为什么我的 Amazon Redshift 集群会出现间歇性连接问题？

简短描述

以下问题可能会导致 Amazon Redshift 集群出现间歇性连接问题：

• 特定 IP 地址或 CIDR 块的访问受限
• 维护时段更新
• 节点故障或计划管理任务
• 加密密钥轮换
• 活跃网络连接过多
• 领导节点的 CPU 利用率过高
• 客户端连接问题

解决方法

特定 IP 地址或 CIDR 块的访问受限

查看安全组中特定 IP 地址或 CIDR 区块的访问权限是否受限。由于 DHCP 配置，您的客户端 IP 地址可能会发生变化并导致连接问题。此外，如果未为 Amazon Redshift 集群使用弹性 IP 地址，则集群节点的 AWS 托管 IP 地址可能会发生变化。例如，在删除集群并从快照中重新创建集群时，或者恢复已暂停的集群时，IP 地址可能会发生变化。

**注意：**删除和重新创建 Amazon Redshift 集群时会轮换公有 IP 地址。每当节点被替换时，私有 IP 地址都会发生变化。

要解决网络限制问题，请采取以下一种操作：

• 如果应用程序缓存集群端点后的公有 IP 地址，请使用此端点进行 Amazon Redshift 连接。为了保持网络连接的稳定和安全，请勿使用 DNS 缓存进行连接。
• 最佳做法是为 Amazon Redshift 集群使用弹性 IP 地址。弹性 IP 地址允许您更改基础配置，并且不会影响客户端用于连接到您集群的 IP 地址。如果想在发生故障后恢复集群，此方法很有用。有关更多信息，请参阅“管理 VPC 中的集群”。
• 如果使用私有 IP 地址连接到领导节点或计算节点，请在设置中使用新的 IP 地址。例如，如果执行了 SSH 提取或者存在使用计算节点的 Amazon EMR 配置，请更新您的 IP 地址。节点更换后，请将新的私有 IP 地址授予新节点。

维护时段更新

检查 Amazon Redshift 集群的维护时段。在维护时段内，Amazon Redshift 集群无法处理读取或写入操作。如果将维护活动安排在特定的一周内，则会在指定的维护时段内开始维护，持续 30 分钟。Amazon Redshift 在执行维护时，任何正在进行的查询或其他操作都将关闭。可以从 Amazon Redshift 控制台更改计划维护时段。

节点故障或计划管理任务

在 Amazon Redshift 控制台中，检查事件选项卡中是否存在节点故障或计划管理任务，例如集群大小调整或重启。

如果出现硬件故障，那么 Amazon Redshift 可能会在短时间内不可用，还可能会出现查询失败。查询失败时，会出现如下示例的事件描述：

"A hardware issue was detected on Amazon Redshift cluster [cluster name].A replacement request was initiated at [time]."

或者，如果账户管理员计划对 Amazon Redshift 集群进行重启或调整大小操作，则可能会出现间歇性的连接问题。会出现与以下内容类似的事件描述：

"Cluster [cluster name] began restart at [time].""Cluster [cluster name] completed restart at [time]."

有关更多信息，请参阅 “Amazon Redshift 事件类别和事件消息”。

加密密钥轮换

检查 Amazon Redshift 集群的密钥管理设置，确认是否使用了 AWS Key Management Service (AWS KMS) 密钥加密和密钥加密轮换。

如果加密密钥已开启且正在轮换，则 Amazon Redshift 集群在此期间不可用。因此，您将收到以下错误消息：

"pg_query(): Query failed: SSL SYSCALL error: EOF detected"

密钥轮换频率取决于环境的数据安全和标准策略。根据需要经常轮换密钥，或者在加密密钥可能遭到泄露时轮换密钥。此外，请务必制定密钥管理计划，以支持安全和集群可用性需求。

活跃连接过多

在 Amazon Redshift 中，所有集群连接都会发送到领导节点，并且活跃连接有最大限制。是节点类型决定了 Amazon Redshift 集群能支持的最大配额，而非节点数。

当 Amazon Redshift 集群中存在过多活跃连接时，您会收到以下错误消息：

"[Amazon](500310) Invalid operation: connection limit "500" exceeded for non-bootstrap users"

如果在连接到 Amazon Redshift 集群时收到 Invalid operation 错误，就说明已达到连接配额。要查看集群的活跃连接数量，请查看 Amazon CloudWatch 中的 DatabaseConnections 指标。

如果注意到数据库连接激增，则 Amazon Redshift 集群中可能存在许多空闲连接。要查看空闲连接的数量，请运行以下 SQL 查询：

select process, trim(a.user_name) as user_name, a.usesysid, a.starttime,
  datediff(s,a.starttime,sysdate) as session_dur, b.last_end,
 datediff(s,case when b.last_end is not null then b.last_end else
 a.starttime end,sysdate) idle_dur
     FROM
    (select starttime,process,u.usesysid,user_name
     from stv_sessions s, pg_user u
     where
     s.user_name = u.usename
      and u.usesysid>1
and process NOT IN (select pid from stv_inflight where userid>1
 union select pid from stv_recents where status != 'Done' and
  userid>1)
    ) a
     LEFT OUTER JOIN (select
 userid,pid,max(endtime) as last_end from svl_statementtext where
  userid>1 and sequence=0 group by 1,2) b ON a.usesysid = b.userid AND
 a.process = b.pid
    WHERE (b.last_end > a.starttime OR b.last_end is null)
    ORDER BY idle_dur;

输出结果类似于以下示例：

 process | user_name  | usesysid |      starttime      | session_dur | last_end | idle_dur
---------+------------+----------+---------------------+-------------+----------+----------
   14684 | myuser     |      100 | 2020-06-04 07:02:36 |           6 |          |        6
(1 row)

找出空闲连接后，使用以下命令语法关闭这些连接：

select pg_terminate_backend(process);

输出结果类似于以下示例：

pg_terminate_backend ----------------------
                    1
(1 row)

领导节点的 CPU 利用率过高

所有客户端都会使用领导节点连接到 Amazon Redshift 集群。领导节点的 CPU 使用率过高可能会导致间歇性连接问题。

如果尝试连接到 Amazon Redshift 集群且领导节点的 CPU 占有率过高，就会收到以下错误消息：

"Error setting/closing connection"

要确认领导节点的 CPU 利用率是否过高，请查看 Amazon CloudWatch 中的 CPUUtilization 指标。有关更多信息，请参阅 Amazon Redshift 指标。

客户端连接问题

检查客户端（例如 Workbench/J 或 PostgreSQL）与 Amazon Redshift 集群之间是否存在连接问题。如果客户端尝试从已发布的端口发送请求，则可能会重置客户端连接。因此，重置连接可能会导致间歇性连接问题。

为防止这类客户端连接问题，请采取以下一种操作：

• 使用 Amazon Redshift 中的 keepalive 功能来检查客户端和服务器之间的连接是否正常运行。keepalive 功能还有助于防止连接链路断开。要查看或配置 keepalive 的值，请参阅“更改 TCP/IP 超时设置”和“更改 DSN 超时设置”。
• 如果查询似乎正在运行但在 SQL 客户端工具中停止响应，请检查最大传输单元 (MTU)。由于数据包丢失，查询可能无法显示在 Amazon Redshift 中。当两台 IP 主机之间的网络路径中的 MTU 大小不同时，就会发生丢包。有关如何管理丢包问题的更多信息，请参阅“查询似乎停止响应，有时无法到达集群”。