此次排查发生在 2020-11 月份，一直没时间写博客描述事情经过，本次正好一起写了吧。
具体现象
在线上环境中的某个应用出现了接口缓慢的问题!
就凭这个现象，能列出来的原因数不胜数。本篇博客主要叙述一下几次排查以及最后如何确定原因的过程，可能不一定适用于其他集群，就当是提供一个参考吧。排查过程比较冗长，过去太久了，我也不太可能回忆出所有细节，希望大家见谅。
网络拓扑结构
网络请求流入集群时，对于我们集群的结构：
- 用户请求=> Nginx => Ingress => uwsgi
不要问为什么有了 Ingress 还有 Nginx，这是历史原因，有些工作暂时需要由 Nginx 承担。
初次定位
请求变慢一般马上就会考虑，程序是不是变慢了，所以在发现问题后，首先在 uwsgi 中增加简单的小接口，这个接口是处理快并且马上返回数据，然后定时请求该接口。在运行几天之后，确认到该接口的访问速度也很慢，排除程序中的问题，准备在链路中查找原因。
再次定位 – 简单的全链路数据统计
由于我们的 Nginx 有 2 层，需要针对它们分别确认，看看究竟是哪一层慢了。请求量是比较大的，如果针对每个请求去查看，效率不高，而且有可能掩盖真正原因，所以这个过程采用统计的方式。统计的方式是分别查看两层 Nginx 的日志情况。由于我们已经在 ELK 上接入了日志，ELK 中筛选数据的脚本简单如下：
- {
- "bool": {
- "must": [
- {
- "match_all": {}
- },
- {
- "match_phrase": {
- "app_name": {
- "query": "xxxx"
- }
- }
- },
- {
- "match_phrase": {
- "path": {
- "query": "/app/v1/user/ping"
- }
- }
- },
- {
- "range": {
- "request_time": {
- "gte": 1,
- "lt": 10
- }
- }
- },
- {
- "range": {
- "@timestamp": {
- "gt": "2020-11-09 00:00:00",
- "lte": "2020-11-12 00:00:00",
- "format": "yyyy-MM-dd HH:mm:ss",
- "time_zone": "+08:00"
- }
- }
- }
- ]
- }
- }
数据处理方案
根据 trace_id 可以获取到 Nignx 日志以及 Ingress 日志，通过 ELK 的 API 获得。
- # 这个数据结构用来记录统计结果，
- # [[0, 0.1], 3]表示落在 0~0.1 区间的有 3 条记录
- # 因为小数的比较和区间比较麻烦，所以采用整数，这里的 0~35 其实是 0~3.5s 区间
- # ingress_cal_map = [
- # [[0, 0.1], 0],
- # [[0.1, 0.2], 0],
- # [[0.2, 0.3], 0],
- # [[0.3, 0.4], 0],
- # [[0.4, 0.5], 0],
- # [[0.5, 1], 0],
- # ]
- ingress_cal_map = []
- for x in range(0, 35, 1):
- ingress_cal_map.append(
- [[x, (x+1)], 0]
- )
- nginx_cal_map = copy.deepcopy(ingress_cal_map)
- nginx_ingress_gap = copy.deepcopy(ingress_cal_map)
- ingress_upstream_gap = copy.deepcopy(ingress_cal_map)
- def trace_statisics():
- trace_ids = []
- # 这里的 trace_id 是提前查找过，那些响应时间比较久的请求所对应的 trace_id
- with open(trace_id_file) as f:
- data = f.readlines()
- for d in data:
- trace_ids.append(d.strip())
- cnt = 0
- for trace_id in trace_ids:
- try:
- access_data, ingress_data = get_igor_trace(trace_id)
- except TypeError as e:
- # 继续尝试一次
- try:
- access_data, ingress_data = get_igor_trace.force_refresh(trace_id)
- except TypeError as e:
- print("Can't process trace {}: {}".format(trace_id, e))
- continue
- if access_data['path'] != "/app/v1/user/ping": # 过滤脏数据
- continue
- if 'request_time' not in ingress_data:
- continue
- def get_int_num(data): # 数据统一做 *10 处理
- return int(float(data) * 10)
- # 针对每个区间段进行数据统计，可能有点罗嗦和重复，我当时做统计够用了
- ingress_req_time = get_int_num(ingress_data['request_time'])
- ingress_upstream_time = get_int_num(ingress_data['upstream_response_time'])
- for cal in ingress_cal_map:
- if ingress_req_time >= cal[0][0] and ingress_req_time < cal[0][1]:
- cal[1] += 1
- break
- nginx_req_time = get_int_num(access_data['request_time'])
- for cal in nginx_cal_map:
- if nginx_req_time >= cal[0][0] and nginx_req_time < cal[0][1]:
- cal[1] += 1
- break
- gap = nginx_req_time - ingress_req_time
- for cal in nginx_ingress_gap:
- if gap >= cal[0][0] and gap <= cal[0][1]:
- cal[1] += 1
- break
- gap = ingress_req_time - ingress_upstream_time
- for cal in ingress_upstream_gap:
- if gap >= cal[0][0] and gap <= cal[0][1]:
- cal[1] += 1
- break
我分别针对 request_time(Nginx)，request_time(Ingress)以及 requet_time(nginx) - request_time(Ingress)做了统计。
最后的统计结果大概如下：
结果分析
我们总共有约 3000 条数据!
图一：超过半数的请求落在 1 ~ 1.1s 区间，1s ~ 2s 的请求比较均匀，之后越来越少了。
图二：大约 1/4 的请求其实已经在 0.1s 内返回了，但是 1 ~ 1.1s 也有 1/4 的请求落上去了，随后的结果与图一类似。
从图 1 图 2 结合来看，部分请求在 Ingress 侧处理的时间其实比较短的。
图三：比较明显了，2/3 的请求在响应时间方面能够保持一致，1/3 的请求会有 1s 左右的延迟。
小结
从统计结果来看，Nginx => Ingress 以及 Ingress => upstream，都存在不同程度的延迟，超过 1s 的应用，大约有 2/3 的延迟来自 Ingress => upstream，1/3 的延迟来自 Nginx => Ingress。
再深入调查 - 抓包处理
抓包调查主要针对 Ingress => uwsgi，由于数据包延迟的情况只是偶发性现象，所以需要抓取所有的数据包再进行过滤……这是一条请求时间较长的数据，本身这个接口返回应该很快。
- {
- "_source": {
- "INDEX": "51",
- "path": "/app/v1/media/",
- "referer": "",
- "user_agent": "okhttp/4.8.1",
- "upstream_connect_time": "1.288",
- "upstream_response_time": "1.400",
- "TIMESTAMP": "1605776490465",
- "request": "POST /app/v1/media/ HTTP/1.0",
- "status": "200",
- "proxy_upstream_name": "default-prod-XXX-80",
- "response_size": "68",
- "client_ip": "XXXXX",
- "upstream_addr": "172.32.18.194:6000",
- "request_size": "1661",
- "@source": "XXXX",
- "domain": "XXX",
- "upstream_status": "200",
- "@version": "1",
- "request_time": "1.403",
- "protocol": "HTTP/1.0",
- "tags": ["_dateparsefailure"],
- "@timestamp": "2020-11-19T09:01:29.000Z",
- "request_method": "POST",
- "trace_id": "87bad3cf9d184df0:87bad3cf9d184df0:0:1"
- }
- }
Ingress 侧数据包
uwsgi 侧数据包
数据包流转情况
回顾一下 TCP 三次握手：
首先从 Ingress 侧查看，连接在 21.585446 开始，22.588023 时，进行了数据包重新发送的操作。
从 Node 侧查看，Node 在 Ingress 数据包发出后不久马上就收到了 syn，也立刻进行了 syn 的返回，但是不知为何 1s 后才出现在 Ingress 处。
有一点比较令人在意，即便是数据包发生了重传，但是也没有出现丢包的问题，从两台机器数据包的流转来看，此次请求中，大部分的时间是因为数据包的延迟到达造成的，重传只是表面现象，真正的问题是发生了数据包的延迟。
不止是 ACK 数据包发生了延迟
从随机抓包的情况来看，不止是 SYN ACK 发生了重传：
有些 FIN ACK 也会，数据包的延迟是有概率的行为!
小结
单单看这个抓包可能只能确认是发生了丢包，但是如果结合 Ingress 与 Nginx 的日志请求来看，如果丢包发生在 TCP 连接阶段，那么在 Ingress 中，我们就可以查看 upstream_connect_time 这个值来大致估计下超时情况。当时是这么整理的记录：
我初步猜测这部分时间主要消耗在了 TCP 连接建立时，因为建立连接的操作在两次 Nginx 转发时都存在，而我们的链路全部使用了短连接，下一步我准备增加 $upstream_connect_time 变量，记录建立连接花费的时间。http://nginx.org/en/docs/http/ ... .html
后续工作
既然可以了解到 TCP 连接的建立时间比较久，我们可以用它来作为一个衡量指标，我把 wrk 也修改了下，增加了对于连接时间的测量，具体的PR见这里，我们可以利用这一项指标衡量后端的服务情况。
寻找大佬，看看是否遇到类似问题
上面的工作前前后后我进行了几次，也没有什么头绪，遂找到公司的其他 Kubernetes 大佬咨询问题，大佬提供了一个思路：
宿主机延迟也高的话，那就暂时排除宿主机到容器这条路径。我们这边此前排查过一个延迟问题， 是由于 Kubernetes 的监控工具定期 cat proc 系统下的 cgroup 统计信息， 但由于 Docker 频繁销毁重建以及内核 cache 机制，使得每次 cat 时间很长占用内核导致网络延迟， 可否排查一下你们的宿主机是否有类似情形? 不一定是 cgroup，其他需要频繁陷入到内核的操作都可能导致延迟很高。
这个跟我们排查的 cgroup 太像了，宿主机上有一些周期性任务，随着执行次数增多，占用的内核资源越来越多，达到一定程度就影响了网络延迟。
大佬们也提供了一个内核检查工具(可以追踪和定位中断或者软中断关闭的时间)：https://github.com/bytedance/trace-irqoff
有问题的 Ingress 机器的 latency 特别多，好多都是这样的报错，其他机器没有这个日志：
而后，我针对机器中的 kubelet 进行了一次追踪，从火焰图中可以确认，大量的时间耗费在了读取内核信息中。
其中具体的代码如下：
小结
根据大佬所给的方向，基本能够确定问题发生的真正原因：机器上定时任务的执行过多，内核缓存一直增加，导致内核速度变慢了。它一变慢，引发了 TCP 握手时间变长，最后造成用户体验下降。既然发现了问题，解决方案也比较容易搜索到了，增加任务，检查内核是否变慢，慢了的话就清理一次：
sync && echo 3 > /proc/sys/vm/drop_caches
总结
这次的排查过程是由于应用层出现了影响用户体验的问题后，进一步延伸到了网络层，其中经历了漫长的抓包过程，也增加了自己的脚本用于指标衡量，随后又通过内核工具定位到了具体应用，最后再根据应用的 pprof 工具制作出的火焰图定位到了更加精确的异常位置，期间自己一个人没法处理问题，遂请其他大佬来帮忙，大佬们见多识广，可以给出一些可能性的猜想，还是很有帮助的。
当你发现某台机器无论做什么都慢，而 CPU 和内核却不是瓶颈的时候，那有可能是内核慢了。
希望本文能对大家未来排查集群问题时有所帮助。
