Akka.net集群Lighthouse/Seed节点是否需要配置split brain resolver？

配置问题核查结果 #

1. Lighthouse节点存在2个严重配置错误 #

• 多余的Sharding配置：你的推测正确，Lighthouse仅作为种子节点不需要承载分片逻辑，当前配置的akka.cluster.sharding块完全冗余，不仅额外占用内存CPU，还会导致不必要的分片元数据同步开销，直接删除即可。
• Split Brain Resolver（SBR）配置完全错误：
  1. 全集群所有节点的SBR策略必须完全统一，你当前QueueServicer用keep-majority策略、Lighthouse用keep-oldest策略，两类节点的集群视图逻辑完全冲突，会导致正常节点被标记为不可达，直接拒绝连接请求。
  2. 你为Lighthouse配置的keep-oldest策略开启了down-if-alone = on，而Lighthouse总共只有2个实例，只要其中1个实例宕机，剩余的1个实例会判定自己是孤立节点自动下线，最终所有种子节点全部退出集群，新节点自然无法加入。
  3. 种子节点不是不需要配置SBR，而是必须和业务节点的SBR配置完全一致，否则脑裂恢复逻辑会完全错乱。

2. QueueServicer节点配置基本合理，仅需配合全集群统一SBR规则即可 #

当前QueueServicer的分片、SBR配置本身没有逻辑问题，只要保证Lighthouse节点的SBR配置和它完全一致即可。

异常现象原因对应 #

你观察到的无法连接、CPU/内存占用高、GC耗时久、无队列Actor日志都是配置错误的直接结果：

• Lighthouse节点已经因为SBR配置错误全部下线/拒绝外部连接，所以QueueServicer节点抛出Connection refused错误
• 节点持续重试连接种子节点，不断创建销毁连接、打印重试日志，同时分片初始化逻辑一直等待集群加入成功，大量临时对象被创建销毁，导致CPU、内存占用高，GC耗时过长
• 节点未成功加入集群，分片Actor无法启动，自然没有队列处理Actor的运行日志

修复步骤 #

第一步：先排查基础网络问题 #

先在无法加入的QueueServicer节点上执行网络连通性校验，排除防火墙/网络策略问题：

telnet lighthouse-0 7892
telnet lighthouse-1 7892

如果无法连通，先处理网络策略放行对应端口。

第二步：修正Lighthouse节点HOCON配置 #

删除冗余的Sharding配置，统一SBR策略和QueueServicer完全一致：

akka { 
    loggers = ["Akka.Logger.log4net.Log4NetLogger, Akka.Logger.log4net"] 
    log-config-on-start = on 
    loglevel = "DEBUG" 
    actor { 
        provider = cluster 
        serializers { 
            hyperion = "Akka.Serialization.HyperionSerializer, Akka.Serialization.Hyperion" 
        } 
        serialization-bindings { 
            "System.Object" = hyperion 
        } 
    } 

    remote {
        dot-netty.tcp {
        # 保留原有端口、主机名配置
        }
    }

    cluster {
        seed-nodes = ["akka.tcp://myapp@lighthouse-0:7892","akka.tcp://myapp@lighthouse-1:7892"]
        roles = ["lighthouse"]

        downing-provider-class = "Akka.Cluster.SplitBrainResolver, Akka.Cluster"
        split-brain-resolver {
            active-strategy = keep-majority
            stable-after = 20s
            keep-majority {
                role = "QueueProcessor"
            }
         }
        down-removal-margin = 20s
     }
}

第三步：重启集群恢复 #

1. 先停止所有Lighthouse、QueueServicer节点
2. 先启动2个Lighthouse节点，确认节点正常启动、互相加入集群成功
3. 再逐个启动3个QueueServicer节点，确认节点正常加入集群，分片Actor正常启动

内容的提问来源于stack exchange，提问作者user738338