這一次重啓真的無法解決問題了:一次 MySQL 主動關閉,導致服務出現大量 CLOSE_WAIT 的全流程排查過程。
近日遇到一個線上服務 socket 資源被不斷打滿的情況。通過各種工具分析線上問題,定位到問題代碼。這裏對該問題發現、修復過程進行一下覆盤總結。
先看兩張圖。一張圖是服務正常時監控到的 socket 狀態,另一張當然就是異常啦!
圖一:正常時監控
圖二:異常時監控
從圖中的表現情況來看,就是從 04:00 開始,socket 資源不斷上漲,每個谷底時重啓後恢復到正常值,然後繼續不斷上漲不釋放,而且每次達到峯值的間隔時間越來越短。
重啓後,排查了日誌,沒有看到 panic ,此時也就沒有進一步檢查,真的以爲重啓大法好。
情況說明
該服務使用Golang開發,已經上線正常運行將近一年,提供給其它服務調用,主要底層資源有DB/Redis/MQ。
爲了後續說明的方便,將服務的架構圖進行一下說明。
圖三:服務架構
架構是非常簡單。
問題出現在早上 08:20 左右開始的,報警收到該服務出現 504,此時第一反應是該服務長時間沒有重啓(快兩個月了),可能存在一些內存泄漏,沒有多想直接進行了重啓。也就是在圖二第一個谷底的時候,經過重啓服務恢復到正常水平(重啓真好用,開心)。
將近 14:00 的時候,再次被告警出現了 504 ,當時心中略感不對勁,但由於當天恰好有一場大型促銷活動,因此先立馬再次重啓服務。直到後續大概過了1小時後又開始告警,連續幾次重啓後,發現需要重啓的時間間隔越來越短。此時發現問題絕不簡單。這一次重啓真的解決不了問題老,因此立馬申請機器權限、開始排查問題。下面的截圖全部來源我的重現demo,與線上無關。
發現問題
出現問題後,首先要進行分析推斷、然後驗證、最後定位修改。根據當時的表現是分別進行了以下猜想。
ps:後續截圖全部來源自己本地復現時的截圖
推斷一
socket 資源被不斷打滿,並且之前從未出現過,今日突然出現,懷疑是不是請求量太大壓垮服務
經過查看實時 qps 後,放棄該想法,雖然量有增加,但依然在服務器承受範圍(遠遠未達到壓測的基準值)。
推斷二
兩臺機器故障是同時發生,重啓一臺,另外一臺也會得到緩解,作爲獨立部署在兩個集羣的服務非常詭異
有了上面的的依據,推出的結果是肯定是該服務依賴的底層資源除了問題,要不然不可能獨立集羣的服務同時出問題。
由於監控顯示是 socket 問題,因此通過 netstat 命令查看了當前tcp鏈接的情況(本地測試,線上實際值大的多)
/go/src/hello # netstat -na | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}'
LISTEN 2
CLOSE_WAIT 23 # 非常異常
TIME_WAIT 1
發現絕大部份的鏈接處於 CLOSE_WAIT 狀態,這是非常不可思議情況。然後用 netstat -an
命令進行了檢查。
圖四:大量的CLOSE_WAIT
CLOSED 表示socket連接沒被使用。
LISTENING 表示正在監聽進入的連接。
SYN_SENT 表示正在試着建立連接。
SYN_RECEIVED 進行連接初始同步。
ESTABLISHED 表示連接已被建立。
CLOSE_WAIT 表示遠程計算器關閉連接,正在等待socket連接的關閉。
FIN_WAIT_1 表示socket連接關閉,正在關閉連接。
CLOSING 先關閉本地socket連接,然後關閉遠程socket連接,最後等待確認信息。
LAST_ACK 遠程計算器關閉後,等待確認信號。
FIN_WAIT_2 socket連接關閉後,等待來自遠程計算器的關閉信號。
TIME_WAIT 連接關閉後,等待遠程計算器關閉重發。
然後開始重點思考爲什麼會出現大量的mysql連接是 CLOSE_WAIT 呢?爲了說清楚,我們來插播一點TCP的四次揮手知識。
TCP四次揮手
我們來看看 TCP 的四次揮手是怎麼樣的流程:
圖五:TCP四次揮手
用中文來描述下這個過程:
Client: 服務端大哥,我事情都幹完了,準備撤了
,這裏對應的就是客戶端發了一個FIN
Server:知道了,但是你等等我,我還要收收尾
,這裏對應的就是服務端收到 FIN 後迴應的 ACK
經過上面兩步之後,服務端就會處於 CLOSE_WAIT 狀態。過了一段時間 Server 收尾完了
Server:小弟,哥哥我做完了,撤吧
,服務端發送了FIN
Client:大哥,再見啊
,這裏是客戶端對服務端的一個 ACK
到此服務端就可以跑路了,但是客戶端還不行。爲什麼呢?客戶端還必須等待 2MSL 個時間,這裏爲什麼客戶端還不能直接跑路呢?主要是爲了防止發送出去的 ACK 服務端沒有收到,服務端重發 FIN 再次來詢問,如果客戶端發完就跑路了,那麼服務端重發的時候就沒人理他了。這個等待的時間長度也很講究。
Maximum Segment Lifetime 報文最大生存時間,它是任何報文在網絡上存在的最長時間,超過這個時間報文將被丟棄
這裏一定不要被圖裏的 client/server 和項目裏的客戶端服務器端混淆,你只要記住:主動關閉的一方發出 FIN 包(Client),被動關閉(Server)的一方響應 ACK 包,此時,被動關閉的一方就進入了 CLOSE_WAIT 狀態。如果一切正常,稍後被動關閉的一方也會發出 FIN 包,然後遷移到 LAST_ACK 狀態。
既然是這樣, TCP 抓包分析下:
/go # tcpdump -n port 3306
# 發生了 3次握手
11:38:15.679863 IP 172.18.0.5.38822 > 172.18.0.3.3306: Flags [S], seq 4065722321, win 29200, options [mss 1460,sackOK,TS val 2997352 ecr 0,nop,wscale 7], length 0
11:38:15.679923 IP 172.18.0.3.3306 > 172.18.0.5.38822: Flags [S.], seq 780487619, ack 4065722322, win 28960, options [mss 1460,sackOK,TS val 2997352 ecr 2997352,nop,wscale 7], length 0
11:38:15.679936 IP 172.18.0.5.38822 > 172.18.0.3.3306: Flags [.], ack 1, win 229, options [nop,nop,TS val 2997352 ecr 2997352], length 0
# mysql 主動斷開鏈接
11:38:45.693382 IP 172.18.0.3.3306 > 172.18.0.5.38822: Flags [F.], seq 123, ack 144, win 227, options [nop,nop,TS val 3000355 ecr 2997359], length 0 # MySQL負載均衡器發送fin包給我
11:38:45.740958 IP 172.18.0.5.38822 > 172.18.0.3.3306: Flags [.], ack 124, win 229, options [nop,nop,TS val 3000360 ecr 3000355], length 0 # 我回復ack給它
... ... # 本來還需要我發送fin給他,但是我沒有發,所以出現了close_wait。那這是什麼緣故呢?
src > dst: flags data-seqno ack window urgent options
src > dst 表明從源地址到目的地址
flags 是TCP包中的標誌信息,S 是SYN標誌, F(FIN), P(PUSH) , R(RST) “.”(沒有標記)
data-seqno 是數據包中的數據的順序號
ack 是下次期望的順序號
window 是接收緩存的窗口大小
urgent 表明數據包中是否有緊急指針
options 是選項
結合上面的信息,我用文字說明下:MySQL負載均衡器 給我的服務發送 FIN 包,我進行了響應,此時我進入了 CLOSE_WAIT 狀態,但是後續作爲被動關閉方的我,並沒有發送 FIN,導致我服務端一直處於 CLOSE_WAIT 狀態,無法最終進入 CLOSED 狀態。
那麼我推斷出現這種情況可能的原因有以下幾種:
-
負載均衡器 異常退出了,
這基本是不可能的,他出現問題絕對是大面積的服務報警,而不僅僅是我一個服務
-
MySQL負載均衡器 的超時設置的太短了,導致業務代碼還沒有處理完,MySQL負載均衡器 就關閉tcp連接了
這也不太可能,因爲這個服務並沒有什麼耗時操作,當然還是去檢查了負載均衡器的配置,設置的是60s。
-
代碼問題,MySQL 連接無法釋放
目前看起來應該是代碼質量問題,加之本次數據有異常,觸發到了以前某個沒有測試到的點,目前看起來很有可能是這個原因
查找錯誤原因
由於代碼的業務邏輯並不是我寫的,我擔心一時半會看不出來問題,所以直接使用 perf
把所有的調用關係使用火焰圖給繪製出來。既然上面我們推斷代碼中沒有釋放mysql連接。無非就是:
- 確實沒有調用close
- 有耗時操作(火焰圖可以非常明顯看到),導致超時了
- mysql的事務沒有正確處理,例如:rollback 或者 commit
由於火焰圖包含的內容太多,爲了讓大家看清楚,我把一些不必要的信息進行了摺疊。
圖六:有問題的火焰圖
火焰圖很明顯看到了開啓了事務,但是在餘下的部分,並沒有看到 Commit 或者是Rollback 操作。這肯定會操作問題。然後也清楚看到出現問題的是:
MainController.update 方法內部,話不多說,直接到 update 方法中去檢查。發現瞭如下代碼:
func (c *MainController) update() (flag bool) {
o := orm.NewOrm()
o.Using("default")
o.Begin()
nilMap := getMapNil()
if nilMap == nil {// 這裏只檢查了是否爲nil,並沒有進行rollback或者commit
return false
}
nilMap[10] = 1
nilMap[20] = 2
if nilMap == nil && len(nilMap) == 0 {
o.Rollback()
return false
}
sql := "update tb_user set name=%s where id=%d"
res, err := o.Raw(sql, "Bug", 2).Exec()
if err == nil {
num, _ := res.RowsAffected()
fmt.Println("mysql row affected nums: ", num)
o.Commit()
return true
}
o.Rollback()
return false
}
至此,全部分析結束。經過查看 getMapNil 返回了nil,但是下面的判斷條件沒有進行回滾。
if nilMap == nil {
o.Rollback()// 這裏進行回滾
return false
}
總結
整個分析過程還是廢了不少時間。最主要的是主觀意識太強,覺得運行了一年沒有出問題的爲什麼會突然出問題?因此一開始是質疑 SRE、DBA、各種基礎設施出了問題(人總是先懷疑別人)。導致在這上面費了不少時間。
理一下正確的分析思路:
- 出現問題後,立馬應該檢查日誌,確實日誌沒有發現問題;
- 監控明確顯示了socket不斷增長,很明確立馬應該使用
netstat
檢查情況看看是哪個進程的鍋; - 根據
netstat
的檢查,使用tcpdump
抓包分析一下爲什麼連接會被動斷開(TCP知識非常重要); - 如果熟悉代碼應該直接去檢查業務代碼,如果不熟悉則可以使用
perf
把代碼的調用鏈路打印出來; - 不論是分析代碼還是火焰圖,到此應該能夠很快定位到問題。
那麼本次到底是爲什麼會出現 CLOSE_WAIT 呢?大部分同學應該已經明白了,我這裏再簡單說明一下:
由於那一行代碼沒有對事務進行回滾,導致服務端沒有主動發起close。因此 MySQL負載均衡器 在達到 60s 的時候主動觸發了close操作,但是通過tcp抓包發現,服務端並沒有進行迴應,這是因爲代碼中的事務沒有處理,因此從而導致大量的端口、連接資源被佔用。在貼一下揮手時的抓包數據:
# mysql 主動斷開鏈接
11:38:45.693382 IP 172.18.0.3.3306 > 172.18.0.5.38822: Flags [F.], seq 123, ack 144, win 227, options [nop,nop,TS val 3000355 ecr 2997359], length 0 # MySQL負載均衡器發送fin包給我
11:38:45.740958 IP 172.18.0.5.38822 > 172.18.0.3.3306: Flags [.], ack 124, win 229, options [nop,nop,TS val 3000360 ecr 3000355], length 0 # 我回復ack給它
希望此文對大家排查線上問題有所幫助。爲了便於幫助大家理解,下面附上正確情況下的火焰圖與錯誤情況下的火焰圖。大家可以自行對比。
我參考的一篇文章對這種情況提出了兩個思考題,我覺得非常有意義,大家自己思考下:
- 爲什麼一臺機器幾百個 CLOSE_WAIT 就導致不可繼續訪問?我們不是經常說一臺機器有 65535 個文件描述符可用嗎?
- 爲什麼我有負載均衡,而兩臺部署服務的機器確幾乎同時出了 CLOSE_WAIT ?
參考文章: