本文整理于 HOW 2026 演讲内容，演讲者：杨宇，PG ACE，第八届 PG 数据库生态大会 2025 年度金 牌讲师，PG 分会哈尔滨用户组核心成员。

引言

在数据库运维中，有两件事是绝对不允许发生的：一是数据丢失，二是业务长时间停滞。备份恢复解决的是前者——防止人为误操作导致的数据损坏；而高可用（High Availability，HA）解决的则是后者——当硬件故障发生时，如何让业务以最快速度恢复运行。

本文将从高可用的核心概念出发，深入解析PostgreSQL的复制技术，对比主流高可用方案，并分享性能优化、监控体系与故障应对的实战经验。

一、高可用概述与核心挑战

1.1 什么是高可用？

高可用不仅是减少停机时间，更是保障业务连续性与数据安全的综合性工程目标。它主要解决三个层面的问题：

• 业务连续性：确保服务7×24小时不间断，硬件或网络故障时业务能快速恢复。
• 数据安全性：保障数据不丢失、不损坏，故障发生后能够恢复到正确状态。
• 用户体验：最小化服务中断影响，保证应用系统始终稳定流畅。

高可用的最终目标，是将系统可用性提升至 99.9% – 99.99%+ ，即每年停机时间仅数小时甚至数分钟。

1.2 核心指标：RTO 与 RPO

衡量高可用方案有两个关键指标：

RTO（Recovery Time Objective） ——恢复时间目标

• 定义：从故障发生到系统完全恢复运行的时间
• 构成：检测时间 + 切换时间 + 应用恢复时间
• 要求：该值越小越好，金融交易场景通常要求 < 30秒

RPO（Recovery Point Objective） ——恢复点目标

• 定义：故障后系统允许丢失的数据量（以时间衡量）
• 计算：最后一次备份到故障发生的时间差
• 要求：核心业务要求 RPO = 0（零数据丢失）

简单来说， RTO关注服务恢复速度，RPO关注数据丢失量。

1.3 高可用面临的挑战

在实际落地过程中，高可用架构面临多重挑战：

二、PostgreSQL复制技术深度解析

PostgreSQL原生支持两种复制方式： 物理复制（流复制） 和 逻辑复制。

2.1 物理复制（流复制）

原理：在主库上，预写日志（WAL）记录被实时或异步地传输到一个或多个备库。备库通过重放这些WAL记录，在物理块级别上与主库保持完全一致。

特点：

• 主备之间是整个数据库集群的复制
• 备库通常处于只读状态，可用于查询负载分流
• 是实现高可用的基础

三种确认级别：PostgreSQL提供了三种同步确认级别，用于在数据安全性和性能之间权衡：

2.2 复制槽（Replication Slots）

复制槽是PostgreSQL中用于跟踪下游节点已接收WAL位置的机制，其 核心作用是防止主库过早删除备库仍需要的WAL文件，确保复制的连续性。

重要警示：若备库永 久离线，必须手动删除对应的复制槽，否则主库WAL日志将无限堆积，最终耗尽磁盘空间。

查看复制槽状态的SQL：

SELECT slot_name, slot_type, active, restart_lsnFROM pg_replication_slots;

2.3 逻辑复制

原理：基于逻辑解码，将数据更改（INSERT、UPDATE、DELETE）以逻辑形式进行复制，采用 发布（Publication）与订阅（Subscription） 模型。

特点：

• 可复制单个表或一组表，而非整个数据库集群
• 支持跨版本复制、选择性复制
• 订阅端可写入，支持更复杂的拓扑

核心优势：逻辑复制将数据复制从“物理镜像”转变为“逻辑数据流”，提供了“复制什么”和“复制到哪里”的极 致灵活性。

三、主流高可用方案详解与对比

基于PostgreSQL官方文档认可的实现方式，目前主流的高可用方案主要包括以下几类。

3.1 repmgr —— 轻量级流复制管理器

repmgr是专注于PostgreSQL流复制集群管理的工具套件，设计简洁，对现有系统的侵入性极低。

核心机制：

• Agent守护进程：各节点运行repmgrd，实时监控集群健康状态
• 共享元数据：集群拓扑信息统一存储在共享数据库中
• 智能故障转移：基于LSN对比自动选主，支持Witness节点防脑裂

优势：配置简单、资源占用低、社区成熟度高、维护成本低
局限：防脑裂机制较基础、自动化能力有限、云原生生态支持较弱

图示展示了主节点与备节点通过 Stream Replication 同步数据， repmgrd 进程实时监控各节点状态 ，实现自动故障转移。

3.2 Patroni —— 企业级推荐方案

Patroni是基于分布式配置存储（DCS）的PostgreSQL高可用解决方案，是当前企业级部署中最受欢迎的方案之一。

核心机制：

• 基于DCS选举：利用etcd/Consul（基于Raft协议）实现领导者选主，天然防止脑裂
• Agent守护进程：每个数据库节点运行Patroni进程，统一管理PG实例生命周期
• 秒级自动容灾：通过DCS租约机制检测故障，实现全自动秒级主从切换

优势：高自动化运维、数据强一致性、云原生友好、社区生态极其活跃
注意：需额外部署维护DCS集群，对运维人员有一定技术要求

3.3 Stolon —— 云原生PostgreSQL设计

Stolon专为Kubernetes容器化环境设计，将集群管理逻辑与数据存储分离。

核心微服务架构：

• Proxy：客户端唯一入口，智能流量路由
• Keeper：管理本地PG实例生命周期
• Sentinel：监控集群，计算最优拓扑视图

优势：彻底解耦的云原生架构、客户端对故障切换完全无感知、控制平面无单点
挑战：引入Proxy层增加网络开销、组件较多架构复杂、社区活跃度相对有限

3.4 Pgpool-II —— 连接池与高可用中间件

Pgpool-II是位于应用与PostgreSQL之间的代理层，提供连接池管理、负载均衡、自动故障转移等能力。

核心能力：

• 中间件路由：应用直连Pgpool-II，由其统一转发请求
• 高可用机制：配置Watchdog防止自身单点，通过脚本执行自动故障转移
• 智能调度：支持读写分离、负载均衡与会话池复用

优势：对应用透明、功能丰富、部署集成轻量化
局限：存在单点风险、故障转移依赖脚本、SQL解析较复杂

3.5 Pacemaker + Corosync —— 传统企业级集群方案

Pacemaker + Corosync是一套通用的开源集群资源管理器，通过脚本化的资源代理来管理PostgreSQL等各类服务。

核心组件：

• Corosync通信层：节点心跳检测与仲裁机制
• Pacemaker大脑：资源定义、监控与故障转移
• 资源代理：启停监控脚本
• STONITH防护：强制隔离脑裂节点

优势：高度灵活可定制、企业级稳定性强、成熟的仲裁与防脑裂机制
不足：配置极其复杂、自动化程度低、云原生适配不佳

Pacemaker + Corosync 高可用架构示意

3.6 方案选型建议

首选推荐：Patroni

• 适用绝大多数场景，特别是云基础设施或容器化（K8s）环境
• 全链路自动化运维，RTO < 30秒，配合同步复制可实现RPO = 0
• GitHub星数领先，社区活跃，技术问题响应快

轻量级选择：repmgr

• 适用于中小规模集群，追求低学习成本和快速落地
• 在功能完备性与部署维护简单性之间取得良好平衡

云原生选择：Stolon

• 技术栈完全构建在Kubernetes之上，追求架构深度解耦的场景

综合代理：Pgpool-II

• 需要同时满足高可用、连接池管理和读写分离的复杂场景
• 建议作为前端代理层，配合Patroni或repmgr使用

谨慎选择：Pacemaker + Corosync

• 仅推荐在已广泛使用该方案的传统数据中心，或需要高度定制化管理的场景
• 对纯PG数据库场景，引入Pacemaker的高复杂度通常“得不偿失”

四、性能优化与监控体系

4.1 内存配置调优

4.2 WAL与检查点调优

WAL和检查点的配置直接影响写入性能和稳定性：

核心思路：通过增大WAL容量和优化检查点参数，有效降低IO波动，提升系统吞吐量。

4.3 连接与并发调优

• max_connections：根据资源合理设置，不宜过大
• 推荐使用 PgBouncer 连接池，减少频繁创建销毁连接的开销，防止连接数耗尽

4.4 监控体系：Prometheus + Grafana

推荐架构：

• Prometheus：开源时序数据库，负责指标采集与存储
• pg_exporter：PostgreSQL指标导出器
• Grafana：数据可视化，构建直观仪表盘

核心监控指标：

• 连接与会话：活跃连接数、最大连接数使用率
• 复制状态：主从延迟、复制槽状态
• 性能与资源：QPS/TPS、慢查询、CPU/内存/IO负载

关键复制监控SQL：

SELECT pid, application_name, client_addr, state, sync_state,
pg_wal_lsn_diff(pg_current_wal_lsn(), replay_lsn) AS total_lagFROM pg_stat_replication;

当 total_lag超过阈值（如1GB）时，应立即触发告警并排查。

五、故障处理与应急响应

5.1 故障诊断四步法

1. 观察现象，收集信息：检查应用层报错、数据库集群状态、系统资源、相关日志
2. 分析原因，定位问题：综合判断是网络故障、硬件问题还是配置错误
3. 制定方案，实施恢复：针对性处理，操作前务必做好数据备份
4. 总结复盘，优化改进：分析根本原因，更新应急预案

5.2 常见故障（一）：复制延迟过大

现象：备库LSN与主库差距持续增大，数据严重滞后

常见原因：

• 主库写入负载过高，产生WAL过快
• 备库CPU/内存/IO性能不足
• 主备间网络带宽瓶颈
• 备库存在长事务阻塞重放

解决方案：优化主库写入或升级备库硬件、扩容网络带宽、终止阻塞的长事务

5.3 常见故障（二）：复制中断

现象： pg_stat_replication中无备库连接信息，备库日志出现连接错误

常见原因：

• 网络中断或防火墙阻断
• 复制用户权限/密码错误
• WAL日志被清理（无复制槽保护）
• 备库磁盘空间不足

解决方案：修复网络/防火墙、修正权限配置、 配置复制槽是防止主库过早清理WAL的最有效手段

5.4 常见故障（三）：自动切换失败

现象：主库宕机后备库未自动提升，集群服务中断

常见原因：

• Patroni/repmgrd进程异常
• DCS集群（etcd/Consul）不可用，无法选举
• 备库数据延迟超过故障转移阈值
• 配置文件错误或权限不足

解决方案：检查进程状态和日志、修复DCS集群、手动提升备库或重建

5.5 常见故障（四）：脑裂

现象：网络分区导致多节点同时为主库，各自接受写入，数据严重不一致

预防措施：

• 部署至少3个节点或Witness，利用多数派原则
• 使用Patroni/Stolon等基于DCS的共识方案
• 共享存储场景下，使用STONITH强制隔离旧主节点

应急处理：

1. 立即断开所有疑似主节点与应用连接
2. 比对数据，确认拥有最新完整数据的节点
3. 强制指定新主库，其他节点同步
4. 恢复服务并复盘分析网络原因

六、总结与展望

6.1 核心要点总结

6.2 未来趋势

• AI运维集成：利用机器学习实现故障预测与性能瓶颈自动识别，从被动响应转向主动预防
• 云原生与Service Mesh深度整合：在K8s环境中与Istio等融合，提供细粒度流量控制与全链路可观测性
• 多主架构与分布式SQL演进：依托Citus等扩展向分布式发展，突破单主瓶颈
• 新硬件应用：利用NVMe SSD、RDMA提升性能
• Serverless化：按需创建、自动扩缩容，大幅降低运维成本

未来，PostgreSQL将更加智能、高效且云原生，通过技术整合与架构升级，持续重新定义数据库高可用标准。