记一次Kubernetes机器内核问题排查

2021-11-08 00:00:00 请求 内核 数据包 延迟 排查

此次排查发生在 2020-11 月份, 一直没时间写博客描述事情经过, 本次正好一起写了吧.


具体现象

在线上环境中的某个应用出现了接口缓慢的问题!!

就凭这个现象, 能列出来的原因数不胜数. 本篇博客主要叙述一下几次排查以及后如何确定原因的过程, 可能不一定适用于其他集群, 就当是提供一个参考吧. 排查过程比较冗长, 过去太久了, 我也不太可能回忆出所有细节, 希望大家见谅.


网络拓扑结构

网络请求流入集群时, 对于我们集群的结构:

用户请求=>Nginx=>Ingress =>uwsgi

不要问为什么有了 Ingress 还有 Nginx. 这是历史原因, 有些工作暂时需要由 Nginx 承担.


初次定位

请求变慢一般马上就会考虑, 程序是不是变慢了, 所以在发现问题后, 首先在 uwsgi 中增加 简单的小接口, 这个接口是处理快并且马上返回数据, 然后定时请求该接口. 在运行几天之后, 确认到该接口的访问速度也很慢, 排除程序中的问题, 准备在链路中查找原因.


再次定位 – 简单的全链路数据统计(TL:DR)

由于我们的 Nginx 有 2 层, 需要针对它们分别确认, 看看究竟是哪一层慢了. 请求量是比较大的, 如果针对每个请求去查看, 效率不高, 而且有可能掩盖真正原因, 所以这个过程采用统计的方式. 统计的方式是分别查看两层 Nginx 的日志情况. 由于我们已经在 elk 上接入了日志. elk 中筛选数据的脚本简单如下:

{  "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"          }        }      }    ]  }}

数据处理方案

根据 trace_id 可以获取到 Nignx 日志以及 Ingress 日志, 通过 elk 的 api 获得.

# 这个数据结构用来记录统计结果,# [[0, 0.1], 3]表示 落在 0~0.1区间的有3条记录# 因为小数的比较和区间比较麻烦, 所以采用整数, 这里的0~35其实是0~3.5s区间# 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)], ]    )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 = [] # 这里的trace_id是提前查找过, 那些响应时间比较久的请求所对应的trace_id with open(trace_id_file) as f: data = f.readlines() for d in data: trace_ids.append(d.strip())
cnt = for trace_id in trace_ids: try: access_data, ingress_data = get_igor_trace(trace_id) except TypeError as e: # 继续尝试一次 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": # 过滤脏数据 continue if 'request_time' not in ingress_data: continue
def get_int_num(data): # 数据统一做*10处理 return int(float(data) * 10)
# 针对每个区间段进行数据统计, 可能有点罗嗦和重复, 我当时做统计够用了 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[][] and ingress_req_time < cal[][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[][] and nginx_req_time < cal[][1]: cal[1] += 1 break
gap = nginx_req_time - ingress_req_time for cal in nginx_ingress_gap: if gap >= cal[][] and gap <= cal[][1]: cal[1] += 1 break
gap = ingress_req_time - ingress_upstream_time for cal in ingress_upstream_gap: if gap >= cal[][] and gap <= cal[][1]: cal[1] += 1 break


我分别针对request_time(nginx)request_time(ingress), 以及requet_time(nginx) - request_time(ingress),做了统计.

后的统计结果大概如下:


  

结果分析

我们总共有约 3000 条数据!

图一: 超过半数的请求落在 11.1s 区间, 1s2s 的请求比较均匀, 之后越来越少了.

图二: 大约 1/4 的请求其实已经在 0.1s 内返回了, 但是 1~1.1s 也有 1/4 的请求落上去了, 随后的结果与图一类似.

从图 1 图 2 结合来看, 部分请求在 Ingress 侧处理的时间其实比较短的,

图三: 比较明显了, 2/3 的请求在响应时间方面能够保持一致, 1/3 的请求会有 1s 左右的延迟.

总结

从统计结果来看, Nginx => Ingress 以及 Ingress => upstream, 都存在不同程度的延迟, 超过 1s 的应用, 大约有 2/3 的延迟来自 Ingress=>upstream, 1/3 的延迟来自 Nginx=>Ingress.


再深入调查 - 抓包处理(TL:DR)

抓包调查主要针对Ingress=>uwsgi, 由于数据包延迟的情况只是偶发性现象, 所以需要抓取所有的数据包再进行过滤… 这是一条请求时间较长的数据, 本身这个接口返回应该很快.

{  "_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侧数据包

uwsgi侧数据包

数据包流转情况

回顾一下TCP三次握手: 

  • 首先从Ingress侧查看, 连接在21.585446开始, 22.588023时, 进行了数据包重新发送的操作.

  • 从Node侧查看, node在ingress数据包发出后不久马上就收到了syn, 也立刻进行了syn的返回, 但是不知为何1s后才出现在ingress处.

有一点比较令人在意, 即便是数据包发生了重传, 但是也没有出现丢包的问题, 从两台机器数据包的流转来看, 此次请求中, 大部分的时间是因为数据包的延迟到达造成的, 重传只是表面现象, 真正的问题是发生了数据包的延迟.


不止是ack数据包发生了延迟

从随机抓包的情况来看, 不止是SYN ACK发生了重传:

有些FIN ACK也会, 数据包的延迟是有概率的行为!!!


总结

单单看这个抓包可能只能确认是发生了丢包, 但是如果结合Ingress与Nginx的日志请求来看, 如果丢包发生在tcp连接阶段, 那么在Ingress中, 我们就可以查看upstream_connect_time 这个值来大致估计下超时情况. 当时是这么整理的记录:

我初步猜测这部分时间主要消耗在了 TCP 连接建立时, 因为建立连接的操作在两次 Nginx 转发时都存在, 而我们的链路全部使用了短连接, 下一步我准备增加$upstream_connect_time变量, 记录建立连接花费的时间. http://nginx.org/en/docs/http/ngx_http_upstream_module.html

后续工作

既然可以了解到tcp连接的建立时间比较久, 我们可以用它来作为一个衡量指标, 我把wrk也修改了下, 增加了对于连接时间的测量, 具体的PR见这里(https://github.com/wg/wrk/pull/447), 我们可以利用这一项指标衡量后端的服务情况.

寻找大佬, 看看是否遇到类似问题

上面的工作前前后后我进行了几次, 也没有什么头绪, 遂找到公司的其他K8S大佬咨询问题, 大佬提供了一个思路:

宿主机延迟也高的话,那就暂时排除宿主机到容器这条路径。我们这边此前排查过一个延迟问题, 是由于 k8s 的监控工具定期 cat proc 系统下的 cgroup 统计信息, 但由于 docker 频繁销毁重建以及内核 cache 机制,使得每次 cat 时间很长占用内核导致网络延迟, 可否排查一下你们的宿主机是否有类似情形?不一定是 cgroup,其他需要频繁陷入到内核的操作都可能导致延迟很高

这个跟我们排查的 cgroup 太像了,宿主机上有一些周期性任务,随着执行次数增多,占用的内核资源越来越多,达到一定程度就影响了网络延迟

大佬们也提供了一个内核检查工具(可以追踪和定位中断或者软中断关闭的时间):

https://github.com/bytedance/trace-irqoff

有问题的ingress机器 的latency特别多,好多都是这样的报错, 其他机器没有这个日志:

而后, 我针对机器中的kubelet进行了一次追踪, 从火焰图中可以确认, 大量的时间耗费在了读取内核信息中.

其中具体的代码如下:

总结

根据大佬所给的方向, 基本能够确定问题发生的真正原因: 机器上定时任务的执行过多, 内核缓存一直增加, 导致内核速度变慢了. 它一变慢, 引发了tcp握手时间变长, 后造成用户体验下降. 既然发现了问题, 解决方案也比较容易搜索到了, 增加任务, 检查内核是否变慢, 慢了的话就清理一次:

sync && echo 3 > /proc/sys/vm/drop_caches

总结

这次的排查过程是由于应用层出现了影响用户体验的问题后, 进一步延伸到了网络层, 其中经历了漫长的抓包过程, 也增加了自己的脚本用于指标衡量, 随后又通过内核工具定位到了具体应用, 后再根据应用的pprof工具制作出的火焰图定位到了更加的异常位置, 期间自己一个人没法处理问题, 遂请其他大佬来帮忙, 大佬们见多识广, 可以给出一些可能性的猜想, 还是很有帮助的.


当你发现某台机器无论做什么都慢, 而cpu和内核却不是瓶颈的时候, 那有可能是内核慢了.


希望本文能对大家未来排查集群问题时有所帮助.


原文作者: corvofeng

原文链接: https://corvo.myseu.cn/2021/03/21/2021-03-21-记一次kubernetes机器内核问题的排查/




相关文章