Patroni + etcd + PostgreSQL 高可用架构(五):standby cluster 与 PITR

举报
yd_220455628 发表于 2026/11/13 10:18:57 2026/11/13
【摘要】 前四期都在处理单个集群内部的可靠性。但有一类风险不在单集群 HA 的覆盖范围内:整个主集群所在故障域同时失效,或者一个逻辑错误已经通过流复制同步到了所有节点。standby cluster 在空间上把故障域隔离到单个集群,PITR 在时间上把恢复范围限制到某个时间点。本文拆解两者的机制、操作边界和协同关系。

一、standby cluster:在另一个故障域里维护一个可被提升的副本

Patroni 的 standby cluster 在机制上实现的是级联复制:远端有一个节点充当 standby leader,它在 standby cluster 内部持有领导者锁、表现得像一个正常的主库,但它本身是主集群某个节点的副本;standby cluster 内的其余节点从 standby leader 复制,而不是直接跨域从主集群复制。

这个设计的关键收益是跨域流量的集中化。如果 standby cluster 的三个节点都直接连回主集群拉取 WAL,跨域带宽会被放大三倍;由 standby leader 统一接收后再在域内分发,跨域只需要一条复制流。代价是 standby leader 成为该集群的数据新鲜度单点:它落后多少,整个 standby cluster 就落后多少。

standby cluster 与主集群之间的关系被刻意设计得很薄。两者不共享 DCS scope,彼此除了复制信息之外不知道对方的存在;主集群的 patronictl list 和拓扑输出中也不会显示 standby cluster 的成员。这意味着 standby cluster 的控制平面是自治的:standby leader 在它自己的 DCS 中持有锁,如果这个锁过期,standby cluster 内部的级联副本会自行选举出新的 standby leader,而不需要主集群参与。

但这个薄关系带来一个必须在配置阶段就处理的硬约束:成员名必须在主集群和所有连接到它的 standby cluster 之间全局唯一。Patroni 在主集群上用成员名设置 synchronous_standby_names,成员名同时也是 pg_stat_replication 中每条复制连接的 application_name。如果 standby cluster 的某个节点与主集群的某个成员同名,PostgreSQL 会看到两个具有相同 application_name 的连接,并可能用 standby cluster 的连接来满足同步复制的要求,导致事务在并未持久化到预期同步备库的情况下被提前确认为同步提交。这是一种静默故障:复制照常运行,日志中没有错误,但集群实际上在没有有效同步备库的状态下运行,主库故障时存在数据丢失风险。standby cluster 的节点命名,不是一个可以随手复用的字段。

提升 standby cluster 的操作,同样与直觉不同。不应该使用 pg_ctl promote,正确的做法是从 Patroni 动态配置中移除 standby_cluster 配置节。移除后,原本的 standby leader 会开始像一个正常集群的 leader 一样运行,级联副本继续从它复制,整个 standby cluster 成为独立的主集群。如果之后需要把它重新纳回 standby 角色,重新添加 standby_cluster 配置节会触发 pg_rewind;和主集群内部的 rewind 一样,这要求目标集群在分叉发生之前已经启用了 wal_log_hints 或数据校验和。

还有一个与复制槽相关的细节:如果 standby cluster 使用复制槽来接收 WAL,对应的复制槽必须由人工在主集群上创建,Patroni 不会为 standby cluster 自动创建。主集群上可以使用 Patroni 的 permanent replication slots 功能来维护这个槽,使其在 switchover 或 failover 后仍然保留。缺少这个槽,standby leader 在主集群发生切换后可能无法继续接收 WAL,standby cluster 的新鲜度会在无告警的情况下开始漂移。

二、PITR:在 Patroni 管理下,恢复不是一个单条命令

PITR 的机制在 PostgreSQL 层面是清晰的:一个基础备份提供恢复的起点,归档的 WAL 提供备份之后的历史,恢复目标决定重放在哪个时间点或哪个事务处停止。archive_timeout 设为 300 的作用是:在低写入集群上强制每五分钟切换一个只填充了一部分的 WAL 段并归档,把恢复窗口的右边界保持在“当前时间减去数分钟”的量级,而不是等待一个长时间填不满的段。

但在 Patroni 管理的集群上,直接对数据目录执行备份恢复并启动 PostgreSQL 是行不通的。相关厂商文档明确指出:在特定版本条件下,PITR 只能通过 bootstrap 集群来完成;如果绕过 Patroni 直接执行 restore 再启动,PostgreSQL 会在启动时产生恢复错误。原因是 Patroni 在管理数据目录时会写入自己的恢复配置和控制文件,一个由外部 restore 直接覆盖的 PGDATA 与 Patroni 期望的状态不兼容。

部分发行版提供的 pitr 命令给出了这个协调过程的一种标准形态:先停止 Patroni 服务,确保 PostgreSQL 停止,执行 restore,启动 PostgreSQL,然后由人工验证恢复结果,再决定是否把 Patroni 重新拉回管理。该命令明确不会自动重入 Patroni 集群或执行故障切换,恢复后 Patroni 保持停止状态,等待人工确认。在恢复目标上,PITR 支持按时间、按 LSN、按事务 ID、按命名还原点等粒度指定停止位置;如果没有明确的业务语义,按时间恢复是最常用的方式。

这个流程的工程含义是:PITR 在 Patroni 集群中是一个“暂停控制平面”的操作,而不是一次普通的在线恢复。停止 Patroni 是为了让 PGDATA 在 restore 期间不被控制平面触碰;恢复完成后保持 Patroni 停止,是为了让人工在把数据暴露给集群之前,先确认数据回到了预期的状态。如果 restore 后立即让 Patroni 接管,而恢复目标或数据目录状态有偏差,控制平面会基于错误的状态继续做选主和复制决策。

恢复窗口的边界也需要区分“理论”和“实际”。左边界是最旧的可恢复基础备份链的起点,右边界是已成功归档到仓库的最新一条 WAL 所对应的时间点。但如果有备份遗漏、归档缺口,或者异步归档队列超过了排队上限导致排队的 WAL 被丢弃,实际的右边界会早于预期,并且这个缺口只有通过恢复演练才能发现。一个从未被实际恢复过的备份窗口,在需要它的时刻只是一个假设。

三、两种约束的协同:先控制爆炸半径,再谈恢复速度

standby cluster 和 PITR 不是替代关系,它们各自约束爆炸半径的一个维度,并且对同一个前置条件有共同依赖。

standby cluster 在空间上把“单集群全部失效”的爆炸半径压缩到“一个故障域”。它的核心工程决策不在于是否部署,而在于:standby cluster 的延迟预算是否与业务的 RPO 匹配、standby leader 的跨域带宽是否能支撑 WAL 流量、以及成员命名是否已经纳入全局唯一性约束。提升操作的正确形式是移除配置节,而不是 promote 一个节点;复制槽需要在主集群侧预置,而不是假设它会自动出现。

PITR 在时间上把“逻辑错误已经传播到所有节点”的恢复范围收窄到某个时间点之前。它的核心工程事实是:在 Patroni 管理下,PITR 需要暂停控制平面、协调 restore 与 Patroni 的生命周期,并在恢复后由人工确认再重新纳入管理。恢复窗口的宽度由备份保留策略和归档完整性共同决定,只有演练能验证它是否真的可用。

两者共享同一个前置条件:pg_rewind 的生效条件必须在分叉发生之前满足。主集群内部的旧主回归依赖 wal_log_hints 或数据校验和;standby cluster 被重新纳回 standby 角色时,同样依赖这个条件。这个配置决策的位置在集群初始化阶段,而不是在故障切换或灾备切换的应急流程中。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。