DataNode进入Stale状态问题排查

先说下DataNode为啥会处于Stale状态
默认情况下，DataNode每3s向NameNode发送一次心跳，如果NameNode持续30s没有收到心跳，就把DataNode标记为Stale状态；再过10分钟还没收到心跳，就标记为dead状态

NameNode有个jmx指标hadoop_namenode_numstaledatanodes，进入statle状态的DataNode数量，正常情况这个值应该是0，如果不是0则应该触发告警

DataNode有个jmx指标hadoop_datanode_heartbeatstotalnumops，表示心跳发送次数，通过prometheus函数increase(hadoop_datanode_heartbeatstotalnumops[1m])，可以得出1分钟内的心跳发送次数

监控发现有个节点存在心跳次数为0的情况：

观察这段时间DataNode的JVM状态，发现GC非常频繁，1分钟高达90次：

再查看这个节点的日志，发现有一条警告日志：

主要代码在org.apache.hadoop.hdfs.server.datanode.DirectoryScanner.scan()
大致是DataNode会定期扫描磁盘上的数据块，检查是否和内存中的数据块信息一致。开始对比前要先获取锁，完成后释放锁时会进行一个检查，如果持有锁的时间超过阈值(300ms)，就会打印警告日志
这里锁持有时间为36s，有点太长了，猜测原因是DataNode存储配置不合理，只配置了一块磁盘，且数据量较大，数据块非常多，导致对比耗时比较久
而这个时间和DataNode心跳缺失的时间也正好相符
抽查了几次出现心跳发送异常的时间点，都有发现这个警告日志
大概率就是因为这个影响到心跳发送

官方也有对应的issue：

https://www.mail-archive.com/[email protected]/msg43698.html
https://issues.apache.org/jira/browse/HDFS-16013
https://issues.apache.org/jira/browse/HDFS-15415
在3.2.2, 3.3.1, 3.4.0版本中解决了这个问题，除了优化性能，最关键是把锁去掉了，及时耗时再久，也不会因为长时间持有锁而影响DataNode健康状态

升级版本对我们来说难度比较大
先继续观察，看这个情况会不会造成其他更大的影响
除了升级版本，把DataNode改为多个目录，每个目录一块较小的磁盘，应该也能起到优化效果

参考文章：
如何识别datanode stale

谈一谈 DataNode 如何向 NameNode 发送心跳的
DataNode之DirectoryScanner分析