID”列的ID
       
       图4 单击“Logs”
       
       

       使用具有当前Flink作业的管理操作权限的用户登录Manager，选择“集群 > 服务 > Flink”，单击“Flink WebUI”后的链接，单击“作业管理”，在作业的“操作”列选择“更多 > 作业详情”也可查看Taskmanager日志。

若无法在Yarn页面上查看日志，可通过HDFS下载日志

13. 返回Manager，选择“集群 > 服务 > HDFS”，单击“NameNode WebUI”后的链接进入HDFS页面，选择“Utilities > Browse the file system”，在“/tmp/logs/用户名/bucket-logs-tfile/任务application ID的后4位/任务的application ID”目录下载日志。

检查是否Level0层SST文件数过多

14. 查看作业TaskManager监控日志（搜索标识：RocksDBMetricPrint）中参数“rocksdb.num-files-at-level0”的值（单位个数）是否大于或等于“state.backend.rocksdb.level0_slowdown_writes_trigger”或“state.backend.rocksdb.level0_stop_writes_trigger”的值。
    • 是：在Flink WebUI的作业开发界面，调整如下自定义参数的值并保存后执行15。

      表1 调整自定义参数

      参数名称	默认值	说明
      state.backend.rocksdb.level0_slowdown_writes_trigger	20	Level0触发slowdown的文件数 推荐20-30
      state.backend.rocksdb.level0_stop_writes_trigger	36	Level0触发stop的最大文件数 推荐36-46

    • 否：执行16。

15. 重启作业，检查告警是否恢复。
    • 是，处理完毕。
    • 否，执行16。

16. 联系运维人员，并发送已收集的故障日志信息。

告警清除

此告警修复后，系统会自动清除此告警，无需手工清除。

参考信息

不涉及。