CN114968636A - 一种故障处理的方法和装置 - Google Patents

一种故障处理的方法和装置 Download PDF

Info

Publication number
CN114968636A
CN114968636A CN202210543996.5A CN202210543996A CN114968636A CN 114968636 A CN114968636 A CN 114968636A CN 202210543996 A CN202210543996 A CN 202210543996A CN 114968636 A CN114968636 A CN 114968636A
Authority
CN
China
Prior art keywords
manager
target task
abnormal
job
task manager
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210543996.5A
Other languages
English (en)
Inventor
裴周宇
付海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202210543996.5A priority Critical patent/CN114968636A/zh
Publication of CN114968636A publication Critical patent/CN114968636A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种故障处理的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：监听目标任务管理器的运行状态；响应于监听到指示所述运行状态异常的异常信号，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，以使所述作业管理器触发针对所述异常信息的故障恢复策略。该实施方式通过实时获取针对任务管理器的运行状态异常的异常信号，并及时通知对应的作业管理器，以使得作业管理器及时触发故障恢复，极大地加快了任务的恢复速度，提高了业务处理的效率。

Description

一种故障处理的方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种故障处理的方法和装置。
背景技术
随着大数据技术的发展，业务对实时性的要求越来越高的，越来越多的业务利用实时计算加速业务的发展，基于云原生的实时计算产品越来越受到广泛的应用，其中Flinkon K8s的架构模式更是成为业务主流。
在Flink on K8s的架构下，TaskManager(任务管理器)进程异常依赖TaskManager到ResourceManager(资源管理器)的心跳机制，心跳默认超时时间一般大于60秒，超时后触发故障恢复任务，但是心跳超时时间较长，故障恢复时间较长，不能满足业务计算的实时性要求。
发明内容
有鉴于此，本发明实施例提供一种故障处理的方法和装置，能够通过实时获取针对任务管理器的异常信号，并及时通知对应的作业管理器，以使得作业管理器及时触发故障恢复，极大地加快了任务的恢复速度，提高了业务处理的效率。
为实现上述目的，根据本发明实施例的一个方面，提供了一种故障处理的方法，包括：
监听目标任务管理器的运行状态；
响应于监听到指示所述运行状态异常的异常信号，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，以使所述作业管理器触发针对所述异常信息的故障恢复策略。
可选地，所述异常信号为kubelet进程发送的停止信号。
可选地，所述异常信号为所述目标任务管理器的退出信号。
可选地，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，包括：
从缓存中获取所述作业管理器的地址信息，根据所述地址信息向所述作业管理器发送所述异常信息。
可选地，从缓存中获取所述作业管理器的地址信息之前，包括：
监控与所述目标任务管理器对应的作业管理器的地址信息，并将监控得到的所述作业管理器的地址信息和所述目标任务管理器的标识对应保存至所述缓存中。
可选地，所述作业管理器触发针对所述异常信息的故障恢复策略，包括：
所述作业管理器向资源管理器发送指示所述目标任务管理器异常的异常通知，所述资源管理器将所述异常通知发送至心跳管理器，所述心跳管理器在接收到所述异常通知后取消对所述目标任务管理器的心跳监测，所述心跳管理器回调所述资源管理器，以使所述资源管理器取消对所述目标任务管理器的注册，以触发所述故障恢复策略。
可选地，所述作业管理器触发针对所述异常信息的故障恢复策略，还包括：
所述资源管理器回调所述作业管理器，以使所作业管理器获取所述目标任务管理器中执行失败的任务；
所述作业管理器将所述执行失败的任务重新分配至新启动的任务管理器中，以实现故障恢复。
根据本发明实施例的再一个方面，提供了一种故障处理的装置，包括：
监听模块，监听目标任务管理器的运行状态；
发送模块，响应于监听到指示所述运行状态异常的异常信号，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，以使所述作业管理器触发针对所述异常信息的故障恢复策略。
根据本发明实施例的另一个方面，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的故障处理的方法。
根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的故障处理的方法。
上述发明中的一个实施例具有如下优点或有益效果：通过监听目标任务管理器的运行状态，能够及时的监听到运行状态异常的异常信号，以便于及时向对应的作业管理器发送异常信息，使得作业管理器及时触发故障恢复任务，及时回复作业。该方法能够加快任务的恢复速度，提高业务处理的效率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种故障处理的方法的主要流程的示意图；
图2是根据本发明实施例的一种Flink on K8s架构的主要示意图；
图3是根据本发明实施例的另一种故障处理的方法的主要流程示意图；
图4是本发明实施例的一种故障处理的方法的流程示意图；
图5是根据本发明实施例的故障处理的装置的主要模块的示意图；
图6是本发明实施例可以应用于其中的示例性***架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种故障处理的方法的主要流程的示意图，如图1所示，该方法包括以下步骤：
步骤S101：监听目标任务管理器的运行状态；
步骤S102：判断是否监听到指示运行状态异常的异常信号；若是，执行步骤S103，否则，执行步骤S101；
步骤S103：向与目标任务管理器对应的作业管理器发送指示目标任务管理器异常的异常信息，以使作业管理器触发针对异常信息的故障恢复策略。
本发明实施例的故障处理的方法基于Flink on K8s架构模式实现的，其中，Flink为基于数据流的有状态计算引擎；K8s全称为Kubernetes，容器编排调度引擎。图2为本发明实施例的一种Flink on K8s架构的示意图，用户可以通过Web服务(如jrc平台)上的K8s客户端向K8s集群发送创建Flink集群的请求，该请求为创建K8s Deployment(K8s中用于Pod管理的对象)的命令，K8s Master(K8s集群主节点)根据请求中的K8s Deployment信息创建K8s Deployment并从Docker Registry(应用容器引擎镜像库)拉取镜像信息，同时获取与每个K8s Deployment对应的K8s POD，分别得到与JobManager(作业管理器)和TaskManager(任务管理器)对应K8s Deployment和K8s POD(K8s管理的最小单位级，是一个或多个容器的组合)，JobManager将地址信息注册到ZK集群，TaskManager监听ZK(Zookeeper，分布式的、开放源码的分布式应用程序协调服务)集群，以获取与TM对应的JobManager的地址信息，获取到JobManager的地址信息后向JobManager注册，完成Flink集群在K8s上的创建，JobManager和TaskManager将数据处理结果存储到后端存储HDFS(Hadoop DistributedFilesystem Hadoop，分布式文件***)/OSS(Object Storage Service，对象存储服务)中；然后用户可以通过K8s客户端提交作业到Flink集群，以使Flink集群进行作业。
在本发明实施例中，通过监听目标任务管理器的运行状态可以获取到目标任务管理器是否运行正常，如果运行状态正常，则继续监听；如果监听到指示运行状态异常的异常信号，则说明目标任务管理器即将或已经出现异常，不能继续执行任务。异常信号可以为kubelet进程(K8s集群中从节点Node的进程，用于处理K8s主节点下发到从节点的任务，管理Pod和Pod中的容器的进程)发送的停止信号(TERM)，说明该目标任务管理器对应的K8sPod的即将结束运行；异常信息也可以为目标任务管理器的退出信号(CHILD)，即目标任务管理器对应的进程的退出信号。
在本发明实施例的可选地实施方式中，当监听到异常信息后，则向与目标任务管理器对应的作业管理器发送指示目标任务管理器异常的异常信息，包括：从缓存中获取作业管理器的地址信息，根据地址信息向作业管理器发送异常信息。
在本发明实施例中，如图3所示，在从缓存中获取作业管理器的地址信息之前，包括：
步骤S301：监控与目标任务管理器对应的作业管理器的地址信息；
步骤S302：将监控得到的作业管理器的地址信息和目标任务管理器的标识对应保存至缓存中。
在本发明实施例中，作业管理器为Flink集群的主节点，用于协调流处理作业；每个主节点可以对应一个或多个从节点，从节点为任务管理器，即每个作业管理器可以对应一个或多个任务管理器，任务管理器用于执行作业管理器分配的具体的任务，即执行具体的数据流处理逻辑。
目标任务管理器通过监听ZK集群，可以获得与该目标任务管理器对应的作业管理器的地址信息，即服务器地址(如接收HTTP请求的WebMonitor地址)，然后将监听得到的作用管理器的地址信息和该目标任务管理器的标识对应存储在缓存中，可进一步存储在缓存的临时文件***中，即临时文件***中包括用于存储目标任务管理器的标识和目标任务管理器对应的作业管理器的地址信息的存储文件(如Wmaari.ts文件)。
在本发明实施例中，目标任务管理器对应的作业管理器的地址信息可能是变化的，当目标任务管理器监听到对应的作业管理器的地址信息发生变更时，获取变更后的作业管理器的地址信息并保存，以更新缓存中与该目标任务管理器的标识对应的作业管理器的地址信息，通过保存在缓存中的临时文件***中，可以及时更新与目标任务管理器的标识对应的作业管理器的地址信息，从而避免影响到本地磁盘。
当监听到指示目标任务管理器运行状态异常的异常信号后，获取该目标任务管理器的标识，然后根据该目标任务管理器的标识从临时文件***中获取存储文件，对存储文件进行解析，获得与该目标任务管理器对应的作业管理器的地址信息，然后根据该地址信息向作业管理器发送指示目标任务管理器异常的异常信息，即目标任务管理器进程退出的信息，通知作业管理器对应的目标任务管理器异常。
在本发明实例中，当作业管理器接收到异常信息后，作业管理器触发针对异常信息的故障恢复策略，如异常信号为目标任务管理器进程的退出信号，可以对该目标任务管理器的进程进行重新启动以实现故障恢复，或者获取目标任务管理器上执行失败的任务，将执行失败的任务分配至与作业管理器对应的其他任务管理器上进行执行，以进行任务重新部署，实现故障的快速恢复。
在本发明实例中，当作业管理器接收到异常信息后，作业管理器触发针对异常信息的故障恢复策略，包括：作业管理器向资源管理器发送指示目标任务管理器异常的异常通知，资源管理器将异常通知发送至心跳管理器，心跳管理器在接收到异常通知后取消对目标任务管理器的心跳监测，心跳管理器回调资源管理器，以使资源管理器取消对目标任务管理器的注册，以触发故障恢复策略。
在本发明实施例中，资源管理器用于Flink集群中的作业管理器和任务管理器，是Flink集群中资源调度的单位。心跳管理器用于对任务管理器进行心跳监测，以判断任务管理器的运行状态是否正常。作业管理器通过RPC请求调用资源管理器的接口(如任务管理器进行结束信号接口，killSignalFromTaskManager接口)，以将异常通知发送至资源管理器。心跳管理器取消对目标任务管理器的心跳监测，包括清理该目标任务管理器的标识等信息。资源管理器取消对目标任务管理器的注册，包括清理该目标任务管理器的标识等信息。
在本发明实施例中，作业管理器触发针对异常信息的故障恢复策略，还包括：资源管理器回调作业管理器，以使所作业管理器获取目标任务管理器中执行失败的任务；作业管理器将执行失败的任务重新分配至新启动的任务管理器中，以实现故障恢复。即，作业管理器创建新启动的任务管理器，将目标任务管理器中执行失败的任务分配至该新启动的任务管理器中，以使新启动的任务管理器处理执行失败的任务；也可以将执行失败的任务分配至作业管理器对应的其他任务管理器上执行。
图4为本发明实施例的一种故障处理的方法的流程示意图，该方法基于Flink onK8s架构实现，任务管理器监听任务管理器对应的作业管理器的地址信息，并将获得的地址信息和任务管理器的标识存储在临时文件***的存储文件中；监听任务管理器的运行状态，对该任务管理器的kubelet进程发送的停止信号和任务管理器进程的退出信号进行监听；当监听到任务管理器的退出信号时，根据该任务管理器的标识，从临时文件***的Wmaari.ts文件中读取并解析出对应的作业管理器的地址信息，根据该地址信息向作业管理器发送指示任务管理器异常的异常信息；作业管理器接收到该异常信息后，向资源管理器发送指示任务管理器异常的异常通知；资源管理器接收到该异常通知后，将异常通知发送至心跳管理器；心跳管理器接收到异常通知后，取消对任务管理的心跳监测，并回调资源管理器；资源管理器取消对任务管理器的注册，使得作业管理器对任务管理器执行失败的任务进行重新部署，分配至作业管理器对应的其他正常运行的任务管理器中，实现故障的快速恢复。
本发明实施例提供的故障处理的方法，基于Flink on K8s架构实现，通过对目标任务管理器的运行状态进行监听，能够及时获得指示运行状态异常的异常信号，并在监听到异常信号后，直接从临时文件***中获取到对应的作业管理器的地址信息，以将目标任务管理器的异常信息发送至作业管理器，使得作业管理器根据异常信息触发故障恢复策略，对目标任务管理器中执行失败的任务进行重新部署，实现故障的快速恢复。该方法能够在故障发生后及时向作业管理器发送异常消息以触发故障恢复策略，提高了故障处理的效率，进而提高了业务处理的效率，能够满足业务实时计算的要求，克服了现有技术中采用心跳机制进行故障监测和恢复导致故障恢复时效性较差的问题。
如图5所示，根据本发明实施例还提供一种故障处理的装置500，包括：
监听模块501，监听目标任务管理器的运行状态；
发送模块502，响应于监听到指示运行状态异常的异常信号，向与目标任务管理器对应的作业管理器发送指示目标任务管理器异常的异常信息，以使作业管理器触发针对异常信息的故障恢复策略。
在本发明实施例的一种实施方式中，异常信号为kubelet进程发送的停止信号。
在本发明实施例的另一种实施方式中，异常信号为目标任务管理器的退出信号。
在本发明实施例中，发送模块502，进一步用于：从缓存中获取作业管理器的地址信息，根据地址信息向作业管理器发送异常信息。
在本发明实施例中，发送模块502，更进一步用于：从缓存中获取作业管理器的地址信息之前，监控与目标任务管理器对应的作业管理器的地址信息，并将监控得到的作业管理器的地址信息和目标任务管理器的标识对应保存至缓存中。
在本发明实施例中，发送模块502，进一步用于：使作业管理器向资源管理器发送指示目标任务管理器异常的异常通知，资源管理器将异常通知发送至心跳管理器，心跳管理器在接收到异常通知后取消对目标任务管理器的心跳监测，心跳管理器回调资源管理器，以使资源管理器取消对目标任务管理器的注册，以触发故障恢复策略。
在本发明实施例中，发送模块502，还用于：使资源管理器回调作业管理器，以使所作业管理器获取目标任务管理器中执行失败的任务；作业管理器将执行失败的任务重新分配至新启动的任务管理器中，以实现故障恢复。
根据本发明实施例的另一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明提供的故障处理的方法。
根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现本发明提供的故障处理的方法。
图6示出了可以应用本发明实施例的故障处理的方法或故障处理的装置的示例性***架构600。
如图6所示，***架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器或云服务器(仅为示例)。后台管理服务器或云服务器可以对接收到的数据查询请求等数据进行分析等处理，并将处理结果(例如数据查询结果--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的故障处理的方法一般由服务器605执行，相应地，故障处理的装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机***700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的***中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括监听模块和发送模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，监听模块还可以被描述为“监听目标任务管理器的运行状态的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：监听目标任务管理器的运行状态；响应于监听到指示运行状态异常的异常信号，向与目标任务管理器对应的作业管理器发送指示目标任务管理器异常的异常信息，以使作业管理器触发针对异常信息的故障恢复策略。
根据本发明实施例的技术方案，本发明实施例提供的故障处理的方法，基于Flinkon K8s架构实现，通过对目标任务管理器的运行状态进行监听，能够及时获得指示运行状态异常的异常信号，并在监听到异常信号后，直接从临时文件***中获取到对应的作业管理器的地址信息，以将目标任务管理器的异常信息发送至作业管理器，使得作业管理器根据异常信息触发故障恢复策略，对目标任务管理器中执行失败的任务进行重新部署，实现故障的快速恢复。该方法能够在故障发生后及时向作业管理器发送异常消息以触发故障恢复策略，提高了故障处理的效率，进而提高了业务处理的效率，能够满足业务实时计算的要求，克服了现有技术中采用心跳机制进行故障监测和恢复导致故障恢复时效性较差的问题。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种故障处理的方法，其特征在于，包括：
监听目标任务管理器的运行状态；
响应于监听到指示所述运行状态异常的异常信号，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，以使所述作业管理器触发针对所述异常信息的故障恢复策略。
2.根据权利要求1所述的方法，其特征在于，所述异常信号为kubelet进程发送的停止信号。
3.根据权利要求1所述的方法，其特征在于，所述异常信号为所述目标任务管理器的退出信号。
4.根据权利要求1所述的方法，其特征在于，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，包括：
从缓存中获取所述作业管理器的地址信息，根据所述地址信息向所述作业管理器发送所述异常信息。
5.根据权利要4所述的方法，其特征在于，从缓存中获取所述作业管理器的地址信息之前，包括：
监控与所述目标任务管理器对应的作业管理器的地址信息，并将监控得到的所述作业管理器的地址信息和所述目标任务管理器的标识对应保存至所述缓存中。
6.根据权利要求1所述的方法，其特征在于，所述作业管理器触发针对所述异常信息的故障恢复策略，包括：
所述作业管理器向资源管理器发送指示所述目标任务管理器异常的异常通知，所述资源管理器将所述异常通知发送至心跳管理器，所述心跳管理器在接收到所述异常通知后取消对所述目标任务管理器的心跳监测，所述心跳管理器回调所述资源管理器，以使所述资源管理器取消对所述目标任务管理器的注册，以触发所述故障恢复策略。
7.根据权利要求6所述的方法，其特征在于，所述作业管理器触发针对所述异常信息的故障恢复策略，还包括：
所述资源管理器回调所述作业管理器，以使所作业管理器获取所述目标任务管理器中执行失败的任务；
所述作业管理器将所述执行失败的任务重新分配至新启动的任务管理器中，以实现故障恢复。
8.一种故障处理的装置，其特征在于，包括：
监听模块，监听目标任务管理器的运行状态；
发送模块，响应于监听到指示所述运行状态异常的异常信号，向与所述目标任务管理器对应的作业管理器发送指示所述目标任务管理器异常的异常信息，以使所述作业管理器触发针对所述异常信息的故障恢复策略。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202210543996.5A 2022-05-19 2022-05-19 一种故障处理的方法和装置 Pending CN114968636A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210543996.5A CN114968636A (zh) 2022-05-19 2022-05-19 一种故障处理的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210543996.5A CN114968636A (zh) 2022-05-19 2022-05-19 一种故障处理的方法和装置

Publications (1)

Publication Number Publication Date
CN114968636A true CN114968636A (zh) 2022-08-30

Family

ID=82985674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210543996.5A Pending CN114968636A (zh) 2022-05-19 2022-05-19 一种故障处理的方法和装置

Country Status (1)

Country Link
CN (1) CN114968636A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419756A (zh) * 2022-01-30 2022-04-29 重庆长安汽车股份有限公司 一种动态捕获整车异常场景的方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419756A (zh) * 2022-01-30 2022-04-29 重庆长安汽车股份有限公司 一种动态捕获整车异常场景的方法及***
CN114419756B (zh) * 2022-01-30 2023-05-16 重庆长安汽车股份有限公司 一种动态捕获整车异常场景的方法及***

Similar Documents

Publication Publication Date Title
CN108737270B (zh) 一种服务器集群的资源管理方法和装置
US10439916B2 (en) Client-side fault tolerance in a publish-subscribe system
CN108733461B (zh) 分布式任务调度方法和装置
CN108681777B (zh) 一种基于分布式***的机器学习程序运行的方法和装置
EP4033350A2 (en) Method and system for flexible node composition on local or distributed computer systems
US8745635B2 (en) Managing business process messaging
CN107729176B (zh) 一种配置文件管理***的容灾方法及容灾***
CN109783151B (zh) 规则变更的方法和装置
CN111526049B (zh) 运维***、运维方法、电子设备和存储介质
CN111897633A (zh) 一种任务处理的方法和装置
CN111427701A (zh) 一种工作流引擎***和业务处理方法
CN113900834B (zh) 基于物联网技术的数据处理方法、装置、设备及存储介质
CN113220433B (zh) 一种代理程序运行管理方法及***
CN111770176B (zh) 流量调度方法及装置
CN114968636A (zh) 一种故障处理的方法和装置
CN113079098B (zh) 路由更新的方法、装置、设备和计算机可读介质
CN111240760B (zh) 基于注册中心的应用发布方法、***、存储介质及设备
US20210149709A1 (en) Method and apparatus for processing transaction
CN112202605A (zh) 服务配置方法、装置、设备及存储介质
US11381665B2 (en) Tracking client sessions in publish and subscribe systems using a shared repository
CN114785861B (zh) 一种服务请求转发***、方法、计算机设备和存储介质
CN108833147B (zh) 一种配置信息的更新方法和装置
CN111301789A (zh) 应用软件打包方法和装置
CN117009063A (zh) 一种任务执行方法和装置
CN112579247A (zh) 确定任务状态的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination