背景
症状
排查
修复

背景

最近在陆续做机房升级相关工作，配合DBA对产线数据库链接方式做个调整，将原来直接链接读库的地址切换到统一的读负载均衡的代理 haproxy 上，方便机柜和服务器的搬迁。
切换之后线上时不时的会发生 discard connection 错误，导致程序报 500 错误，但不是每次都必现的。

第一反应肯定是因为这次的读库地址的变动引起的问题，觉得问题应该是 druid 链接池中的 connection 保活策略没起作用，只要做下配置修改应该就可以了。结果这个问题让我们排查了好几天，我们竟然踩到了千年难遇的深坑。

这个问题排查的很坎坷，一次次的吐血，最终我们定位到问题并且优雅的修复了，我们一起来体验下这个一次一次让你绝望一次一次打脸的过程。

症状

先说故障症状，经常出现如下错误：

根据错误日志初步判断肯定是与 db 之间的链接已经断开，尝试使用了一个已经断开的链接才会引起这个错误发生。但是根据我们对 druid 了解，druid 有链接检查功能，按理不会拿到一个无效链接才对，带着这个线索我们上路了。

排查

为了准确的知道 db 的链接的存活时间，了解到 haproxy 对转发的 db tcp 链接空闲时间在 1m 之内，超过 1m 不活动就会被关掉。也就说我们与 db 之间的原来的长链接在 1m 之内会被断开。我们先不管这个时间设置的是否符合所有的大并发场景，至少在 druid 的链接池里会有有效链接检查，应该不会拿到无效链接才对，我们做了配置调整。

我们看下 druid 跟链接时间相关的配置：

datasource.druid.validationQuery=SELECT 1
datasource.druid.validationQueryTimeout=2000
datasource.druid.testWhileIdle=true
datasource.druid.minEvictableIdleTimeMillis=100000
datasource.druid.timeBetweenEvictionRunsMillis=20000

配置的每项的意思这里就不解释了。
我们启用了 testWhileIdle 配置，让每次拿取链接的时候发起检查。根据 timeBetweenEvictionRunsMillis 的配置只有大于这个时间 druid 才会发起检查，所以可能的场景是拿到一个即将过期的链接，根据这个线索我们调整这个时间为 20000ms，也就是超过 20s 会检查当前拿取的链接确定是否有效，检查的方式应该是使用 validationQuery 配置的 sql 语句才对，但是发现我们并找不到任何有关于 SELECT 1 的痕迹。

为什么你死活找不到 SELECT 1

首先要搞清楚 validationQuery 为什么没起作用，带着这个疑问开始 debug druid 源码。

if (isTestWhileIdle()) {
                    final long currentTimeMillis = System.currentTimeMillis();
                    final long lastActiveTimeMillis = poolableConnection.getConnectionHolder().getLastActiveTimeMillis();
                    final long idleMillis = currentTimeMillis - lastActiveTimeMillis;
                    long timeBetweenEvictionRunsMillis = this.getTimeBetweenEvictionRunsMillis();
                    if (timeBetweenEvictionRunsMillis <= 0) {
                        timeBetweenEvictionRunsMillis = DEFAULT_TIME_BETWEEN_EVICTION_RUNS_MILLIS;
                    }

                    if (idleMillis >= timeBetweenEvictionRunsMillis) {
                        boolean validate = testConnectionInternal(poolableConnection.getConnection());
                        if (!validate) {
                            if (LOG.isDebugEnabled()) {
                                LOG.debug("skip not validate connection.");
                            }

                            discardConnection(realConnection);
                            continue;
                        }
                    }
                }
            }

闲置时间肯定会有大于 timeBetweenEvictionRunsMillis 时间的，会发起 testConnectionInternal 方法检查。我们继续跟进去看，

protected boolean testConnectionInternal(DruidConnectionHolder holder, Connection conn) {
   boolean valid = validConnectionChecker.isValidConnection(conn, validationQuery, validationQueryTimeout);

内部会使用 validConnectionChecker 检查对象发起检查。

public boolean isValidConnection(Connection conn, String validateQuery, int validationQueryTimeout) throws Exception {
        if (conn.isClosed()) {
            return false;
        }

        if (usePingMethod) {
            if (conn instanceof DruidPooledConnection) {
                conn = ((DruidPooledConnection) conn).getConnection();
            }

            if (conn instanceof ConnectionProxy) {
                conn = ((ConnectionProxy) conn).getRawObject();
            }

            if (clazz.isAssignableFrom(conn.getClass())) {
                if (validationQueryTimeout < 0) {
                    validationQueryTimeout = DEFAULT_VALIDATION_QUERY_TIMEOUT;
                }

                try {
                    ping.invoke(conn, true, validationQueryTimeout * 1000);
                } catch (InvocationTargetException e) {
                    Throwable cause = e.getCause();
                    if (cause instanceof SQLException) {
                        throw (SQLException) cause;
                    }
                    throw e;
                }
                return true;
            }
        }

        String query = validateQuery;
        if (validateQuery == null || validateQuery.isEmpty()) {
            query = DEFAULT_VALIDATION_QUERY;
        }

        Statement stmt = null;
        ResultSet rs = null;
        try {
            stmt = conn.createStatement();
            if (validationQueryTimeout > 0) {
                stmt.setQueryTimeout(validationQueryTimeout);
            }
            rs = stmt.executeQuery(query);
            return true;
        } finally {
            JdbcUtils.close(rs);
            JdbcUtils.close(stmt);
        }

    }

debug 这里才发现，druid 默认采用的是 mysql.ping 来做链接有效性检查。

druid 默认采用msyql.ping 协议检查

那是不是用 msyql.ping 协议并不会让 mysql 重新滑动 session 闲置时间，带着这个问题打开 information_schema.processlist 进程列表查看会不会刷新会话时间，通过 debug发现是会刷新时间的，说明没有问题，这条线索算是断了。

haproxy tiemout主动close上下游链接

调整方向，开始怀疑是不是 haproxy 的一些策略导致链接失效，开始初步怀疑 haproxy 的轮训转发后端链接是不是有相关会话保持方式，是不是我们配置有误导致 haproxy 的链接和 mysql 链接篡位了。

当然这个猜想有点夸张，但是没办法，技术人员就要有怀疑一切的态度。

为了还原产线的网络路线，我在本地搭了一个 haproxy，了解下他的工作原理和配置，图方便我就用了yum顺手装了一个，版本是 HA-Proxy version 1.5.18 不知道是我本地环境问题还是这个版本的 bug，我们配置的 mode tcp 活动检查一直不生效。

listen service 127.0.0.1:60020
  mode tcp
  balance roundrobin
  option tcplog
  server server1 192.168.36.66:3306 check inter 2000 rise 2 fall 3
  server server2 192.168.36.66:3306 check inter 2000 rise 2 fall 3

由于 haproxy 活动检查一直不通过，所以无法转发我的链接，搞了半天我只能手动装了一个低版本的 haproxy HA-Proxy version 1.4.14 。
完整的配置：

defaults
        mode tcp
        retries 3
        option redispatch
        option abortonclose
        maxconn 32000
        timeout connect 2s
        timeout client 5m
        timeout server 5m


listen test1
        bind 0.0.0.0:60000
        mode tcp
        balance roundrobin
        server s1 192.168.36.66:3306 weight 1 maxconn 10000 check inter 10s
        server s2 192.168.36.66:3306 weight 1 maxconn 10000 check inter 10s
        server s3 192.168.36.66:3306 weight 1 maxconn 10000 check inter 10s

1.4 的版本顺利完成活动检查。
我使用 haproxy 进行debug，调试下来也都没有问题，也翻了下 haproxy 如何转发链接的，内部通过会话的方式保持两个链接的关系，如果是 tcp 长链接应该不会出现什么问题。haproxy 在 http 模式下有会话保持方式，tcp 应该是直接捆绑的方式，一旦到 timeout 时间会主动 close 和 mysql 的链接，而且没有出现篡位的问题。到这里线索又断了。

自定义 ValidConnectionChecker 埋点日志

没有办法，只能试着埋点 druid 的检查日志，排查内部上一次的 check和报错之间的时间差和 connectionId 是不是一致的。

public class MySqlValidConnectionCheckerDebug extends MySqlValidConnectionChecker {

    @Override
    public boolean isValidConnection(Connection conn, String validateQuery, int validationQueryTimeout) {

            Long connId = 0L;
            try {
                Field connField = ConnectionImpl.class.getDeclaredField("connectionId");
                connField.setAccessible(true);
                connId = (Long) connField.get(((ConnectionProxyImpl) conn).getConnectionRaw());
            } catch (Exception e) {
                log.error("valid connection error", e);
            } finally {
                log.info("valid connection ok. conn:" + connId);
            }

            return true;
}

为了拿到 connectionId 只能反射获取，在本地debug下没问题，能正常拿到 connectionId，但是发到验证环境进行验证的时候报错了，觉得奇怪，仔细看了下原来开发环境的配置和验证和生产的不一样，开发环境没有走读写分离。

验证和生产都是使用了 mysql 的 replication 的机制，所以导致我反射获取的代码报错。

datasource.druid.url=jdbc:mysql:replication

通过debug发现，原来 __druid__的 connection 是 JDBC4Connection ，变成了 ReplicationConnection ，而且里面包装了两个 connection ，一个 masterconnection ，一个 slaveconnection ，似乎问题有点浮现了。

通过debug发现 druid 的检查还是会正常走到，当走到 ReplicationConnection 内部的时候 ReplicationConnection 有一个 currentConnection ，这个链接是会在 masterConnection 和 slaveConnection 之间切换，切换的依据是 readOnly 参数。

在检查的时候由于 druid 并不感知上层的参数，readOnly 也就不会设置。所以走的是 masterConnection ，但是在程序里用的时候通过 spring 的 TransactionManager 将 readOnly 传播到了 ShardingJDBC ， ShardingJDBC 在设置到 ReplicationConnection 上，最后导致真正在使用的时候其实使用的是 slaveConnection。

找到这个问题之后去 druid github Issues 搜索了下果然有人提过这个问题，在高版本的 druid 中已经修复这个问题了。

修复

修复这个问题有两个方法，第一个方法，建议升级 druid，里面已经有 MySqlReplicationValidConnectionChecker 检查器专门用来解决这个问题。第二个方法就是自己实现 ValidConnectionChecker 检查器，但是会有在将来出现bug的可能性。

由于时间关系文章只讲了主要的排查路线，事实上我们陆续花了一周多时间，再加上周末连续趴上十几个小时才找到这根本问题。

这个问题之所以难定位的原因主要是牵扯的东西太多，框架层面、网络链接层面、mysql服务器层面，haproxy代理等等，当然其中也绕了很多弯路。。

下面分享在这个整个排查过程中的一些技术收获。

深度训练

诡异的druid链接池链接断开故障经验总结

背景

症状

排查

为什么你死活找不到 SELECT 1

druid 默认采用msyql.ping 协议检查

haproxy tiemout主动close上下游链接

自定义 ValidConnectionChecker 埋点日志

修复

相关技术问题