MLで盛り上がったNATSについて #cfcrjp #6

MLで盛り上がったNATSについて.rst

盛り上がったスレ
=======================

https://groups.google.com/a/cloudfoundry.org/group/vcap-dev/browse_thread/thread/2302e34dc37343d4

きっかけ
=======================

NATSのSPoFどうするよ??

NATSのSPoFとは?
=======================

- CloudFoundry は２種類のNATSが必要

  - CloudController, DEA, Router, Health Manager を制御するNATS.
  - ServiceNode, ServiceGateway を制御するNATS

- いずれのコンポーネントでも mbus: nats://user:pass@host:port/ の形で利用するNATSのURIを指定する。
- NATSのURIとの接続(EventMachine)が落ちる(エラーを起こす)と、それぞれのコンポーネントは自律的に exit するようになっている。
- NATS自体には High Availability 機能がない(絶賛開発中)

想定される障害
---------------------------------

NATSを動かしているHW/OSが落ちた

想定される回復方法
---------------------------------

- NATS を別の場所で、IP, PORT を変えずに起動する (クライアントの設定ファイルを書き換えるのは面倒)
- それぞれのコンポーネント(CloudControllerとかDEAとか)を起動する

MLに投稿した内容
=================================

一発目
---------------------------------

まずは事実関係を整理.

- All of components except for CloudController would exit if NATS 
raise an error (like connection errors). 
- If a DEA exits with the NATS error, applications on the DEA still 
work and can respond the requests. 
- After a while DEA exits, routers unregister applications on the dead 
DEA because heartbeats fail. (*A) 

で、ワークアラウンドはこれだ。

1. if nats server is down, then the IP address of NATS should be moved 
to another server, where NATS is restarted. 
  # I use heartbeat&pacemaker to do this 
2. DEAs can reconnect the new NATS server because the IP is not 
changed. 
  # I tuned 'NATS_MAX_RECONNECT_ATTEMPTS' and 'NATS_RECONNECT_TIME_WAIT' environment variable for clients to reconnect. 
3. DEAs or other components will exit with 'Authorization is required' 
error when they send a command after reconnecting NATS server. 
4. Restart DEAs and they check the application processes which have 
already been running on them. 

人々の反応
---------------------------------

- nats は簡単に落ちないよ。SPoF を取り除くよりも、一時的に落ちても大丈夫なようになってる。

- だがな、一時的に落ちたのをどうやって検知して回復するかが問題なんだ。夜中の3時に起こされるのとかごめんだぜ。

- ソフトウェアが簡単に落ちないことと、ハードウェア/ネットワークが落ちないことは別問題だぜ。。。

- reconnect のときに authorization error になるのはバグだよねー

- 俺らkeepalivedとfloating IPで対処したぜ(でも、これって、EC2 Friendlyじゃないんだよね)

- queue group さえ使ってなければ簡単にHAできるんだけどなぁ、vcap はどうなの? queue group 使ってるの?

- HealthManager と CloudController が使ってる < queue group

- nats なんか使わずに RPC にしよーぜ！

- ....

- NATS がダウンして、コンポーネント群が落ちるのはその通り。
- IP Failover で auth が失敗するのもその通り
- Cluster の難しさは subscription をどう管理するか。
- NATS の master implementation は Ruby。
- pub/sub を RPC にすると、コストが馬鹿にならない。
- NATSのGoogle Groupは natsio。


結論
---------------------------------

- NATSのClusterまだ。
- NATSのソース読んで必要な環境変数を自分好みに設定する
- あとは heartbeat なり keepalived なりでどうぞ。
- router が落ちるので、traffic drop は避けられない? nginx で backend の retry をどうぞ。