如果你也在用ZK，那这个导致集群挂掉的坑一定得注意！

• 0 结论

• 1 问题背景

• 2 现象

• 2.1 环境配置

• 2.2 现象

• 3 排查过程

• 3.1 10号3888端口的状态

• 3.2 10号的jstack状态

• 3.3 6号的3888端口也挂了

• 4 原因分析

• 4.1 网上求证

• 4.2 高版本优化

• 5 总结

0 结论

结论先行：ZK在3.4.6及以下版本存在选举端口（默认3888）失效而无法选举的重大漏洞。相关issue如下：

• issue-3016：Follower QuorumCnxManager$Listener thread died due to incorrect client packet^[1]

• issue-2186：QuorumCnxManager#receiveConnection may crash with random input^[2]

简单来说，ZK的选举端口3888在收到错乱的数据包时，可能会因创建负数大小的数组而抛出NegativeArraySizeException，导致选举端口的监听线程QuorumCnxManager$Listener整体退出，从而无法选举。 集群还能正常读写，但无法选举，一旦有节点重启就加入不了，坑不坑！！！

1 问题背景

12月20日，一个阳光明媚的寒冬午后，刚从午睡中醒来，两眼朦胧，运维部大C带着一脸坏笑走过来，如下是我俩的对话。

大C：云杰，咱们的ZK集群有两个节点加入不了集群了。

我：（立马就清醒了）5个挂了俩，现在就剩下3个工作，再挂1个集群就整体挂了啊！怎么回事？

大C：是啊。我们也没改啥配置，就是正常重启下，发现加入不了了，以前也都没事。

我：不会吧？这么神奇！关键我们对ZK也没经验啊！

大C：就是这么神奇！ZK是Java写的，我们运维基本不用Java，你们架构肯定更专业点。

我：好吧，你说的好像也没错。

抱着求知的心态，开启了本篇的探索之旅。

2 现象

2.1 环境配置

5个节点的zoo.cfg配置如下：

server.6=10.40.xx.81:2888:3888
server.7=10.40.xx.41:2888:3888
server.8=10.40.xx.51:2888:3888
server.9=10.40.xx.111:2888:3888
server.10=10.40.xx.121:2888:3888

2.2 现象

• 6号和8号已重启，但无法加入；
• 7号、9号和10号未重启，仍能正常读写，10号为Leader。

2.2.1 已重启节点

6号ZK日志报错如下：表明无法与未重启节点的3888进行选举通信。

在6号上使用zkCli.sh登陆本机也失败：表示无法在本机上读写，完全处于游离状态。

2.2.2 未重启节点

10号结节上使用zkCli.sh登陆本机仍能正常读写：

3 排查过程

3.1 10号3888端口的状态

重启节点无法与未重启节点的3888端口进行选举通信，那10号的3888端口是什么状态呢？

我们在10号上用netstat命令看下3888端口的状态：表明3888端口仍处于LISTEN的状态，并伴有大量的CLOSE_WAIT连接。大C说这些10.177开头的IP是用于安全扫描的机器，心里也在嘀咕是不是跟这个有关。

既然3888是LISTEN状态，那我们telnet看下建立连接的状态，如下所示：完了，虽然是LISTEN状态，但根本无法建立连接！！！我们再从telnet端用netstat看下TCP连接的情况：我去，都是SYN_SENT状态！也就是说，SYN包发送成功了，但根本没收到10号3888端口的建连ACK。这也就表明10号的3888已处于假死状态，根本不会响应。查看10号的日志，已经滚动26GB，也没发现什么有效的异常。

我们又telnet下6号的3888端口，发现却正常：

3.2 10号的jstack状态

到了这里，虽然确定10号3888端口假死，但再往下走毫无头绪。这时灵光一现，我们ITCP联盟有个架构群，可以看看大家有没有相关的经验，于时紧急求助。

果然，群里去哪儿网架构的小伙伴也来了兴趣，积极响应。

去哪儿小伙伴也拿他们ZK节点的jstack跟我们的10号节点对比了下，果然发现了问题：

跟他们相比，我们缺少了个QuorumCnxManager$Listener线程：这个线程是负责监听3888端口，并accept选举请求的。我们未重启节点里这个线程都没了，怪不得不能接收6号的选举请求！！！

3.3 6号的3888端口也挂了

到了这里，已经知道是因为QuorumCnxManager$Listener线程挂了，但什么原因导致的还没头绪。

这时，突然发现6号的3888端口也telnet不通，并出现跟10号一样有大量CLOSE_WAIT：

我们赶紧看了下6号的最近日志，果然发现了一条报错：报了NegativeArraySizeException异常，导致3888的监听线程挂掉。在6号jstack下，发现果然没有QuorumCnxManager$Listener线程。

紧接着我们把6号重启下，果然发现又有了：

4 原因分析

4.1 网上求证

有了这么多信息（QuorumCnxManager$Listener、NegativeArraySizeException等），我们足可以去网上检索求证了。果然，搜索前列即是结论中的issue。那是什么原因导致抛出NegativeArraySizeException呢？

public boolean receiveConnection(Socket sock) {
    Long sid = null;
...
            sid = din.readLong();
            // next comes the #bytes in the remainder of the message                                                                             
            int num_remaining_bytes = din.readInt();
            byte[] b = new byte[num_remaining_bytes];
            // remove the remainder of the message from din                                                                                      
            int num_read = din.read(b);

从代码上看，是因为QuorumCnxManager$Listener接收到数据包后，会调用receiveConnection()进行处理。该函数从数据包里读出一个int类型到变量num_remaining_bytes，并据此创建一个byte数组。但读到的num_remaining_bytes为负数，从而导致创建数组失败，抛出NegativeArraySizeException异常。为什么读到的是负值呢？那肯定是接收到错乱的数据包了！这时我们就联想到10号上有大量10.177IP的CLOSE_WAIT连接，原来是安全扫描的锅！！！

4.2 高版本优化

看issue-2186说，3.4.7版本已经修复了，我们对比了下目前在用的3.4.6：果然，对num_remaining_bytes值进行了判断。

至此，经过近6小时的排查，原因也水落石出了：安全扫描的错乱数据包把ZK的3888选举端口搞挂了！解决方案就是升级高版本ZK！！运维大C也投来了敬佩的目光：

同时也不由感慨ZK的QuorumCnxManager$Listener监听线程太脆弱了：去哪儿大佬小黑哥更直观形象的表示用telnet再发送个-1就可能把ZK集群选举搞挂！

5 总结

• 遇到认知外的问题是好事，勇敢面对，要有刨根问底的决心，过程全是成长；
• 最大的成长不是把问题解决了，而是排查思路；
• 借用雷总的一句话：“99%的问题，都有标准答案，找个懂的人问问”。及时向懂的人求助也不失为一个好办法，在此也感谢ITCP联盟小伙伴的及时相助；
• 很多看似强大的东西遇到点意外可能会很脆弱。

关于作者

杜云杰，高级架构师，转转架构部负责人，转转技术委员会执行主席，腾讯云TVP。负责服务治理、MQ、云平台、APM、IM、分布式调用链路追踪、监控系统、配置中心、分布式任务调度平台、分布式ID生成器、分布式锁等基础组件。微信号：waterystone，欢迎建设性交流。

道阻且长，拥抱变化；而困而知，且勉且行。

参考资料