MongoDB 5.0.4分片集群孤立文档迁移超时错误日志原因问询

你观测到的是MongoDB分片集群chunk块迁移流程中的孤儿文档清理超时错误，对应流程是数据从shard-B迁移到shard-A完成后，系统要删除shard-B上留存的该range范围的孤儿数据，该操作超时触发了报错。
5.0.4版本触发该问题的常见原因如下：

• 待清理的range范围内孤儿文档数量过多，默认的超时窗口不足以完成全量删除
• 报错时段shard-B的CPU、磁盘IO、内存资源使用率过高，删除请求无法及时调度执行
• 该分片集合存在索引缺失，扫描孤儿数据的过程耗时过长
• 5.0.4为5.0早期版本，存在官方已知的孤儿清理逻辑缺陷：默认超时阈值设置过短，且单次失败后无自动重试机制，大chunk场景下极容易触发该报错，官方在5.0.7版本已修复该问题

• 偶发单次报错不影响集群正常运行，chunk迁移会自动重试，不会出现数据不一致问题
• 若持续高频出现相同报错，会导致chunk迁移失败，最终出现分片间数据分布不均衡，部分分片负载过高的问题

• 偶发场景：无需额外处理，等待迁移自动重试即可
• 频繁报错临时修复：调整mongod配置参数orphanCleanupDelaySecs，将默认900秒的超时阈值调高到1800~3600秒，适配大chunk的清理耗时
• 永久修复：将集群升级到5.0.7及以上的稳定版本，官方已优化孤儿清理的超时和重试逻辑，可彻底解决该版本缺陷导致的报错
• 运维优化建议：尽量将自动平衡窗口设置在业务低峰期，定期清理分片集合的数据碎片，避免出现单chunk大小超过10GB的超大块

内容的提问来源于stack exchange，提问作者xu py