Spark与hdfs delegation token过期的排查思路总结

背景

hadoop delegation token的问题相对比较混乱和复杂，简单说下这东西的出现背景，最早的hadoop的因没有的完善的安全机制（安全机制主要包括：认证 + 鉴权，hadoop这里主要是身份认证机制没有），所以导致操作风险比较大，你可以理解只要获取了一台装有hadoop client的机器，就可以任意操作HDFS系统了，深究原因是因为hadoop身份认证机制太薄弱，所以只要黑了一台机器就可以发起各种危险操作了，所以各方大佬们云集讨论了一个可靠的安全方案，最终在SSL协议和Kerberos协议中，选择了Kerberos，主要有两个原因：

1，性能。因为SSL数据传输中包含非对称加密算法，相对耗时比较大，而Kerberos则完全采用对称加密

2，易于维护管理。Kerberos里面如果撤销一个客户端的访问权，直接在KDC（key distribution center）秘钥分发中心删除掉这个用户即可，而SSL里面，则需要生成一个证书吊销列表然后分发到所有的服务器中，对比而言Kerberos的集中式管理更方便维护

Kerberos介绍

Kerberos一些术语：

• KDC：密钥分发巾心，负责管理发放票据，记录授权。
• Realm： Kerberos管理领域的标识。
• principal：Kerberos 下的用户可以称为 Principal，当每添加一个用户或服务的时候都需要向kdc添加一条principal, principal的形式为：主名称/实例名@领域名。
• 主名称：主名称可以是用户名或服务名，表示是用于提供各种网络服务(如hdfs、yam,、hive） 的主体。
• 实例名：实例名简单理解为主机名。
• keytab文件：存储了用户的加密密码。常用这种方式认证。

使用Kerberos协议后，一次客户端访问服务端的认证流程如下：

Kerberos的架构和工作原理

• AS_REQ 是在初始化一个用户（kinit）的时候发出的用户认证请求，这个请求是发给KDC中的Authentication Server (AS)；
• AS_REP 是 AS回复给client的信息，其中包括TGT (用TGS secret key加密过的) and the session key (用发请求的用户的secret key加密过的);
• TGS_REQ 是client为了一个service ticket向Ticket Granting Server (TGS)的信息. 其中包括上一条信息中获得的TGT (用TGS secret key加密过的) ，一个客户端产生的一个authenticator(用session key加密过的).
• TGS_REP 是TGS回复给TGS_REQ的信息. 其中包括service ticket（用appservice的secret key加密过），和 一个TGS产生的service sessinon key（之前AS产生的一条session key给加密过的）
• AP_REQ 是一条客户端发给appserver的访问服务的请求，其中包括service ticket和一个authenticator（使用TGS产生的service session key 加密过的）
• AP_REP 是appserver回复给client的一条信息，证明这个appserver确实是客户端希望访问的server。不过这条信息也不一定总是要回复的。比如当客户端和appserver需要相互认证的时候，客户端向appserver发出请求，这个时候就不需要回复信息。

Delegation Token介绍

Delegation Token（委托令牌，缩写DT），前面我们知道了Kerberos的工作原理，那么Hadoop的 Delegation Token又是怎么来的？

虽然理论上可以单独使用 Kerberos 进行身份验证，但在 Hadoop 等分布式系统中使用时，它有一些弊端。想象一下，对于每个 MapReduce 作业，如果所有YARN的NodeManager节点或者Spark的Executor节点，都必须使用委托的 TGT（Ticket Granting Ticket）通过 Kerberos 进行身份验证，那么 Kerberos 密钥分发中心 (KDC) 将很快成为瓶颈。一次大的Job作业可能有数千个节点到节点的通信，这样就会导致放大对KDC中心的请求服务。事实上，它会无意中在非常大的集群中对 KDC 执行分布式拒绝服务攻击。

因此，Hadoop Delegation Token委托令牌作为一种轻量级身份验证方法被引入，以补充 Kerberos 身份验证。 Kerberos 是一个三方协议；相反，Delegation Token 身份验证是一种两方身份验证协议。

DT的工作原理如下：

1，客户端最初使用kinit或者keytab文件，完成与 Kerberos 的身份验证，并拿到TGT，然后通过TGT到TGS获取到HDFS服务的票证之后，再拿着Ticket从Name Node服务中获取委托令牌

2，客户端使用DT委派令牌与YARN进行通信和提交任务进行后续身份验证，整个过程不再使用 Kerberos

更详细的图示如下：

YARN Long Running应用的问题

看起来一切很美好，但这里面有个最大的问题是KDC颁发的票据是有最大生命周期的默认是7天，然后在7天内，每隔24颁发的票据就会失效，如果票据过期了，可以通过程序renew token来续约，这个时间一般是在过期前就会完成，准确来说是24*0.75=18个小时。

那么当票据的最大时间到了之后，会发生什么情况呢？很简单服务直接挂掉，因为token过期失效了，也就是我们经常遇到的两种异常情况：

1，Token is expired

2，Token can’t be found in cache

其实都是一个意思，只不过根据失效的时间长短抛出来的有所不同

默认的7天，对于普通离线Job基本绰绰有余了，但对于实时应用，如flink，spark流等的程序，可能就会失败，所以这里的问题又改怎么解决呢。

Hadoop YARN的官方文档给出了四种主流策略：

一，使用本地文件系统存储keytab文件

为应用程序在每个节点上的使用提供了一个keytab文件，将其安装在每个集群节点的本地文件系统中。

在配置选项中提供此路径，一般是环境变量注入。应用程序通过 UserGroupInformation.loginUserFromKeytab() 加载凭据。密钥表必须位于安全目录路径中，只有服务（和其他受信任的帐户）可以读取它。这实际上是所有静态 Hadoop 应用程序获取其安全凭证的方式

二，使用HDFS文件系统存储keytab文件

将keytab文件密钥表被上传到 HDFS。启动 AM 时，keytab 被列为本地化到 AM 容器的资源。

Application Master 配置了 keytab 的相对路径，并使用 UserGroupInformation.loginUserFromKeytab() 登录。

当 AM 启动容器时，它会将指向 keytab 的 HDFS 路径列为要本地化的资源。它将 HDFS 委托令牌添加到容器启动上下文中，以便可以本地化 keytab 和其他应用程序文件。

启动的容器必须自己通过 UserGroupInformation.loginUserFromKeytab() 登录。 UGI 处理登录，并安排一个后台线程定期重新登录用户。

令牌创建在 Hadoop IPC 和 REST API 中自动处理，容器在整个持续时间内通过 kerberos 保持登录状态。

这避免了为整个集群中的特定服务安装 keytab 的管理任务。它确实要求客户端有权访问密钥表，并且当它上传到分布式文件系统时，必须通过适当的路径权限/ACL 来保护它。

由于所有容器都可以访问密钥表，因此必须信任在容器中执行的所有代码。恶意代码（或逃避某种形式的沙箱的代码）可以读取密钥表，因此可以访问集群，直到密钥过期或被撤销。

三，使用HDFS存储keytab，通过AM生成token和续约token，并通过RPC分发给所有的Executor节点

1，client把keytab上传到HDFS

2，当启动AM的时候，会把这个keytab文件下载到AM运行的container里面

3，Application Master 配置了 keytab 的相对路径，并使用 UserGroupInformation.loginUserFromKeytab() 登录。 UGI 代码路径仍将通过 $HADOOP_TOKEN_FILE_LOCATION 自动加载文件引用，这是获取 AMRM 令牌的方式

4，当 AM 启动一个容器时，它会获取该容器所需的所有委托令牌，并将它们添加到容器的容器启动上下文中，典型的就是AM提交YARN任务时，会把token添加到上下文中，发送给RM，当RM启动NM时，又会把token下发到各个NM中

5，启动的容器必须从 $HADOOP_TOKEN_FILE_LOCATION 加载委托令牌，并使用它们（包括续订），直到它们无法再续订

6，AM和Executor 必须实现一个 IPC 接口，该接口允许接受请求一组新的委托令牌；

7，在委托令牌到期之前，client也就是driver进程会重新new新的token，然后通过 IPC 通道发送给AM和Execuor，从而确保他们能够长时间运行

这就是 Apache Spark 1.5+ 以后使用的策略，在容器和 AM 之间使用基于自定义的RPC网络的协议（最早是akka，目前已经重写）进行令牌更新

四，使用本地文件系统存储keytab，在机器上定时kinit认证

这种方式比较简单，与应用程序解耦，需要一个crontab定时任务，在token续约到期之前，自动执行kinit即可，唯一需要注意的就是，如果集群扩容什么的，新加的机器要确保也执行了，否则任务运行在这上面就会失败

上面几种策略，我们可以根据实际情况选择合适的一种来操作，从而避免让我们的实时应用只能跑7天

hadoop配置中和token相关的配置参数：

dfs.namenode.delegation.token.max-lifetime = 604800000 ms （7天）
dfs.namenode.delegation.key.update-interval = 86400000 ms  （1天）
dfs.namenode.delegation.token.renew-interval = 86400000 ms （1天）

在测试验证时，可以修改短点来验证，比如10，,3，3

Spark的Token过期问题

从前面的介绍中，我们现在应该大致了解了整个委托token的相关知识，但在实际使用过程中，仍然会遇到各种问题，因为像大数据系统涉及组件多，出一个问题说实话不太容易定位或者容易把排查方向搞偏，这里总结一下排查这种问题的经验，我总结为4个层面：

1，kerberbos层面

这个层面一般不容易遇到问题，但是如果要支持多个开启了Kerberos认证的hadoop集群之间互相访问数据，大概率会遇到访问失败问题，因为这种情况是需要打通两边kerberos的，当然好消息是kerberos是支持的，只需要我们配置正确即可

2，hadoop层面

Hadoop层面是最容易出现问题的，因为现在hadoop有很多个版本，建议新集群大家直接用hadoop 2.8+以上的版本，基本不会在遇到token问题，但在这个版本之前比如2.7和2.6都有各种各样的bug存在，需要我们打patch才能解决，详情可参考HDFS 9276的ISSUE

3，spark层面

spark层面其实还好，不容易出现这种问题，因为Spark使用的人多，社区也比较活跃，所以spark在1.5版本的时候都设计了可以解决实时应用长时间跑在yarn上的问题。当然也不要心存侥幸，有两个地方也会出问题：

spark编译的时候依赖了低于hadoop 2.8的版本，那么长时间运行的应用大概率也会遇到token过期的问题，所以编译时候要注意，另外就算依赖高于hadoop 2.8的版本，spark自身的代码也会存在bug从而引发token问题，我们就遇到了：

第一个是renew schdule的时长是一个long的最大值，这样会导致driver永远不会更新token，解决方法：把hadoop-hdfs-2.8.5的jar拷贝到spark的jars目录就行了，因为缺失一个SPI的描述文件导致的。

第二个是spark3.0.1版本独有的bug，driver生成的token无法传给AM，从而导致在token超过7天之后，AM新生成的Executor都会失败。解决方法：参考SPARK-32905

这里推荐两个稳定版本：spark 2.4.3 和 spark 3.0.2，有条件直接上最新的更好。

4，应用层面

这个主要指的是，如果你的应用是通过shade的fat jar提交运行的，那么很有可能你的shade jar里面包含了一些hadoop或者spark版本不一致的代码，从而可能会引发类冲突或者加载顺序的问题，导致命中某个bug，所以这里建议大家服务端提供了依赖，fat jar就不要再打进去了，减少这种问题发生的几率。

总结

本篇介绍的内容，都是我们在生产环境遇到的一些问题，当然我们现在主要用的是spark，所以介绍的spark的内容会多一点，如果你正在使用的是flink，也不要紧，解决问题的思路都是是相通的，也可以按照文中的思路在遇到token过期问题时来进行排查，大数据组件因为复杂和繁多，当组合到一起时经常会遇到一些问题，这个时候我们也不要着急，多用谷歌搜索+善用组件的官网ISSUE文档，如果实在还没迹可循，那只能看源码细细捋了，可以造一个测试环境，方便排查，这样可以验证我们的各种想法，也会大大提升我们排查问题的效率。

参考文章：

Kerberos认证原理与环境部署 - 大数据老司机 - 博客园

Hadoop Delegation Tokens Explained - Cloudera Blog

https://issues.apache.org/jira/secure/attachment/12428537/security-design.pdf

https://www.slideshare.net/oom65/hadoop-security-architecture

[HADOOP-4487] Security features for Hadoop - ASF JIRA

[HDFS-9276] Failed to Update HDFS Delegation Token for long running application in HA mode - ASF JIRA

[SPARK-32905] ApplicationMaster fails to receive UpdateDelegationTokens message - ASF JIRA

Apache Hadoop 3.3.4 – YARN Application Security

https://github.com/apache/spark/blob/master/core/src/main/scala/org/apache/spark/deploy/security/README.md