标签： Raft

排查自研分布式 KV（基于 go.etcd.io/etcd/raft/v3 v3.5.0）频繁无故切换 Leader 导致 QPS 跌零时发现，单向网络隔离会导致“幽灵节点”无法接收心跳，从而不断自增 Term 发起选举。高版本 Term 的投票请求会穿透隔离，强制合法 Leader 降级引发选举风暴。核心解法是全量开启 Raft PreVote（预投票）机制，并在配合 CheckQuorum，在自增 Term 前验证网络连通性，从协议层阻断脑裂假象。

0x00 故障现场：毫无征兆的 Leader Flapping

排查过程中，监控面板上出现了一个极为诡异的现象：集群整体流量不高，CPU/内存均无压力，但 API Server 报出大量 503 Service Unavailable。

调出 Prometheus 监控，发现两个核心指标极度异常：

1. Leader 切换频繁： rate(raft_leader_changes_total[1m]) 出现规律性尖刺。

2. Term 飞涨： 集群的 raft_term 指标像脱缰的野马，短时间内从 142 飙升到了 15403。

拉取当前 Leader（节点 A）的核心报错日志，发现其被强制逼退：

{"level":"info","ts":"...","caller":"raft/raft.go:1004","msg":"[raft] node A stepped down to follower since error or received message with higher term","term":15403}

紧接着，节点 A 重新发起选举，拿回 Leader 身份，但没过几秒，再次被逼退。整个集群陷入了无休止的“选举-当选-被逼退”的死亡循环中，此时 I/O 停滞，业务读写全被阻塞。

0x01 定位元凶：单向网络隔离引发的“毒药”

顺着日志，我将目光锁定在节点 C。节点 C 一直处于 Follower 状态，但它的 raft_term 却是全场最高的。

登录节点 C 宿主机，通过 tcpdump 抓包分析发现了一个典型的单向网络隔离（One-way Partition）现象：

# 在节点 C 上抓取与节点 A (Leader) 的 Raft 通信
tcpdump -i eth0 host <Node_A_IP> and port 2380 -nn -vv

抓包结果显示：节点 C 能向外发送数据包，但接收不到任何来自节点 A 的数据包。 检查网络层发现，是某次变更不慎在节点 A 所在宿主机的 iptables 的 OUTPUT 链中，针对节点 C 的 IP 配置了 DROP。

协议教科书里往往假设网络是完全断开的双向隔离，但在实际物理机房中，非对称路由、交换机单播风暴拦截、iptables 误配引发的单向隔离才是最致命的毒药。

0x02 为什么单向网络隔离会引发全局选举风暴？

在标准 Raft 协议中，一切以 Term（任期）为尊。单向隔离彻底击穿了标准 Raft 的防线，其演变过程如下：

1. 心跳超时与 Term 膨胀： Leader A 正常发送心跳（MsgHeartbeat），但节点 C 收不到。节点 C 的选举定时器超时，根据协议，它将自身转为 Candidate，Term 加 1（变为 143），并向全网广播 MsgVote。

2. 毒药广播： 因为是单向隔离，节点 C 的 MsgVote 成功发送到了 A 和 B。

3. 强制降级： Leader A 收到节点 C 的 MsgVote，虽然节点 C 的日志可能不是最新的，但 Raft 的强规则是：一旦收到 Term 大于自身当前 Term 的消息，当前节点必须无条件转为 Follower 并更新自己的 Term。

4. 无法当选与死循环： A 降级后集群无 Leader，开始新一轮选举。A 和 B 互相通信，A 重新当选（Term=144）。但节点 C 依然收不到心跳，再次超时，Term 变为 145，再次发送 MsgVote 逼退 A。

节点 C 就像一个幽灵，自己永远无法当选（因为收不到其他节点的投票响应），但却能通过不断自增的 Term 作为“毒药”，把正常运行的 Leader 拉下马。

0x03 PreVote 源码剖析：在拔剑前先确认身份

为了解决这个标准 Raft 的缺陷，etcd/raft 引入了 PreVote（预投票）机制。其核心思想非常克制：在正式增加 Term 之前，先发起一次模拟投票；只有在确保自己能获得多数派选票时，才真正增加 Term 发起正式选举。

翻开 go.etcd.io/etcd/raft/v3 的底层源码（raft.go），我们可以看到状态切换的区别：

// tickElection 在选举超时后被调用
func (r *raft) tickElection() {
    // ... 
    if r.preVote {
        // 开启了 PreVote：先进入 PreCandidate 状态，不增加 Term
        r.Step(pb.Message{From: r.id, Type: pb.MsgHup})
    } else {
        // 未开启 PreVote：直接进入 Candidate 状态，Term + 1 (危险行为)
        r.campaign(campaignElection)
    }
}

func (r *raft) campaign(t CampaignType) {
    // ...
    if t == campaignPreElection {
        r.becomePreCandidate() // 注意：这里调用后，r.Term 不会增加
        voteMsg = pb.MsgPreVote
    } else {
        r.becomeCandidate()    // 这里调用后，r.Term 会 +1
        voteMsg = pb.MsgVote
    }
    // 发送投票请求
    for _, id := range r.prs.Voters.IDs() {
        if id == r.id { continue }
        r.send(pb.Message{Term: term, To: id, Type: voteMsg, ...})
    }
}

PreVote 拦截的精妙之处在于其他节点的响应逻辑： 当正常节点 A（Leader）收到节点 C 的 MsgPreVote 时，因为 MsgPreVote 携带的是节点 C 当前的 Term（并没有加1），A 会判断自己当前仍然是合法的 Leader（未过 Lease 期/选举超时时间），因此会直接拒绝给节点 C 投预选票。 节点 C 拿不到多数派的预选票，就永远无法进入 Candidate 状态，Term 也永远不会增加，集群脑裂假象被彻底扼杀。

0x04 落地实战：防御性架构的配置规范

在自研系统的 Raft 引擎初始化阶段，必须强制开启 PreVote 和 CheckQuorum。这两个配置是高可用集群的“左右护法”。

import "go.etcd.io/etcd/raft/v3"

func newRaftNode(id uint64, peers []raft.Peer, storage *raft.MemoryStorage) raft.Node {
    config := &raft.Config{
        ID:                        id,
        ElectionTick:              10,
        HeartbeatTick:             1,
        Storage:                   storage,
        MaxSizePerMsg:             1024 * 1024,
        MaxInflightMsgs:           256,

        // 【防御性配置一】强制开启 PreVote 拦截网络孤岛引发的 Term 飞涨
        PreVote:                   true,

        // 【防御性配置二】强制开启 CheckQuorum
        // 允许 Leader 周期性检查自己是否仍然能连接到多数派，
        // 如果不能，Leader 会主动 stepDown，防止出现双 Leader 假象下的脏读
        CheckQuorum:               true, 
    }

    // 启动 Raft 状态机
    return raft.StartNode(config, peers)
}

配置下发并滚动重启集群后，我们再次通过 iptables 模拟针对单节点的网络隔离。 监控显示：被隔离的节点后台会不断发起 MsgPreVote，但被存活节点拒绝。主集群的 Leader 坚如磐石，raft_term 曲线保持绝对平稳，业务 QPS 0 抖动。

0x05 常见问题 (Q&A)

Q1：开启 PreVote 后，如果真实的 Leader 发生硬件宕机，选举耗时会变长吗？ 会增加一次 RPC 往返（RTT）的耗时。因为候选者需要先走完 PreElection 阶段，拿到预选票后，再走正式的 Election 阶段。但在同城机房内，一次 RTT 通常在 1ms 以内，相比于默认 1000ms 的选举超时（Election Timeout），这点延迟对可用性的影响微乎其微，换来的却是极高的系统稳定性。

Q2：如果网络完全断开（双向隔离），PreVote 还能发挥作用吗？ 能。在双向隔离中，孤岛节点发不出预投票，自己也会一直处于 Follower/PreCandidate 状态，Term 不会增加。当网络恢复后，它重新接入集群时，其 Term 与主集群一致，通过正常的 MsgApp (AppendEntries) 就能无缝对齐日志，不会对现有 Leader 造成任何冲击。

Q3：为什么不单纯依靠调大 Election Timeout 来规避网络抖动带来的频繁选举？ 单纯调大 Election Timeout 是一种掩耳盗铃的做法。它确实能掩盖短暂的网络抖动，但代价是极大地延长了真实故障发生时的 MTTR（平均恢复时间）。发生真实物理宕机时，集群需要等待漫长的 Timeout 才会开始重选 Leader，这段时间内业务是完全不可用的。Raft 的调优原则是：用协议本身的严谨性（PreVote）去解决逻辑问题，而不是用粗暴的延迟（增大 Timeout）去掩盖问题。