容器化 RDS：藉助火焰圖定位Kubernetes效能問題

容器化RDS系列文章：

藉助 CSI（Container Storage Interface），加上對 Kubenetes 核心程式碼的少量修改，可以 out-tree 的方式高效且低耦合的方式擴充套件 Kubenetes 儲存管理子模組。

如《 容器化 RDS：藉助 CSI 擴充套件 Kubernetes 儲存能力 》介紹，以 out-tree 方式新增 PVC 擴容（Resize）特性。

從可執行程式到可用程式設計產品，還需要設計結合業務需求的效能基準測試，並對發現的效能瓶頸進行優化。

經驗資料表明，相同功能的程式設計產品的成本，至少是已經過測試的程式的三倍。 ——人月神話

本文將分享效能基準測試的優化案例：

發現效能瓶頸
確定問題元件
藉助 CPU Profile 和 Flame Graph，快速縮小範圍，定位到問題 code-path
有針對的優化

| 發現效能瓶頸

測試用例：

批量建立100個讀寫模式為RWO，容量為1GiB 的 PVC

期望測試結果：

180秒內全部建立成功並無報錯

所有的程式設計人員都是樂觀主義者，畢竟在可能出現問題的地方，一定都會遇到問題，在耗時 3600 秒後，95% 的 PVC 處於 Pending 狀態，嚴格的說，在批量建立的場景，該功能不可用。

大量 PVC 處於 Pending 狀態

| 定位問題元件

由於涉及元件眾多：

kube-apiserver
kube-controller-manager
kubelet
external-provisioner
external-attacher
csi-driver
qcfs-csi-plugin

元件之間呼叫複雜，再加上無處不在的協程（goroutine），如果直接檢視日誌或是 debug code 定位問題，猶如大海撈針，更不要說定位效能瓶頸。所以，首要工作是先定位到問題元件。

在測試過程中，我們記錄了所有元件和系統的資源使用情況，運氣不佳，從 CPU 使用情況，記憶體使用情況，網路 I/O 和磁碟 I/O 來看都沒有異常資料。

通過梳理儲存管理相關元件的架構圖：

架構圖

以及業務流程的梳理，kube-controller-manager、external-provisioner 和 csi-driver 嫌疑較大。

通過 kubelet logs 檢視日誌，可以在 external-provisioner 中發現可疑日誌：

I0728 19:19:50.504069    1 request.go:480] Throttling request took 192.714335ms, request: POST:https://10.96.0.1:443/api/v1/namespaces/default/events
I0728 19:19:50.704033    1 request.go:480] Throttling request took 190.667675ms, request: POST:https://10.96.0.1:443/api/v1/namespaces/default/events

external-provisioner 訪問 kube-apiserver 觸發限流

external-provisioner 有重大嫌疑。

| 定位問題 code-path

我們可以立馬進入除錯環節：

閱讀 external-provisioner 程式碼，加入除錯日誌，理解邏輯
不斷縮小 code-path

步驟 1、2持續迭代，直到最終定位到問題函式，這是非常有效的辦法。

或者採用 CPU profile：

採集堆疊樣本
找到在取樣手氣內消耗 CPU 時間比率最高的函式，把該函式作為除錯的起點

相比上一種，更高效的縮小問題的範圍，節省更多的時間。

藉助模組“net/http/pprof”，對 external-provisioner 進行 60 秒的 CPU 取樣，可以獲得如下資訊：

生成堆疊使用百分比排序：

函式的呼叫關係以及取樣週期內 CPU 耗時百分比：

針對“net/http/pprof”稍微囉嗦幾句：

提供 CPU profile 和 Heap profile；
在取樣時獲得堆疊(幾乎所有)資訊, 以此為依據估算整個取樣週期內堆疊的CPU佔用百分比, 並不是 100% 準確；
取樣成本並不低，100赫茲既可以取樣夠用的堆疊資訊，又不會給應用程式帶來過大開銷；
CPU 取樣頻率預設為 100 赫茲，並硬編碼到模組中, 不建議調到 500 赫茲以上。

網上已經有大量的相關文章，這裡不贅述。

配合獲取的 CPU profile 資訊生成火焰圖（Flame Graph）：

這裡針對火焰圖再囉嗦下：

藉助第三方工具 go-torch 繪製
每個矩形代表一個堆疊，取樣時間內，CPU 佔用百分比越高 Y 軸越長，X 軸表明了堆疊之間的呼叫關係
從左到右按照字母表排序
顏色隨機選擇，無具體含義

網上已經有大量的相關文章，這裡不贅述。

可以發現函式 addClaim 和 lockProvisionClaimOperation 的 CPU 佔用比率達到 36.23%。

來自於 external-provisioner 呼叫的第三方模組 kubenetes-incubator/external-storage

所以，只要引用例如了模組 Kubenetes-incubator/external-storage 實現卷建立功能，都可以復現 api throttling。

再針對性的加入除錯日誌到 code-path 中，理解邏輯，很快可以確定問題：

在建立卷時，external-storage 需要訪問 API 資源（譬如 configmap、pvc、pv、event、secrets、storageclass 等），為減少 kube-apiserver 工作負荷，不建議直接訪問 kube-apiserver，而應該利用本地快取（由 informer cache 構建）。但 external-storage 恰好直接訪問 kube-apiserver。通過下圖可以看到，有18.84%的取樣時間在 list event，這是導致 api throttling 的原因。

進一步分析，之所以有大量的 list event 是因為 Leader Election 的 Lock 實現粒度太細導致鎖搶佔嚴重。生產環境中，一個元件會啟動多個例項，搶佔到 Leader Lock 的例項即為 Leader 並對外提供服務，其他例項以 Slave 模式執行，一旦 Leader 出現問題，Slave 發現 Leader Lock 在租期內沒有更新即可發起搶佔成為新的 Leader 並接管服務。這樣不僅提升了元件的可用性也避免了可能帶來的 data race 問題。所以可以理解成是一個元件例項一把鎖，並且只在 Leader 和 Slave 角色切換時才會重新選主，但 external-storage 原意為了提升併發度，執行多個例項同時為 Leader 提供服務，可以簡單理解成一個 PVC 一把鎖，100 PVC 就意味著多個例項要最少發生100次的 Lock 搶佔。

最終定位到問題原因：

Lock 的搶佔導致 api throttling，引發 Lock 搶佔 timeout，timeout 後搶佔重試，進一步惡化 api throttling。

從下圖可以進一步得到驗證，有 8.7% 的取樣時間在進行 Leader Election。

| 解決問題

一旦發現問題的根源，解決它反而是件不難的事情。後面針對該問題做了修復：

採用 sharedinformer cache
修改 Leader Lock 粒度

再次生成執行，可以發現函式 addClaim 和 lockProvisionClaimOperation 的 CPU 佔用百分比下降到 13.95%。

external-provisioner 日誌中的 throttling 關鍵字消失

100 PVC 的時間縮短到60秒以內全部建立成功，無任何報錯。

| 結語

對於終端使用者而言，互動的介面越來越簡單，但對於開發者而言，元件越來越多，編譯一次的時間越來越久，加上無處不在的併發，導致定位問題的難度越來越大，尤其是效能問題。所以，對體系架構的理解能幫我們快速鎖定問題元件，配合 Profile 工具和 Flame Graph 快速定位 code-path，再加上對業務邏輯的理解找到解決方案。

所有的程式設計人員都是樂觀主義者，無論是什麼樣的程式，結果是勿庸置疑的："這次它肯定會執行。" 或者 "我剛剛找出了最後一個問題。" ——人月神話

| 作者簡介

熊中哲·沃趣科技聯合創始人

曾就職於阿里巴巴和百度，超過10年關係型資料庫工作經驗，目前致力於將雲原生技術引入到關係型資料庫服務中。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/28218939/viewspace-2215126/，如需轉載，請註明出處，否則將追究法律責任。