解Bug之路-記一次呼叫外網服務概率性失敗問題的排查
前言
和外部聯調一直是令人困擾的問題，尤其是一些基礎環境配置導致的問題。筆者在一次偶然情況下解決了一個呼叫外網服務概率性失敗的問題。在此將排查過程發出來，希望讀者遇到此問題的時候，能夠知道如何入手。
起因
筆者的新系統上線，需要PE執行操作。但是負責操作的PE確和另一個開發在互相糾纏，讓筆者等了半個小時之久。本著加速系統上線的想法，就想著能不能幫他們快速處理掉問題，好讓筆者早點發完回去coding。一打聽，這個問題竟然扯了3個月之久，問題現象如下:
每個client都會以將近1/2的概率失敗,而且報錯都為:
java.net.SocketTimeoutException: Read timed out
著手排查
和appserver開發以及對應的PE交流發現，appserver和nginx之間是短連線，由於是socketTimeOutException,於是能夠排除appserver和nginx建立連線之間的問題。去nginx上排查日誌，發現一個奇異的現象，如下圖所示:
所有的appserver都是呼叫一臺nginx一直成功，而呼叫另一臺nginx大概率失敗。而兩臺nginx機器的配置一模一樣，還有一個奇怪的點是,只有在呼叫出問題的對端伺服器時才會失敗，其它業務沒有任何影響,如下圖所示:
由於這兩個詭異的現象導致開發和PE爭執不下，按照第一個現象一臺nginx好一臺nginx報錯那麼第二臺nginx有問題是合理的推斷,所以開發要求換nginx。按照第二個現象,只有呼叫這個業務才會出錯，其它業務沒有問題，那麼肯定是對端業務伺服器的問題,PE覺得應該不是nginx的鍋。爭執了半天后，初步擬定方案就是擴容nginx看看效果-_-!筆者覺得這個方案並不靠譜，盲目的擴容可能會引起反效果。還是先抓包看看情況吧。
抓包
其實筆者覺得nginx作為這麼通用的元件不應該出現問題，問題應該出現在對端伺服器上。而根據對端開發反應，他自己curl沒問題，並現場在他自己的伺服器上做了N次curl也沒有任何問題(由於這個問題僵持不下，他被派到我們公司來協助排查)。於是找網工在防火牆外抓包,抓包結果如下:
| 時間點 | 源ip | 目的ip | 協議 | info |
|---|---|---|---|---|
| 2019-07-25 16:45:41 | 20.1.1.1 | 30.1.1.1 | tcp | 58850->443[SYN] |
| 2019-07-25 16:45:42 | 20.1.1.1 | 30.1.1.1 | tcp | [TCP Retransmission]58850->443[SYN] |
| 2019-07-25 16:45:44 | 20.1.1.1 | 30.1.1.1 | tcp | [TCP Retransmission]58850->443[SYN] |
由於appserver端設定的ReadTimeOut超時時間是3s,所以在2次syn重傳後，對端就已經報錯。如下圖所示:
(注:nginx所在linux伺服器設定的tcp_syn_retries是2)
抓包結果分析
從抓包得出的資料來看，第二臺nginx傳送syn包給對端服務,對端服務沒有任何響應，導致了nginx2建立連線超時，進而導致了appserver端的ReadTimeOut超時(appserver對nginx是短連線)。
按照正常推論，應該是防火牆外到對端服務的SYN丟失了。而阿里雲作為一個非常穩定的服務商，應該不可能出現如此大概率的丟失現象。而從對端伺服器用的是非常成熟的SpringBoot來看，也不應該出現這種bug。那麼最有可能的就是對端伺服器本身的設定有問題。
登陸對端伺服器進行排查
由於對方的開發來到了現場，於是筆者就直接用他的電腦登入了服務所在的阿里雲伺服器。首先看了下dmesg,如下圖所示，有一堆報錯:
dmesg:
__ratelimit: 33491 callbacks suppressed
TCP: time wait bucket table overflow
TCP: time wait bucket table overflow
TCP: time wait bucket table overflow
......
感覺有點關聯，但是僅靠這個資訊無法定位問題。緊接著，筆者執行了下netstat -s:
netstat -s
......
16990 passive connections rejected because of time stamp
......
這條命令給出了非常關鍵的資訊,翻譯過來就是有16990個被動連線由於時間戳(time stamp)而拒絕！查了下資料發現這是由於設定了
tcp_timestamps == 1 && tcp_tw_recycle == 1
在NAT情況下將會導致這個被動拒絕連線的問題。而為解決上面的dmesg日誌,網上給出的解決方案就是設定tcp_tw_recycle=1而tcp_timestamps預設就是1,同時我們的客戶端呼叫也是從NAT出去的，符合了這個問題的所有特徵。
於是筆者嘗試著將他們的tcp_timestamps設為0，
echo '0' > /proc/sys/net/ipv4/tcp_timestamps
or
echo '0' > /proc/sys/net/ipv4/tcp_tw_recycle
又做了幾十次呼叫，再也沒有任何報錯了！
linux原始碼分析
問題雖然解決了，但是筆者想從原始碼層面看一看這個問題到底是怎麼回事，於是就開始研究對應的原始碼(基於linux-2.6.32原始碼)。
由於問題是發生在nginx與對端伺服器第一次握手(即傳送第一個syn)的時候，於是我們主要跟蹤下這一處的相關原始碼:
// 三次握手第一個SYN kernel走的分支
tcp_v4_do_rcv
|->tcp_v4_hnd_req
|->tcp_rcv_state_process
/** case TCP_LISTEN && th->syn */
|->conn_request(tcp_v4_conn_request)
關於tcp_timestamps的程式碼就在tcp_v4_conn_request裡面,我們繼續追蹤(以下程式碼忽略了其它不必要的邏輯):
int tcp_v4_conn_request(struct sock *sk, struct sk_buff *skb)
{
......
/* VJ's idea. We save last timestamp seen
* from the destination in peer table, when entering
* state TIME-WAIT, and check against it before
* accepting new connection request.
* 註釋大意為:
* 我們在進入TIME_WAIT狀態的時候將最後的時間戳記錄到peer tables中，
* 然後在新的連線請求進來的時候檢查這個時間戳
*/
// 在tcp_timestamps和tcp_tw_recycle開啟的情況下
if (tmp_opt.saw_tstamp &&
tcp_death_row.sysctl_tw_recycle &&
(dst = inet_csk_route_req(sk, req)) != NULL &&
(peer = rt_get_peer((struct rtable *)dst)) != NULL &&
peer->v4daddr == saddr) {
/** TCP_PAWS_MSL== 60 */
/** TCP_PAWS_WINDOW ==1 */
// 以下都是針對同一個對端ip
// tcp_ts_stamp 對端ip的連線進入time_wait狀態後記錄的本機時間戳
// 當前時間在上一次進入time_wait記錄的實際戳後的一分鐘之內
if (get_seconds() < peer->tcp_ts_stamp + TCP_PAWS_MSL &&
// tcp_ts 最近接收的那個資料包的時間戳(對端帶過來的)
// 對端當前請求帶過來的時間戳小於上次記錄的進入time_wait狀態後記錄的對端時間戳
(s32)(peer->tcp_ts - req->ts_recent) >
TCP_PAWS_WINDOW) {
// 增加被動連線拒絕的統計資訊
NET_INC_STATS_BH(sock_net(sk), LINUX_MIB_PAWSPASSIVEREJECTED);
// 進入丟棄和釋放階段
goto drop_and_release;
}
}
......
}
上述程式碼的核心意思即是在tcp_timestamps和tcp_tw_recycle開啟的情況下，同樣ip的連線，在上個連線進入time_wait狀態的一分鐘內，如果有新的連線進來，而且新的連線的時間戳小於上個進入time_wait狀態的最後一個包的時間戳，則將這個syn丟棄，進入drop_and_release。我們繼續跟蹤drop_and_release:
int tcp_v4_conn_request(struct sock *sk, struct sk_buff *skb){
......
drop_and_release:
dst_release(dst);
drop_and_free:
reqsk_free(req);
drop:
return 0;
}
我們繼續看下如果tcp_v4_conn_request返回0的話，系統是什麼表現:
int tcp_rcv_state_process(struct sock *sk, struct sk_buff *skb,
struct tcphdr *th, unsigned len)
{
......
// 由於tcp_v4_conn_request所以不走下列分枝
if (icsk->icsk_af_ops->conn_request(sk, skb) < 0)
return 1
// 所以此處也返回0
kfree_skb(skb);
return 0;
}
// 再跳回tcp_v4_do_rcv
int tcp_v4_do_rcv(struct sock *sk, struct sk_buff *skb)
{
// 由於tcp_rcv_state_process這邊返回的是0，所以不走reset的邏輯
if (tcp_rcv_state_process(sk, skb, tcp_hdr(skb), skb->len)) {
rsk = sk;
goto reset;
}
// 走到這邊之後，不傳送reset包，不給對端任何響應
TCP_CHECK_TIMER(sk);
return 0;
}
從原始碼的跟蹤可以看出，出現此種情況直接丟棄對應的syn包，對端無法獲得任何響應從而進行syn重傳，這點和抓包結果一致。
和問題表象一一驗證
為什麼會出現一臺nginx一直okay，一臺nginx失敗的情況
由於tcp的時間戳是指的並不是當前本機用date命令給出的時間戳。這個時間戳的計算規則就在這裡不展開了，只需要知道每臺機器的時間戳都不相同即可(而且相差可能極大)。由於我們呼叫對端採用的是NAT，所以兩臺nginx在對端伺服器看來是同一個ip,那麼這兩臺的時間戳傳送到對端伺服器的時候就會混亂。nginx1的時間戳比nginx2的時間戳大,所以在一分鐘之內，只要出現nginx1的連線請求(短連線)，那麼之後的nginx2的連線請求就會一直被丟棄。如下圖所示:
為什麼對端自測一直正常
因為本機呼叫本機的時時間戳是一臺機器(本機)上的，所以不會出現混亂。
為什麼nginx2呼叫其它服務是正常的
因為其它外部服務所在伺服器並沒有開啟tcp_tw_recycle。這個問題事實上將tcp_tw_recycle置為0也可以解決。另外，高版本的linux核心已經去掉了tcp_tw_recycle這個引數。
總結
由於當前ip地址緊缺和DNS報文大小的限制(512位元組),大部分網路架構都是採用NAT的方式去和外部互動，所以設定了tcp_tw_recycle為1基本都會出現問題。一般這種問題需要對tcp協議有一定的瞭解才能夠順藤摸瓜找到最終的根源。
公眾號
關注筆者公眾號，獲取更多幹貨文章:
