客户端故障转移

本文档介绍 Ozone 客户端如何处理故障转移与重试逻辑，以确保高可用性和可靠性。在 Ozone 的高可用（HA）部署中，客户端需要在多个服务实例（Ozone Manager、Storage Container Manager）之间自动进行故障转移，并在与数据节点（Datanode）通信失败时重试操作。

故障转移与重试机制对客户端应用是透明的。客户端会自动检测故障、切换到备用服务实例，并按照可配置的策略重试操作。只有在所有重试尝试都已耗尽之后，才会向应用层抛出异常。

客户端到 Ozone Manager 的故障转移

客户端始终向主（leader）Ozone Manager（OM）提交请求。如果 leader 状态为 unknown，客户端会先将请求发送到配置中的第一个 OM，并依次重试其他 OM，直到找到主节点为止。

1. Hadoop RPC 传输（HadoopOMFailoverProxyProvider）

如果客户端到 OM 使用的是 Hadoop RPC 传输（HadoopRpcOMFailoverProxyProvider），则在以下情况下可能发生故障转移或重试：

• OM 无法连接，
• OM 不是主节点，或
• OM 是主节点但尚未准备好接受请求。

故障转移机制最多重试 500 次（ozone.client.failover.max.attempts），每次故障转移重试之间间隔 2 秒（ozone.client.wait.between.retries.millis）。如果某个 OM 不知道当前的主节点，客户端会以轮询方式尝试下一个 OM。否则，客户端会继续重试联系当前的主节点。

此外，务必确保客户端与 OM 的节点映射配置保持一致，否则故障转移可能无法到达主 OM。

2. gRPC 传输

使用 gRPC 传输（GrpcOMFailoverProxyProvider）时，故障转移行为与 Hadoop RPC 传输类似，采用相同的重试策略和配置参数。

客户端到 Storage Container Manager 的故障转移

客户端（client、OM 或 Datanode）到 SCM 的故障转移由 SCMClientConfig 中的配置属性控制。客户端会尝试连接主 SCM。如果 SCM 在异常中提供了建议的主节点，客户端会故障转移到该主节点。否则，客户端会以轮询方式尝试下一个 SCM。

故障转移相关的配置属性如下：

客户端到 Datanode 的故障转移与重试

当出现故障时，客户端会按顺序重试管道中的 Datanode；换句话说，访问属于 Ratis/3 管道的块的客户端最多可能重试 3 个 Datanode。读操作和写操作的重试行为有所不同：

读操作：

• 客户端对每个 Datanode 重试 3 次（ozone.client.read.max.retries）
• 每次重试之间暂停 1 秒（ozone.client.read.retry.interval）
• 最大重试次数：3 × Datanode 数量

写操作：

• 客户端对每个 Datanode 重试 5 次（ozone.client.max.retries）
• 重试之间没有暂停（ozone.client.retry.interval，默认值：0）
• 最大重试次数：5 × Datanode 数量