TR2021_0000偶發資料庫連線異常問題排查

攜程DBA發表於2021-01-12
資料庫

【問題描述】

資料庫連線異常是很難排查的一類問題。因為它牽涉到應用端，網路層和伺服器端。任何一個元件異常，都會導致資料庫連線失敗。開發遇到資料庫連線不上的問題，都會第一時間找DBA來協助檢視，DBA除了需要懂得資料庫以外，還需要對應用，對網路有所瞭解，知道在哪裡看應用程式的日誌，以及看網路交換機效能指標，才能清晰的定位問題。下面是一個資料庫偶發連線不上的例子：

步驟 分析
S(主觀) 某應用程式，有40臺左右應用伺服器，時不時的會報資料庫連線異常。報錯後迅速自愈。報錯內容為: Communications link failure. The last packet sent successfully to the server was 0 milliseconds ago. The driver has not received any packets from the server. 報錯頻率大概每天有四五次左右。應用是新上的。
O(客觀) MySQL版本為5.7.23, 服務端作業系統版本為7.6.1810. 瞬間有20多臺應用伺服器都報這個錯誤。馬上自愈。應用部署在同城兩個機房，每個機房都有報錯。每天總會出現四五次。
A(評估) 同時有20多臺應用伺服器報錯，而且分佈在兩個機房。問題應該出在服務端。
P(計劃) 建議在服務端抓網路包，進一步定位問題。並進一步檢視服務端的效能計數器。

【問題分析】

通過問題的初步評估，故障應該是出現在服務端，也有可能是服務端的網路。我們隨之檢視了服務端MySQL的各項效能指標，在故障期間，效能指標都是正常的。在伺服器端單邊抓包，抓到的內容如下：

時間戳 源 目標 Info
2021-01-08 17:15:05.667331 應用 DB 48184 -> 3309 [SYN]
2021-01-08 17:15:06.717752 應用 DB [TCP Retransmission] 48144 -> 3309 [SYN]
2021-01-08 17:15:06.717762 DB 應用 3309 -> 48184 [SYN, ACK]
2021-01-08 17:15:06.719101 應用 DB 48144 -> 3309 [RST]

上述網路包解讀如下：

  • 17:15:05.66 應用伺服器(埠號48184)向DB伺服器(埠號3309) 傳送一個SYN請求。
  • 過了1.05秒左右，應用伺服器再次向DB伺服器傳送SYN請求
  • 在17:15:06.71的時候，DB伺服器響應了客戶端的請求，傳送了確認包ACK
  • 在17:15:06.71的時候，應用伺服器傳送了連線重置的請求，要求中止連線。

從上述的特徵來看，連線重置是客戶端發起的。但這個情有可原，因為DB端超過1.05秒還沒有響應客戶端的SYN請求，客戶端不耐煩，直接中止了連線。而這個1.05秒，恰好是開發在客戶端的Tomcat JDBC connect Timeout連線超時設定。所以問題進一步縮小到服務端的TCP/IP連線層面。

我們用下面的命令，來監控服務端丟包情況：

# netstat -s | egrep "listen|LISTEN"
    5268 times the listen queue of a socket overflowed
    5268 SYNs to LISTEN sockets dropped

發現確實在服務端丟包，而且出現的頻率和客戶端報錯的時間吻合。每次應用程式報錯，服務端的drop數也會隨之增加。

對於Linux伺服器端，server端建連過程需要兩個佇列，一個是SYN queue，一個是accept queue。前者叫半開連線（或者半連線）佇列，後者叫全連線佇列。從伺服器角度看，建立TCP連線的過程如下圖：

SYNs to LISTEN sockets dropped的丟包型別，說明在半連線佇列出現了問題。

分析發現，該例項部署的DB數量比較多，且對應的應用伺服器數量也比較多，應用會有短時間建立大量連線的情況，導致半連線佇列溢位。半連線佇列的大小取決於linux的引數tcp_max_syn_backlog、somaxconn和應用程式呼叫Listen方法時的backlog引數。

關於tcp_max_syn_backlog、somaxconn與半連線佇列的分析，網上的資料非常多，這裡不展開細節分析，我們可以簡單地認為：

全連線佇列長度 = min(somaxconn, backlog)
半連線佇列長度 = min(應用呼叫Listen的backlog，somaxconn，tcp_max_syn_backlog)

我們可以用下面的命令，來監控全連線的佇列大小，發現值為128，可以說明我們somaxconn值或者mysqld的backlog設定比較小，從而導致半連線佇列也比較小。

#ss -ntlp | more
LISTEN     0      128        :::3309                    :::*

對於這次的案例，我們先調大了linux作業系統的兩個引數。

#echo 'net.ipv4.tcp_max_syn_backlog=65535' >> /etc/sysctl.conf
#echo 'net.core.somaxconn=65535' >> /etc/sysctl.conf
#sysctl –p

接下來，我們分析下mysqld呼叫Listen方法時，backlog相關的程式碼。
MYSQLD在啟動時會呼叫network_init的方法，會傳入back_log引數，程式碼如下：


static bool network_init(void)
{
  if (opt_bootstrap)
    return false;
  set_ports();
  if (!opt_disable_networking || unix_sock_name != "")
  {
    std::string const bind_addr_str(my_bind_addr_str ? my_bind_addr_str : "");

    Mysqld_socket_listener *mysqld_socket_listener=
      new (std::nothrow) Mysqld_socket_listener(bind_addr_str,
                                                mysqld_port, back_log,
                                                mysqld_port_timeout,
                                                unix_sock_name);
    if (mysqld_socket_listener == NULL)
      return true;
    mysqld_socket_acceptor=
      new (std::nothrow) Connection_acceptor(mysqld_socket_listener);
}

建立出mysqld_socket_listener物件後，傳遞給Connection_acceptor後，最終會呼叫作業系統的Listen方法，程式碼如下：


static inline int inline_mysql_socket_listen
(
MYSQL_SOCKET mysql_socket, int backlog)
{
  int result;
  if (mysql_socket.m_psi != NULL)
  {
    /* Instrumentation start */
    PSI_socket_locker *locker;
    PSI_socket_locker_state state;
    locker= PSI_SOCKET_CALL(start_socket_wait)
      (&state, mysql_socket.m_psi, PSI_SOCKET_CONNECT, (size_t)0, src_file, src_line);

    /* Instrumented code */
    result= listen(mysql_socket.fd, backlog);

對於back_log值的確定，mysql有2種處理方式。
一種是情況預設情況，會設定50 + (max_connections / 5)且不超過900。具體的程式碼如下：


int init_common_variables()
{
  umask(((~my_umask) & 0666));
  my_decimal_set_zero(&decimal_zero); // set decimal_zero constant;
  tzset();      // Set tzname

  /* Fix back_log */
  if (back_log == 0 && (back_log= 50 + max_connections / 5) > 900)
      back_log= 900;
}

另外一種情況，也可以手動設定mysqld的啟動引數。


static Sys_var_ulong Sys_back_log(
       "back_log", "The number of outstanding connection requests "
       "MySQL can have. This comes into play when the main MySQL thread "
       "gets very many connection requests in a very short time",
       READ_ONLY GLOBAL_VAR(back_log), CMD_LINE(REQUIRED_ARG),
       VALID_RANGE(0, 65535), DEFAULT(0), BLOCK_SIZE(1));

為了保持伺服器配置的統一化，我們這次調整了mysqld的啟動back-log=2048，調整完成後，重啟mysql服務，觀察了2天，再未發生半連線丟包的問題。

【問題總結】

全連線佇列、半連線佇列溢位這種問題很容易發生，但可能報錯具有偶然性，很容易被忽視，linux版本的不斷進化，TCP的設計也越來越複雜，作為一名合格的DBA，也需要對網路有所瞭解，才能更好地定位和處理日常的運維問題。

相關文章