一次內核問題引起的 Kubernetes 節點故障解決紀實
1 具體現象
在線上環境中的某個應用出現了接口緩慢的問題!!
就憑這個現象, 能列出來的原因數不勝數. 本篇博客主要敘述一下幾次排查以及最后如何確定原因的過程, 可能不一定適用于其他集群, 就當是提供一個參考吧. 排查過程比較冗長, 過去太久了, 我也不太可能回憶出所有細節, 希望大家見諒.
2 網絡拓撲結構
網絡請求流入集群時, 對于我們集群的結構:
- 用戶請求=>Nginx=>Ingress =>uwsgi
不要問為什么有了 Ingress 還有 Nginx. 這是歷史原因, 有些工作暫時需要由 Nginx 承擔.
3 初次定位
請求變慢一般馬上就會考慮, 程序是不是變慢了, 所以在發現問題后, 首先在 uwsgi 中增加 簡單的小接口, 這個接口是處理快并且馬上返回數據, 然后定時請求該接口. 在運行幾天之后, 確認到該接口的訪問速度也很慢, 排除程序中的問題, 準備在鏈路中查找原因.
4 再次定位 – 簡單的全鏈路數據統計
由于我們的 Nginx 有 2 層, 需要針對它們分別確認, 看看究竟是哪一層慢了. 請求量是比較大的, 如果針對每個請求去查看, 效率不高, 而且有可能掩蓋真正原因, 所以這個過程采用統計的方式. 統計的方式是分別查看兩層 Nginx 的日志情況. 由于我們已經在 elk 上接入了日志. elk 中篩選數據的腳本簡單如下:
- {
- "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"
- }
- }
- }
- ]
- }
- }
數據處理方案
根據 trace_id 可以獲取到 Nignx 日志以及 Ingress 日志, 通過 elk 的 api 獲得.
- # 這個數據結構用來記錄統計結果,
- # [[0, 0.1], 3]表示 落在 0~0.1區間的有3條記錄
- # 因為小數的比較和區間比較麻煩, 所以采用整數, 這里的0~35其實是0~3.5s區間
- # 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 = []
- # 這里的trace_id是提前查找過, 那些響應時間比較久的請求所對應的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:
- # 繼續嘗試一次
- 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": # 過濾臟數據
- continue
- if 'request_time' not in ingress_data:
- continue
- def get_int_num(data): # 數據統一做*10處理
- return int(float(data) * 10)
- # 針對每個區間段進行數據統計, 可能有點羅嗦和重復, 我當時做統計夠用了
- 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
我分別針對 request_time(nginx) , request_time(ingress) , 以及 requet_time(nginx) - request_time(ingress) ,做了統計.
最后的統計結果大概如下:
結果分析
我們總共有約 3000 條數據!
- 圖一: 超過半數的請求落在 1 1.1s 區間, 1s 2s 的請求比較均勻, 之后越來越少了.
- 圖二: 大約 1/4 的請求其實已經在 0.1s 內返回了, 但是 1~1.1s 也有 1/4 的請求落上去了, 隨后的結果與圖一類似.
從圖 1 圖 2 結合來看, 部分請求在 Ingress 側處理的時間其實比較短的,
- 圖三: 比較明顯了, 2/3 的請求在響應時間方面能夠保持一致, 1/3 的請求會有 1s 左右的延遲.
總結
從統計結果來看, Nginx => Ingress 以及 Ingress => upstream, 都存在不同程度的延遲, 超過 1s 的應用, 大約有 2/3 的延遲來自 Ingress=>upstream, 1/3 的延遲來自 Nginx=>Ingress.
5 再深入調查 - 抓包處理
抓包調查主要針對 Ingress=>uwsgi , 由于數據包延遲的情況只是偶發性現象, 所以需要抓取所有的數據包再進行過濾… 這是一條請求時間較長的數據, 本身這個接口返回應該很快.
- {
- "_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側數據包
uwsgi側數據包
數據包流轉情況
回顧一下TCP三次握手:
首先從Ingress側查看, 連接在21.585446開始, 22.588023時, 進行了數據包重新發送的操作。
從Node側查看, node在ingress數據包發出后不久馬上就收到了syn, 也立刻進行了syn的返回, 但是不知為何1s后才出現在ingress處。
有一點比較令人在意, 即便是數據包發生了重傳, 但是也沒有出現丟包的問題, 從兩臺機器數據包的流轉來看, 此次請求中, 大部分的時間是因為數據包的延遲到達造成的, 重傳只是表面現象, 真正的問題是發生了數據包的延遲.
不止是ack數據包發生了延遲
從隨機抓包的情況來看, 不止是 SYN ACK 發生了重傳:
有些 FIN ACK 也會, 數據包的延遲是有概率的行為!!!
總結
單單看這個抓包可能只能確認是發生了丟包, 但是如果結合Ingress與Nginx的日志請求來看, 如果丟包發生在tcp連接階段, 那么在Ingress中, 我們就可以查看 upstream_connect_time 這個值來大致估計下超時情況. 當時是這么整理的記錄:
我初步猜測這部分時間主要消耗在了 TCP 連接建立時, 因為建立連接的操作在兩次 Nginx 轉發時都存在, 而我們的鏈路全部使用了短連接, 下一步我準備增加 $upstream_connect_time 變量, 記錄建立連接花費的時間. http://nginx.org/en/docs/http/ngx_http_upstream_module.html
后續工作
既然可以了解到tcp連接的建立時間比較久, 我們可以用它來作為一個衡量指標, 我把wrk也修改了下, 增加了對于連接時間的測量, 具體的PR見這里(https://github.com/wg/wrk/pull/447), 我們可以利用這一項指標衡量后端的服務情況.
6 尋找大佬, 看看是否遇到類似問題
上面的工作前前后后我進行了幾次, 也沒有什么頭緒, 遂找到公司的其他K8S大佬咨詢問題, 大佬提供了一個思路:
宿主機延遲也高的話，那就暫時排除宿主機到容器這條路徑。我們這邊此前排查過一個延遲問題， 是由于 k8s 的監控工具定期 cat proc 系統下的 cgroup 統計信息， 但由于 docker 頻繁銷毀重建以及內核 cache 機制，使得每次 cat 時間很長占用內核導致網絡延遲， 可否排查一下你們的宿主機是否有類似情形?不一定是 cgroup，其他需要頻繁陷入到內核的操作都可能導致延遲很高
這個跟我們排查的 cgroup 太像了，宿主機上有一些周期性任務，隨著執行次數增多，占用的內核資源越來越多，達到一定程度就影響了網絡延遲
大佬們也提供了一個內核檢查工具(可以追蹤和定位中斷或者軟中斷關閉的時間):
https://github.com/bytedance/trace-irqoff
有問題的ingress機器 的latency特別多，好多都是這樣的報錯， 其他機器沒有這個日志:
而后, 我針對機器中的kubelet進行了一次追蹤, 從火焰圖中可以確認, 大量的時間耗費在了讀取內核信息中。
其中具體的代碼如下:
總結
根據大佬所給的方向, 基本能夠確定問題發生的真正原因: 機器上定時任務的執行過多, 內核緩存一直增加, 導致內核速度變慢了. 它一變慢, 引發了tcp握手時間變長, 最后造成用戶體驗下降. 既然發現了問題, 解決方案也比較容易搜索到了, 增加任務, 檢查內核是否變慢, 慢了的話就清理一次:
- sync && echo 3 > /proc/sys/vm/drop_caches
7 總結
這次的排查過程是由于應用層出現了影響用戶體驗的問題后, 進一步延伸到了網絡層, 其中經歷了漫長的抓包過程, 也增加了自己的腳本用于指標衡量, 隨后又通過內核工具定位到了具體應用, 最后再根據應用的 pprof 工具制作出的火焰圖定位到了更加精確的異常位置, 期間自己一個人沒法處理問題, 遂請其他大佬來幫忙, 大佬們見多識廣, 可以給出一些可能性的猜想, 還是很有幫助的.
當你發現某臺機器無論做什么都慢, 而cpu和內核卻不是瓶頸的時候, 那有可能是內核慢了.
希望本文能對大家未來排查集群問題時有所幫助.
本文轉載自：「k8s技術圈」，原文：https://tinyurl.com/y5wx3m5x，版權歸原作者所有。
