欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Redis偶发连接失败案例分析

程序员文章站 2022-06-24 15:34:12
【作者】 张延俊:携程技术保障中心资深DBA,对数据库架构和疑难问题分析排查有浓厚的兴趣。 寿向晨:携程技术保障中心高级DBA,主要负责携程Redis及DB的运维工作,在自动化运维,流程化及监控排障等方面有较多的实践经验,喜欢深入分析问题,提高团队运维效率。 【问题描述】  生产环境有一个 ......

【作者】

张延俊:携程技术保障中心资深dba,对数据库架构和疑难问题分析排查有浓厚的兴趣。
寿向晨:携程技术保障中心高级dba,主要负责携程redis及db的运维工作,在自动化运维,流程化及监控排障等方面有较多的实践经验,喜欢深入分析问题,提高团队运维效率。

【问题描述】

 生产环境有一个redis会偶尔发生连接失败的报错,报错的时间点、客户端ip并没有特别明显的规律,过一会儿,报错会自动恢复。
 以下是客户端报错信息:

credis.client.rexceptions.excutecommandexception: unable to connect redis server: ---> credis.third.redis.redisexception: unable to connect redis server:
   在 credis.third.redis.redisnativeclient.createconnectionerror()
   在 credis.third.redis.redisnativeclient.sendexpectdata(byte[][] cmdwithbinaryargs)
   在 credis.client.entities.redisserver.<>c__displayclassd`1.

 从报错的信息来看,应该是连接不上redis所致。redis的版本是2.8.19。虽然版本有点老,但基本运行稳定。
 线上环境只有这个集群有偶尔报错。这个集群的一个比较明显的特征是客户端服务器比较多,有上百台。

【问题分析】

 从报错的信息来看,客户端连接不到服务端。常见的原因有以下几点:

  • 一个常见的原因是由于端口耗尽,对网络连接进行排查,在出问题的点上,tcp连接数远没有达到端口耗尽的场景,因此这个不是redis连接不上的根本原因。
  • 另外一种常见的场景是在服务端有慢查询,导致redis服务阻塞。我们在redis服务端,把运行超过10毫秒的语句进行抓取,也没有抓到运行慢的语句。

 从服务端的部署的监控来看,出问题的点上,连接数有一个突然飙升,从3500个连接突然飙升至4100个连接。如下图显示:

Redis偶发连接失败案例分析

同时间,服务器端显示redis服务端有丢包现象:345539 – 344683 = 856个包。

sat apr  7 10:41:40 cst 2018
   1699 outgoing packets dropped
   92 dropped because of missing route
   344683 syns to listen sockets dropped
   344683 times the listen queue of a socket overflowed
sat apr  7 10:41:41 cst 2018
   1699 outgoing packets dropped
   92 dropped because of missing route
   345539 syns to listen sockets dropped
   345539 times the listen queue of a socket overflowed

 客户端报错的原因基本确定,是因为建连速度太快,导致服务端backlog队列溢出,连接被server端reset。

【关于backlog overflow】

 在高并发的短连接服务中,这是一种很常见的tcp报错类型。一个正常的tcp建连过程如下:

 1.client发送一个(syn)给server

 2.server返回一个(syn,ack)给client

 3.client返回一个(ack)

 三次握手结束,对client来说建连成功,client可以继续发送数据包给server,但是这个时候server端未必ready,如下图所示 :

Redis偶发连接失败案例分析

在bsd版本内核实现的tcp协议中,server端建连过程需要两个队列,一个是syn queue,一个是accept queue。前者叫半开连接(或者半连接)队列,在接收到client发送的syn时加入队列。(一种常见的网络攻击方式就是不断发送syn但是不发送ack从而导致server端的半开队列撑爆,server端拒绝服务。)后者叫全连接队列,server返回(syn,ack),在接收到client发送ack后(此时client会认为建连已经完成,会开始发送psh包),如果accept queue没有满,那么server从syn queue把连接信息移到accept queue;如果此时accept queue溢出的话,server的行为要看配置。如果tcp_abort_on_overflow为0(默认),那么直接drop掉client发送的psh包,此时client会进入重发过程,一段时间后server端重新发送syn,ack,重新从建连的第二步开始;如果tcp_abort_on_overflow为1,那么server端发现accept queue满之后直接发送reset。

通过wireshark搜索发现在一秒内有超过2000次对redis server端发起建连请求。我们尝试修改tcp backlog大小,从511调整到2048, 问题并没有得到解决。所以此类微调,并不能彻底的解决问题。

【网络包分析】

我们用wireshark来识别网络拥塞的准确时间点和原因。我们已经有了准确的报错时间点,先用editcap把超大的tcp包裁剪一下,裁成30秒间隔,并通过wireshark i/o 100ms间隔分析网络阻塞的准确时间点:

Redis偶发连接失败案例分析

 根据图标可以明显看到tcp的packets来往存在block。

 对该block前后的网络包进行明细分析,网络包来往情况如下:

time source dest description
  12:01:54.6536050     redis-server     clients     tcp:flags=…ap…
  12:01:54.6538580     redis-server     clients     tcp:flags=…ap…
  12:01:54.6539770     redis-server     clients     tcp:flags=…ap…
  12:01:54.6720580     redis-server     clients     tcp:flags=…a..s..
  12:01:54.6727200     redis-server     clients     tcp:flags=…a……
  12:01:54.6808480     redis-server     clients     tcp:flags=…ap…..
  12:01:54.6910840     redis-server     clients     tcp:flags=…a…s.,
  12:01:54.6911950     redis-server     clients     tcp:flags=…a……
  …      …       …       …
  12:01:56.1181350     redis-server     clients     tcp:flags=…ap….

12:01:54.6808480, redis server端向客户端发送了一个push包,也就是对于查询请求的一个结果返回。后面的包都是在做连接处理,包括ack包,ack确认包,以及重置的rst包,紧接着下面一个push包是在12:01:56.1181350发出的。中间的间隔是1.4372870秒。也就是说,在这1.4372870秒期间,redis的服务器端,除了做一个查询,其他的操作都是在做建连,或拒绝连接。

客户端报错的前后逻辑已经清楚了,redis-server卡了1.43秒,client的connection pool被打满,疯狂新建连接,server的accept queue满,直接拒绝服务,client报错。开始怀疑client发送了特殊命令,这时需要确认一下client的最后几个命令是什么,找到redis-server卡死前的第一个包,装一个wireshark的redis插件,看到最后几个命令是简单的get,并且key-value都很小,不至于需要耗费1.43秒才能完成。服务端也没有slow log,此时排障再次陷入僵局。

【进一步分析】

为了了解这1.43秒之内,redis server在做什么事情,我们用pstack来抓取信息。pstack本质上是gdb attach. 高频率的抓取会影响redis的吞吐。死循环0.5秒一次无脑抓,在redis-server卡死的时候抓到堆栈如下(过滤了没用的栈信息):

thu may 31 11:29:18 cst 2018
thread 1 (thread 0x7ff2db6de720 (lwp 8378)):
#0  0x000000000048cec4 in ?? ()
#1  0x00000000004914a4 in je_arena_ralloc ()
#2  0x00000000004836a1 in je_realloc ()
#3  0x0000000000422cc5 in zrealloc ()
#4  0x00000000004213d7 in sdsremovefreespace ()
#5  0x000000000041ef3c in clientscronresizequerybuffer ()
#6  0x00000000004205de in clientscron ()
#7  0x0000000000420784 in servercron ()
#8  0x0000000000418542 in aeprocessevents ()
#9  0x000000000041873b in aemain ()
#10 0x0000000000420fce in main ()
thu may 31 11:29:19 cst 2018
thread 1 (thread 0x7ff2db6de720 (lwp 8378)):
#0  0x0000003729ee5407 in madvise () from /lib64/libc.so.6
#1  0x0000000000493a4e in je_pages_purge ()
#2  0x000000000048cf70 in ?? ()
#3  0x00000000004914a4 in je_arena_ralloc ()
#4  0x00000000004836a1 in je_realloc ()
#5  0x0000000000422cc5 in zrealloc ()
#6  0x00000000004213d7 in sdsremovefreespace ()
#7  0x000000000041ef3c in clientscronresizequerybuffer ()
#8  0x00000000004205de in clientscron ()
#9  0x0000000000420784 in servercron ()
#10 0x0000000000418542 in aeprocessevents ()
#11 0x000000000041873b in aemain ()
#12 0x0000000000420fce in main ()
thu may 31 11:29:19 cst 2018
thread 1 (thread 0x7ff2db6de720 (lwp 8378)):
#0  0x000000000048108c in je_malloc_usable_size ()
#1  0x0000000000422be6 in zmalloc ()
#2  0x00000000004220bc in sdsnewlen ()
#3  0x000000000042c409 in createstringobject ()
#4  0x000000000042918e in processmultibulkbuffer ()
#5  0x0000000000429662 in processinputbuffer ()
#6  0x0000000000429762 in readqueryfromclient ()
#7  0x000000000041847c in aeprocessevents ()
#8  0x000000000041873b in aemain ()
#9  0x0000000000420fce in main ()
thu may 31 11:29:20 cst 2018
thread 1 (thread 0x7ff2db6de720 (lwp 8378)):
#0  0x000000372a60e7cd in write () from /lib64/libpthread.so.0
#1  0x0000000000428833 in sendreplytoclient ()
#2  0x0000000000418435 in aeprocessevents ()
#3  0x000000000041873b in aemain ()
#4  0x0000000000420fce in main ()

重复多次抓取后,从堆栈中发现可疑堆栈clientscronresizequerybuffer位置,属于servercron()函数下,这个redis-server内部的定时调度,并不在用户线程下,这个解释了为什么卡死的时候没有出现慢查询。

查看redis源码,确认到底redis-server在做什么:

clientscron(server.h):
#define clients_cron_min_iterations 5
void clientscron(void) {
    /* make sure to process at least numclients/server.hz of clients
     * per call. since this function is called server.hz times per second
     * we are sure that in the worst case we process all the clients in 1
     * second. */
    int numclients = listlength(server.clients);
    int iterations = numclients/server.hz;
    mstime_t now = mstime();

    /* process at least a few clients while we are at it, even if we need
     * to process less than clients_cron_min_iterations to meet our contract
     * of processing each client once per second. */
    if (iterations < clients_cron_min_iterations)
        iterations = (numclients < clients_cron_min_iterations) ?
                     numclients : clients_cron_min_iterations;

    while(listlength(server.clients) && iterations--) {
        client *c;
        listnode *head;

        /* rotate the list, take the current head, process.
         * this way if the client must be removed from the list it's the
         * first element and we don't incur into o(n) computation. */
        listrotate(server.clients);
        head = listfirst(server.clients);
        c = listnodevalue(head);
        /* the following functions do different service checks on the client.
         * the protocol is that they return non-zero if the client was
         * terminated. */
        if (clientscronhandletimeout(c,now)) continue;
        if (clientscronresizequerybuffer(c)) continue;
    }
}

clientscron首先判断当前client的数量,用于控制一次清理连接的数量,生产服务器单实例的连接数量在5000不到,也就是一次清理的连接数是50个。

clientscronresizequerybuffer(server.h):

/* the client query buffer is an sds.c string that can end with a lot of
 * free space not used, this function reclaims space if needed.
 *
 * the function always returns 0 as it never terminates the client. */
int clientscronresizequerybuffer(client *c) {
    size_t querybuf_size = sdsallocsize(c->querybuf);
    time_t idletime = server.unixtime - c->lastinteraction;

    /* 只在以下两种情况下会resize query buffer:
     * 1) query buffer > big_arg(在server.h 中定义#define proto_mbulk_big_arg     (1024*32)) 
           且这个buffer的小于一段时间的客户端使用的峰值.
     * 2) 客户端空闲超过2s且buffer size大于1k. */
    if (((querybuf_size > proto_mbulk_big_arg) &&
         (querybuf_size/(c->querybuf_peak+1)) > 2) ||
         (querybuf_size > 1024 && idletime > 2))
    {
        /* only resize the query buffer if it is actually wasting space. */
        if (sdsavail(c->querybuf) > 1024) {
            c->querybuf = sdsremovefreespace(c->querybuf);
        }
    }
    /* reset the peak again to capture the peak memory usage in the next
     * cycle. */
    c->querybuf_peak = 0;
    return 0;
}

如果redisclient对象的query buffer满足条件,那么就直接resize掉。满足条件的连接分成两种,一种是真的很大的,比该客户端一段时间内使用的峰值还大;还有一种是很闲(idle>2)的,这两种都要满足一个条件,就是buffer free的部分超过1k。那么redis-server卡住的原因就是正好有那么50个很大的或者空闲的并且free size超过了1k大小连接的同时循环做了resize,由于redis都属于单线程工作的程序,所以block了client。那么解决这个问题办法就很明朗了,让resize 的频率变低或者resize的执行速度变快。

既然问题出在query buffer上,我们先看一下这个东西被修改的位置:

readqueryfromclient(networking.c):
redisclient *createclient(int fd) {
    redisclient *c = zmalloc(sizeof(redisclient));

    /* passing -1 as fd it is possible to create a non connected client.
     * this is useful since all the redis commands needs to be executed
     * in the context of a client. when commands are executed in other
     * contexts (for instance a lua script) we need a non connected client. */
    if (fd != -1) {
        anetnonblock(null,fd);
        anetenabletcpnodelay(null,fd);
        if (server.tcpkeepalive)
            anetkeepalive(null,fd,server.tcpkeepalive);
        if (aecreatefileevent(server.el,fd,ae_readable,
            readqueryfromclient, c) == ae_err)
        {
            close(fd);
            zfree(c);
            return null;
        }
    }

    selectdb(c,0);
    c->id = server.next_client_id++;
    c->fd = fd;
    c->name = null;
    c->bufpos = 0;
    c->querybuf = sdsempty(); 初始化是0

readqueryfromclient(networking.c):
void readqueryfromclient(aeeventloop *el, int fd, void *privdata, int mask) {
    redisclient *c = (redisclient*) privdata;
    int nread, readlen;
    size_t qblen;
    redis_notused(el);
    redis_notused(mask);

    server.current_client = c;
    readlen = redis_iobuf_len;
    /* if this is a multi bulk request, and we are processing a bulk reply
     * that is large enough, try to maximize the probability that the query
     * buffer contains exactly the sds string representing the object, even
     * at the risk of requiring more read(2) calls. this way the function
     * processmultibulkbuffer() can avoid copying buffers to create the
     * redis object representing the argument. */
    if (c->reqtype == redis_req_multibulk && c->multibulklen && c->bulklen != -1
        && c->bulklen >= redis_mbulk_big_arg)
    {
        int remaining = (unsigned)(c->bulklen+2)-sdslen(c->querybuf);

        if (remaining < readlen) readlen = remaining;
    }

    qblen = sdslen(c->querybuf);
    if (c->querybuf_peak < qblen) c->querybuf_peak = qblen;
    c->querybuf = sdsmakeroomfor(c->querybuf, readlen); 在这里会被扩大

由此可见c->querybuf在连接第一次读取命令后的大小就会被分配至少1024*32,所以回过头再去看resize的清理逻辑就明显存在问题,每个被使用到的query buffer的大小至少就是1024*32,但是清理的时候判断条件是>1024,也就是说,所有的idle>2的被使用过的连接都会被resize掉,下次接收到请求的时候再重新分配到1024*32,这个其实是没有必要的,在访问比较频繁的群集,内存会被频繁得回收重分配,所以我们尝试将清理的判断条件改造为如下,就可以避免大部分没有必要的resize操作:

if (((querybuf_size > redis_mbulk_big_arg) &&
         (querybuf_size/(c->querybuf_peak+1)) > 2) ||
         (querybuf_size > 1024*32 && idletime > 2))
    {
        /* only resize the query buffer if it is actually wasting space. */
        if (sdsavail(c->querybuf) > 1024*32) {
            c->querybuf = sdsremovefreespace(c->querybuf);
        }
    }

这个改造的副作用是内存的开销,按照一个实例5k连接计算,5000*1024*32=160m,这点内存消耗对于上百g内存的服务器完全可以接受。

【问题重现】

在使用修改过源码的redis server后,问题仍然重现了,客户端还是会报同类型的错误,且报错的时候,服务器内存依然会出现抖动。抓取内存堆栈信息如下:

thu jun 14 21:56:54 cst 2018
#3  0x0000003729ee893d in clone () from /lib64/libc.so.6
thread 1 (thread 0x7f2dc108d720 (lwp 27851)):
#0  0x0000003729ee5400 in madvise () from /lib64/libc.so.6
#1  0x0000000000493a1e in je_pages_purge ()
#2  0x000000000048cf40 in arena_purge ()
#3  0x00000000004a7dad in je_tcache_bin_flush_large ()
#4  0x00000000004a85e9 in je_tcache_event_hard ()
#5  0x000000000042c0b5 in decrrefcount ()
#6  0x000000000042744d in resetclient ()
#7  0x000000000042963b in processinputbuffer ()
#8  0x0000000000429762 in readqueryfromclient ()
#9  0x000000000041847c in aeprocessevents ()
#10 0x000000000041873b in aemain ()
#11 0x0000000000420fce in main ()
thu jun 14 21:56:54 cst 2018
thread 1 (thread 0x7f2dc108d720 (lwp 27851)):
#0  0x0000003729ee5400 in madvise () from /lib64/libc.so.6
#1  0x0000000000493a1e in je_pages_purge ()
#2  0x000000000048cf40 in arena_purge ()
#3  0x00000000004a7dad in je_tcache_bin_flush_large ()
#4  0x00000000004a85e9 in je_tcache_event_hard ()
#5  0x000000000042c0b5 in decrrefcount ()
#6  0x000000000042744d in resetclient ()
#7  0x000000000042963b in processinputbuffer ()
#8  0x0000000000429762 in readqueryfromclient ()
#9  0x000000000041847c in aeprocessevents ()
#10 0x000000000041873b in aemain ()
#11 0x0000000000420fce in main ()

显然,querybuffer被频繁resize的问题已经得到了优化,但是还是会出现客户端报错。这就又陷入了僵局。难道还有其他因素导致query buffer resize变慢?我们再次抓取pstack。但这时,jemalloc引起了我们的注意。此时回想redis的内存分配机制,redis为避免libc内存不被释放导致大量内存碎片的问题,默认使用的是jemalloc用作内存分配管理,这次报错的堆栈信息中都是je_pages_purge () redis在调用jemalloc回收脏页。我们看下jemalloc做了些什么:

arena_purge(arena.c)
static void
arena_purge(arena_t *arena, bool all)
{
    arena_chunk_t *chunk;
    size_t npurgatory;
    if (config_debug) {
        size_t ndirty = 0;

        arena_chunk_dirty_iter(&arena->chunks_dirty, null,
            chunks_dirty_iter_cb, (void *)&ndirty);
        assert(ndirty == arena->ndirty);
    }
    assert(arena->ndirty > arena->npurgatory || all);
    assert((arena->nactive >> opt_lg_dirty_mult) < (arena->ndirty -
        arena->npurgatory) || all);

    if (config_stats)
        arena->stats.npurge++;
    npurgatory = arena_compute_npurgatory(arena, all);
    arena->npurgatory += npurgatory;

    while (npurgatory > 0) {
        size_t npurgeable, npurged, nunpurged;

        /* get next chunk with dirty pages. */
        chunk = arena_chunk_dirty_first(&arena->chunks_dirty);
        if (chunk == null) {
            arena->npurgatory -= npurgatory;
            return;
        }
        npurgeable = chunk->ndirty;
        assert(npurgeable != 0);

        if (npurgeable > npurgatory && chunk->nruns_adjac == 0) {
    
            arena->npurgatory += npurgeable - npurgatory;
            npurgatory = npurgeable;
        }
        arena->npurgatory -= npurgeable;
        npurgatory -= npurgeable;
        npurged = arena_chunk_purge(arena, chunk, all);
        nunpurged = npurgeable - npurged;
        arena->npurgatory += nunpurged;
        npurgatory += nunpurged;
    }
}

jemalloc每次回收都会判断所有实际应该清理的chunck并对清理做count,这个操作对于高响应要求的系统是很奢侈的,所以我们考虑通过升级jemalloc的版本来优化purge的性能。redis 4.0版本发布后,性能有很大的改进,并可以通过命令回收内存,我们线上也正准备进行升级,跟随4.0发布的jemalloc版本为4.1,jemalloc的版本使用的在jemalloc的4.0之后版本的arena_purge()做了很多优化,去掉了计数器的调用,简化了很多判断逻辑,增加了arena_stash_dirty()方法合并了之前的计算和判断逻辑,增加了purge_runs_sentinel,用保持脏块在每个arena lru中的方式替代之前的保持脏块在arena树的dirty-run-containing chunck中的方式,大幅度减少了脏块purge的体积,并且在内存回收过程中不再移动内存块。代码如下:

arena_purge(arena.c)
static void
arena_purge(arena_t *arena, bool all)
{
    chunk_hooks_t chunk_hooks = chunk_hooks_get(arena);
    size_t npurge, npurgeable, npurged;
    arena_runs_dirty_link_t purge_runs_sentinel;
    extent_node_t purge_chunks_sentinel;

    arena->purging = true;

    /*
     * calls to arena_dirty_count() are disabled even for debug builds
     * because overhead grows nonlinearly as memory usage increases.
     */
    if (false && config_debug) {
        size_t ndirty = arena_dirty_count(arena);
        assert(ndirty == arena->ndirty);
    }
    assert((arena->nactive >> arena->lg_dirty_mult) < arena->ndirty || all);

    if (config_stats)
        arena->stats.npurge++;

    npurge = arena_compute_npurge(arena, all);
    qr_new(&purge_runs_sentinel, rd_link);
    extent_node_dirty_linkage_init(&purge_chunks_sentinel);

    npurgeable = arena_stash_dirty(arena, &chunk_hooks, all, npurge,
        &purge_runs_sentinel, &purge_chunks_sentinel);
    assert(npurgeable >= npurge);
    npurged = arena_purge_stashed(arena, &chunk_hooks, &purge_runs_sentinel,
        &purge_chunks_sentinel);
    assert(npurged == npurgeable);
    arena_unstash_purged(arena, &chunk_hooks, &purge_runs_sentinel,
        &purge_chunks_sentinel);

    arena->purging = false;
}

【解决问题】

实际上我们有多个选项。可以使用google的tcmalloc来代替jemalloc,可以升级jemalloc的版本等等。我们根据上面的分析,尝试通过升级jemalloc版本,实际操作为升级redis版本来解决。我们将redis的版本升级到4.0.9之后观察,线上客户端连接超时这个棘手的问题得到了解决。

【问题总结】

redis在生产环境中因其支持高并发,响应快,易操作被广泛使用,对于运维人员而言,其响应时间的要求带来了各种各样的问题,redis的连接超时问题是其中比较典型的一种,从发现问题,客户端连接超时,到通过抓取客户端与服务端的网络包,内存堆栈定位问题,也被其中一些假象所迷惑,最终通过升级jemalloc(redis)的版本解决问题,这次最值得总结和借鉴的是整个分析的思路。