诡异提交失败问题追查

来源:本站原创 专业IT吐槽 超过663 views围观 0条评论

摘要:

自四月份以来,贴吧遇到了发帖失败的问题,现象比较诡异。经过追查发现是操作系统刷磁盘时,阻塞write系统调用导致。本文主要分享问题追查过程,希望对大家日常工作中定位问题有一定帮助。

TAG:

提交、问题追查、脏页

1 背景

很久前知道上有个问题:“从前天开始,跟帖就是发帖失败,换个ID开始能发,后来又变成发帖失败,很迷惑。谁知道怎么回事么。是系统问题么,还是网络问题?”最佳答案是:“很大部分是网络出现问题,你可以重新提交下就可以了”。

前段时间,贴吧的提交UI老是报警,晚上的时候手机叮叮咣咣地响,每次看都是apache进程数上千hold不住了,只好逐台重启。后来OP怒了,直接写了个脚本,发现apache进程数上来就自动重启。

好景不长,某天图1被PM截下来发到群上,自己发几个贴测试下居然复现了!看来真不是网络的问题,必须好好追查下了。

2 提交系统综述

先整理下贴吧提交的逻辑和涉及的模块。图2是贴吧提交系统的架构,一个完整的发帖流程需要经过下述模块的处理。

l  提交UI。提交UI是接收用户提交的帖子信息,进行合法性验证后将数据提交给后端的PHP模块,使用apache作为服务器。

l  提交后端。某些提交操作比如发贴和删帖对时序存在要求,所有与发帖有关的操作都经提交后端序列化后,持久化到本地di数据文件。消息队列读取di文件,转发给订阅相关消息的后端模块。

l  提交代理层,简称proxy。贴吧除了发帖外,还有消息推送、消费吧豆等提交操作,因此提交后端以集群的形式存在,并且每个都是单点。proxy对UI层面屏蔽了各种提交后端的划分,自动根据UI中的命令号转发到相应的提交后端上。

提交UI通过RPC与proxy通信,短连接。proxy使用rpc_client与提交后端通信,短连接。proxy和提交后端都是使用rpc框架编写的C模块。

3 问题追查

发表一个帖子经过这么多模块,是在没有头绪,只好辛苦UI的同学看看什么情况下会出现那个未知错误的哭脸。UI同学很给力,马上给出一个case,3000代表提交UI与cm_proxy交互失败,从交互时间看,与cm_proxy交互时间为1秒。恰好UI设置的超时为1秒,去后端看看发生什么回事。

拿着这个logid查cm_proxy和postcm日志,发现两个模块都接收到UI的请求,并且把数据转发到相应的后端模块。继续看warning日志,发现cm_proxy等待postcm回复超时!

3.1  RPCClient问题?

难道是提交后端处理这么慢么?查看本条请求处理时间,只有十几毫秒,理论上不会超时。带着这个问题请教以前负责这个模块的高同学,得知以前曾经出现类似的问题,猜测是RPCClient在压力上千时,会出现大量读超时。

为了让真凶现形,在OP mm的帮助下搭建好一套线下测试环境,使用压力工具给予proxy 2000/s的压力(线上峰值是1000/s)。一个小时,两个小时……出现时的只是proxy queue full错误(等待连接池满),没有读超时问题。然后wiki一下,也没有找到类似错误的记录,看来RPC库是可依赖的。

3.2  TIME_WAIT问题?

一时找不到头绪,看能不能从日志中挖掘到一些线索。统计cm_proxy日志情况,根据错误号查看代码,主要出现两种类型错误。

读超时:

连接postcm拒绝:

处理时间为0居然还读超时,太诡异了!统计下5月22日一天proxy与提交后端交互失败的分布。

图4 cm_proxy与提交后端交互失败分布

为啥tc cm00这个机器的连接拒绝这么多,读超时这么少呢?原来提交后端单点部署在这台机器上,提交后端和proxy同机部署可能带来一些问题。查看机器监控,发现这台机器处于TIME_WAIT状态的socket达到十几万。但是查看操作系统参数/proc/sys/net/ipv4/tcp_tw_reuse,值为1。证明目前端口复用已经打开。为了让问题收敛,把tc cm00的proxy下掉,继续跟进。

3.3  Backlog大小问题?

为什么会连接拒绝?带着这个问题请教我们的小强同学。不愧是大牛,一下就发现tcp listen的时候,Backlog可能设置的太小了。翻阅资料充电:Backlog是listen系统调用的         第二个参数,这个参数所指明的是linux处理tcp连接是所设置的全连接队列的长度。在socket程序设计中,当三次握手完成后,会把刚刚建立好的连接放入这个全连接队列中,当服务器端调用accept系统调用的时候,会从这个全连接队列里取出已经建立好的连接供上层应用使用。这个值在系统中设置了上限,可以通过/proc/sys/net/core/somaxconn查看。当listen系统调用使用的Backlog值小于这个值得时候系统取backlog值为实际值,当Backlog的值大于这个值的时候,系统取SOMAXCONN的值为默认值。

查看提交后端上系统SOMAXCONN的值为2048,而listen时Backlog大小只有100,貌似有点小。5月28日,OP操作把这个值调到1024,观察效果。

图5  22日和28日cm_proxy与提交后端交交互失败分布

调整后,交互失败下降到原来的三分一,有点进度。但是如果仅仅是Backolg大小问题,为什么依然存在这么多的交互失败呢,看来幕后凶手还没有找到。

3.4  现场缉凶!

目前掌握的证据还不充分,实时观察日志或许能发现些东西。tail一台proxy的错误日志,发现每隔一段时间刷出一批错误日志。统计每秒错误日志数,发现一个规律,很多时候每隔15秒左右会一下子刷子40条交互失败的日志。这个40有点眼熟,就是proxy的线程数!这意味这个时间点所有的交互都失败了。

火速赶往提交后端机器,iostat一下,发现一个很有意思的现象。IO的情况随着时间上下波动,然后每隔一段时间会有一次大的IO操作(>80M/s,持续1~3秒),此时proxy会有较大几率出现交互失败。

为了确认案情,统计6.2一天提交后端日志,共有477个请求处理时间大于等于1000ms。这477个请求处理时间几乎平均分布在[1000,3995]ms中。目前proxy与提交后端连接超时为1000ms,意味着477个请求持续时间内,proxy与提交后端有可能出现读超时(根据IO被阻塞时间和请求达到提交后端时间确定)

真正的原因是在流量高峰期,postcm提交量上升, 当脏页占系统内存的比例超/proc/sys/vm/dirty_ratio的时候, write系统调用会被被阻塞,主动回写dirty page,直到脏页比例低于/proc/sys/vm/dirty_ratio。由于提交后端单线程的工作模型,会导致提交后端短时间内不能响应请求,造成上级模块陆续超时或连接失败。

4 解决办法

整理一下思路,目前造成提交不稳定主要以下三个。

4.1  cm_proxy读超时

l  修改操作系统参数,观察效果并不断调整。

由基础架构的同学总结,操作系统会在下面三种情况下回写脏页:

1) 定时方式。定时回写是基于这样的原则:/proc/sys/vm/dirty_writeback_centisecs的值表示多长时间会启动回写pdflush线程,由这个定时器启动的回写线程只回写在内存中为dirty时间超过(/proc/sys/vm/didirty_expire_centisecs / 100)秒的页(这个值默认是3000,也就是30秒),一般情况下dirty_writeback_centisecs的值是500,也就是5秒,所以默认情况下系统会5秒钟启动一次回写线程,把dirty时间超过30秒的页回写,要注意的是,这种方式启动的回写线程只回写超时的dirty页,不会回写没超时的dirty页。

2) 内存不足的时候。这时并不将所有的dirty页写到磁盘,而是每次写大概1024个页面,直到空闲页面满足需求为止。

3) 写操作时发现脏页超过一定比例: 当脏页占系统内存的比例超过/proc/sys/vm/dirty_background_ratio 的时候,write系统调用会唤醒pdflush回写dirty page,直到脏页比例低于/proc/sys/vm/dirty_background_ratio,但write系统调用不会被阻塞,立即返回.当脏页占系统内存的比例超/proc/sys/vm/dirty_ratio的时候, write系统调用会被被阻塞,主动回写dirty page,直到脏页比例低于/proc/sys/vm/dirty_ratio。

修改刷脏页频率,从5s调整到3s

echo 300 > /proc/sys/vm/dirty_writeback_centisecs

修改脏页存在的时间限制,从30s调整到10s

echo 1000 > /proc/sys/vm/dirty_expire_centisecs

效果描述:

从iostat信息来看,刷脏页的频率变高,每次刷的脏页数量变少。从上层应用程序来看,性能变得平稳。修改后每天超过1000ms的请求在200个左右。存在继续优化的空间。

l  增大提交UI与proxy和proxy与提交后端的读超时,从1000ms修改为3000ms。那么每天在提交后端两百多个超过1秒刷脏页的时间范围内,用户的提交会延迟而不会失败。

4.2  cm_proxy连接拒绝

当IO被阻塞期间,到达提交后端请求数超过连接队列长度,则拒绝连接。通过实验观察提交后端Backlog的最佳大小,目前操作系统参数上限为2048。根据实验结果,将提交后端Backlog大小调整为2048。

4.3  cm_proxy queue full

当proxy与提交后端交互失败期间,若前端请求过多,若proxy工作线程数不足或proxy连接提交后端连接池连接数不足时出现。根据实验结果和目前proxy压力状态(最大1000/s),将proxy线程数和提交后端连接池连接数修改为100。

总结

通过这次追查得出的经验是一个问题的出现可能有很多现象,有些可能是表面原因,修改对问题会有不少的改善,但只有真正找到引发问题的原因后,才能找到最恰当的解决办法。本文小结了网络交互失败追查的一些方向和方法,希望对大家有所帮助。

by  chenyuzhe

 

李萧明吐槽,别尼妹的没事就说网络问题,网络也是个妹纸好不,不要动不动就怪别人。妹纸哥会护着你的。

文章出自:CCIE那点事 http://www.jdccie.com/ 版权所有。本站文章除注明出处外,皆为作者原创文章,可自由引用,但请注明来源。 禁止全文转载。
本文链接:http://www.jdccie.com/?p=910转载请注明转自CCIE那点事
如果喜欢:点此订阅本站
  • 相关文章
  • 为您推荐
  • 各种观点

暂时还木有人评论,坐等沙发!
发表评论

您必须 [ 登录 ] 才能发表留言!