李樂
問題引入
2020-12-25日晚，突然接收到少量錯誤日誌報警『failed to dial server: dial tcp xxxx:yy: i/o timeout』。原來是微服務客戶端請求服務端，連線失敗。
簡單介紹下服務現狀：我們的服務部署在k8s環境，微服務框架我們使用的是smallnest/rpcx，註冊中心基於zookeeper，鏈路如下圖所示：
- 第一步：這些連線超時的pod（一個pod相當於一臺虛擬機器）是有什麼異常嗎？根據連線超時的IP地址查詢對應的pod，發現沒有一個pod是這個IP地址；那這個IP地址是從哪來的呢？難道是在某個隱祕的角落啟動的？
- 第二步：連線註冊中心，檢視該服務註冊的IP列表，發現也不存在上面超時的IP地址。
- 進一步：這個異常IP地址，k8s環境歷史確實分配過；猜測服務端重啟後，IP地址變了，但是客戶端卻沒有更新IP列表，導致還請求老的IP地址。
另外，錯誤日誌只集中在一個pod，即只有一個pod沒有更新服務端的IP列表。初步猜測可能有兩種原因：1）這個客戶端與zookeeper之間連線存在異常，所以zookeeper無法通知資料變更；2）服務發現框架存在程式碼異常，且只在某些場景觸發，導致無法更新本地IP列表，或者是沒有watch資料變更。
針對第一種猜測，很簡單登入到該異常pod，檢視與zookeeper之間的連線即可：
# netstat -anp | grep 2181
tcp 0 0 xxxx:51970 yyyy:2181 ESTABLISHED 9/xxxx
tcp 0 0 xxxx:40510 yyyy:2181 ESTABLISHED 9/xxxx可以看到存在兩條正常的TCP連線，為什麼是兩條呢？因為該程式不止作為客戶端訪問其他服務，還作為服務端供其他客戶端呼叫，其中一條連線是用來註冊服務，另外一條連線用來發現服務。tcpdump抓包看看這兩條連線的資料互動：
23:01:58.363413 IP xxxx.51970 > yyyy.2181: Flag [P.], seq 2951753839:2951753851, ack 453590484, win 356, length 12
23:01:58.363780 IP yyyy.2181 > xxxx.51970: Flags [P.], seq 453590484:453590504, ack 2951753851, win 57, length 20
23:01:58.363814 IP xxxx.51970 > yyyy.2181: Flags [.], ack 453590504, win 356, length 0
……上面省略了抓包的內容部分。注意zookeeper點採用二進位制協議，不太方便識別但是基本可以確信，這是ping-pong心跳包（定時互動，且每次資料一致）。並且，兩條連線都有正常的心跳包頻繁互動。
pod與zookeeper之間連線正常，那麼很可能就是服務發現框架的程式碼問題了。
模擬驗證
通過上面的分析，可能的原因是：服務發現框架存在程式碼異常，且只在某些場景觸發，導致無法更新本地IP列表，或者是沒有watch資料變更。
客戶端有沒有watch資料變更，這一點非常容易驗證；只需要重啟一臺服務，客戶端tcpdump抓包就行。只不過zookeeper點採用二進位制協議，不好分析資料包內容。
簡單介紹下zookeeper通訊協議；如下圖所示，圖中4B表示該欄位長度為4Byte。
可以看到，每一個請求（響應），頭部都有4位元組標識該請求體的長度；另外，請求頭部Opcode標識該請求型別，比如獲取節點資料，建立節點等。watch事件通知是沒有請求，只有響應，其中Type標識事件型別，Path為發生事件的節點路徑。
從zookeeper SDK可以找到所有請求型別，以及事件型別的定義。
const (
opNotify = 0
opCreate = 1
opDelete = 2
opExists = 3
opGetData = 4 //獲取節點資料，這是我們需要關注的
opSetData = 5
opGetAcl = 6
opSetAcl = 7
opGetChildren = 8
opSync = 9
opPing = 11
opGetChildren2 = 12 //獲取子節點列表，這是我們需要關注的
opCheck = 13
opMulti = 14
opClose = -11
opSetAuth = 100
opSetWatches = 101
)
const (
EventNodeCreated EventType = 1
EventNodeDeleted EventType = 2
EventNodeDataChanged EventType = 3
EventNodeChildrenChanged EventType = 4 //子節點列表變化，這是我們需要關注的
)下面可以開始操作了，客戶端tcpdump開啟抓包，服務端殺死一個pod，分析抓包資料如下：
//zookeeper資料變更事件通知
23:02:02.717505 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453590524:453590585, ack 2951753863, win 57, length 61
0000 0039 ffff ffff ffff ffff ffff .....9..........
0x0050: ffff 0000 0000 0000 0004 0000 0003 0000 ................
0x0060: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0070: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx xxxxxxxxxxxxxxx
23:02:02.717540 IP xxxx.51970 > xxxx.2181: Flags [.], ack 453590585, win 356, length 0
//客戶端發起請求，獲取子節點列表
23:02:02.717752 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753863:2951753909, ack 453590585, win 356, length 46
0000 002a 0000 4b2f 0000 000c 0000 .....*..K/......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx00 xxxxxxxxxxxxxxx.
//zookeeper響應，包含服務端所有節點（IP）
23:02:02.718500 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453590585:453591858, ack 2951753909, win 57, length 1273
//遍歷所有節點（IP），獲取資料（metadata）
23:02:02.718654 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753909:2951753978, ack 453591858, win 356, length 69
0000 0041 0000 4b30 0000 0004 0000 .....A..K0......
0x0050: 0034 xxxx xxxx xxxx xxxx xxxx xxxx xxxx .4/xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxxxxxxxxxxxxxx
0x0070: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxxxxxxxxxxxxxx
0x0080: xxxx xxxx xxxx 00 xxxxxxx
23:02:02.720273 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453591858:453591967, ack 2951753978, win 57, length 109
0000 0069 0000 4b30 0000 0003 0ab3 .....i..K0......
0x0050: ad90 0000 0000 0000 0011 6772 6f75 703d ..........group=
0x0060: 6f6e 6c69 6e65 2674 7073 3d00 0000 030a online&tps=.....
0x0070: b2ff ed00 0000 030a b3ad 5800 0001 76ae ..........X...v.
0x0080: d003 dd00 0001 76af 051d 6d00 0000 3a00 ......v...m...:.
0x0090: 0000 0000 0000 0001 703f 90a3 f679 ce00 ........p?...y..
0x00a0: 0000 1100 0000 0000 0000 030a b2ff ed ...............
…… 整個過程的互動流程如下圖所示：
可以看到，zookeeper在資料變更時通知客戶端了，而客戶端也拉取最新節點列表了，而且獲取到的節點IP列表都是正確的。這就奇怪了，都已經獲取到最新的IP列表了，為什麼還請求老的IP地址？是沒有更新記憶體中的資料嗎？這就review程式碼了。
程式碼Review
我們的微服務框架使用的是rpcx，監聽zookeeper資料變更的邏輯，如下所示：
for {
_, _, eventCh, err := s.client.ChildrenW(s.normalize(directory))
select {
case e := <-eventCh:
if e.Type == zk.EventNodeChildrenChanged {
keys, stat, err := s.client.Children(s.normalize(directory))
for _, key := range keys {
pair, err := s.Get(strings.TrimSuffix(directory, "/") + s.normalize(key))
}
}
}
}注意獲取子節點列表的兩個方法，ChildrenW以及Children；這兩是有區別的：
func (c *Conn) Children(path string) ([]string, *Stat, error) {
_, err := c.request(opGetChildren2, &getChildren2Request{Path: path, Watch: false}, res, nil)
return res.Children, &res.Stat, err
}
func (c *Conn) ChildrenW(path string) ([]string, *Stat, <-chan Event, error) {
_, err := c.request(opGetChildren2, &getChildren2Request{Path: path, Watch: true}, res, func(req *request, res *responseHeader, err error) {
return res.Children, &res.Stat, ech, err
}原來，方法的字尾『W』代表著是否設定監聽器。這裡讀者需要知道，zookeeper的監聽器是一次性的。即客戶端設定監聽器後，資料變更時候，zookeeper查詢監聽器通知客戶端，同時會刪除該監聽器。這就導致下次資料變更時候不會通知客戶端了。
這有什麼問題嗎？也許會有問題。客戶端接收到資料變更後主要有三步邏輯：1）獲取子節點列表，注意這時候並沒有設定監聽器；2）遍歷所有節點獲取資料；3）獲取子節點列表，設定監聽器，等待zookeeper事件通知。注意從第一步到第三步，是有耗時的，特別是服務端節點數目過多時候，多次請求耗時必然更高，那麼在這之間的資料變更客戶端是感知不到的。再結合程式碼升級流程，是滾動升級，即啟動若干新版本pod（目前配置25%數目），如果這些pod正常啟動，則殺掉部分老版本pod；以此類推。
如果從第一部分新版本pod啟動，到最後一部分新版本pod啟動以及殺掉最後一些老版本pod，之間間隔非常短呢？小於上面第一步到第三步耗時呢？這樣就會導致，客戶端即存在老的IP列表，也存在新的IP列表。（上一小節模擬驗證時候，只是殺死一個pod驗證資料監聽機制，並沒有模擬大量pod重啟過程並分析資料互動，因此無法確定這類場景是否存在問題）
繼續分析日誌，發現客戶端請求所有服務端的IP地址都是錯誤的，即客戶端並不存在新的IP地址，不符合該場景。另外，再回首分析下模擬驗證時候抓的資料包，第一步到第三步的時間間隔是非常非常小的，畢竟服務端機器數目不多，內網訪問zookeeper也比較快，而滾動釋出過程一般很慢，遠大於該間隔。
//第一步獲取子節點列表，沒有設定監聽器；注意最後一個位元組為0x00，即watch=false
23:02:02.717752 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753863:2951753909, ack 453590585, win 356, length 46
0000 002a 0000 4b2f 0000 000c 0000 .....*..K/......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx00 xxxxxxxxxxxxxxx.
//第一步獲取子節點列表，並設定監聽器；注意最後一個位元組為0x01，即watch=true
23:02:02.768422 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951757025:2951757071, ack 453596850, win 356, length 46
0000 002a 0000 4b5d 0000 000c 0000 .....*..K]......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx01 xxxxxxxxxxxxxxx.
//間隔50ms左右不過，zookeeper監聽器一次性機制還是需要關注，以防出現資料變更無法同步問題。
柳暗花明
還能有什麼原因呢？只能繼續扒程式碼了，既然rpcx獲取到了最新的IP列表，為什麼沒有更新呢？這就需要重點分析rpcx資料更新邏輯了。
如圖所示，ZookeeperDiscovery監聽到服務端IP變更時候，將最新的IP列表寫入chan，rpcxClient通過chan可獲取最新的IP列表，並更新selector（selector提供負載均衡能力）。這個邏輯可以說是非常簡單了，沒有理由會出現異常。但是事實證明，異常大概率就在這塊邏輯。難道是rpcxClient讀取chan資料的協程有異常了？看看協程棧幀，也並沒有問題。
//客戶端畢竟不止是隻訪問一個微服務，所以會存在多個rpcxClient；
//這至少說明ZookeeperDiscovery監聽協程與rpcxClient讀chan協程數目是一致的。
5 runtime.gopark
runtime.goparkunlock
runtime.chanrecv
runtime.chanrecv2
github.com/smallnest/rpcx/client.(*xClient).watch
-----------+-------------------------------------------------------
5 runtime.gopark
runtime.selectgo
github.com/smallnest/rpcx/client.(*ZookeeperDiscovery).watch只能繼續探索。。。
聯想到之前還新增了服務發現災備邏輯（防止zookeeper出現異常或者客戶端到zookeeper之間鏈路異常），在監聽到zookeeper資料變化時，還會將該資料寫入本地檔案。服務啟動時，如果zookeeper無法連線，可以從本地檔案讀取服務端IP列表。這時候的流程應該是如下圖所示：
檢視檔案中的IP列表以及檔案更新時間，發現都沒有任何問題：
# stat /xxxx
File: /xxxx
Access: 2020-12-24 22:06:16.000000000
Modify: 2020-12-29 23:02:14.000000000
Change: 2020-12-29 23:02:14.000000000這就不可思議了，檔案中都是正確的IP列表，rpcxClient卻不是？而rpcxClient更新資料的邏輯簡單的不能再簡單了，基本沒有出錯的可能性啊。難道是基於chan的資料通訊有問題？再研究研究chan相關邏輯。
rpcxClient與LocalWrapClient是通過WatchService方法獲取通訊的chan。可以看到，這裡新建chan，並append到d.chans切片中。那如果兩個協程同時WatchService呢？就可能出現併發問題，切片中最終可能只會有一個chan！這就解釋了為什麼本地檔案可以正常更新，rpcxClient始終無法更新。
func (d *ZookeeperDiscovery) WatchService() chan []*KVPair {
ch := make(chan []*KVPair, 10)
d.chans = append(d.chans, ch)
return ch
}我們再寫個小例子模擬一下這種case，驗證併發append問題：
package main
import (
"fmt"
"sync"
)
func main() {
ok := true
for i := 0; i <1000; i ++ {
var arr []int
wg := sync.WaitGroup{}
for j := 0; j <2; j ++ {
wg.Add(1)
go func() {
defer wg.Done()
arr = append(arr, i)
}()
}
wg.Wait()
if len(arr) < 2 {
fmt.Printf("error:%d \n", i)
ok = false
break
}
}
if ok {
fmt.Println("ok")
}
}
//error:261 至此，問題基本明瞭。解決方案也很簡單，去掉服務發現災備邏輯即可。
總結
初次遇到這問題時候，覺得匪夷所思。基於現狀，冷靜分析問題產生情況，一個一個去排查或者排除，切記急躁。
抓包驗證，二進位制協議又不方便分析，只能去研究zookeeper通訊協議了。最終還是需要一遍一遍Review程式碼，尋找蛛絲馬跡，不要忽視任何可能產生的異常。
最後，Golang併發問題確實是很容易忽視，卻又很容易產生，平時開發還需多注意多思考。
公眾號
該系列文章會同步到以下公眾號
