【redis】干货 | 记一个真实的排障案例：携程Redis偶发连接失败案例分析

 

 

一、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。以下是客户端报错信息。过一会儿，报错会自动恢复。

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.b__c(RedisClientclien)
在 CRedis.Client.Logic.ClientPool.ExcuteAction[T](Func`2 action,String methodName)
在 CRedis.Client.Logic.ClientPool.Excute[T](Func`2 action, StringmethodName)

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。

二、问题分析从报错的信息来看，是客户端连接不到服务端。
一个常见的原因是端口耗尽，于是我们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。在Redis服务端，我们把运行超过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个链接突然飙升至4100个链接。如下图显示。

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  710:41:40 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  710:41:41 CST 2018
   1699 outgoing packets dropped
   92 dropped because of missing route
   345539 SYNs to LISTEN sockets dropped
   345539 times the listenqueue 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。

三、关于backlogoverflow

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，画成图的话大概是这个样子：

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。

四、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。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。
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。

五、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 inclientsCronResizeQueryBuffer () 
#6  0x00000000004205de in clientsCron ()
#7  0x0000000000420784 in serverCron ()
#8  0x0000000000418542 in aeProcessEvents ()
#9  0x000000000041873b in aeMain ()
#100x0000000000420fce in main ()
Thu May 31 11:29:19 CST 2018
Thread 1 (Thread 0x7ff2db6de720 (LWP8378)):
#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 inclientsCronResizeQueryBuffer ()
#8  0x00000000004205de in clientsCron ()
#9  0x0000000000420784 in serverCron ()
#100x0000000000418542 in aeProcessEvents ()
#110x000000000041873b in aeMain ()
#12 0x0000000000420fcein main ()
Thu May 31 11:29:19 CST 2018
Thread 1 (Thread 0x7ff2db6de720 (LWP8378)):
#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 (LWP8378)):
#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

voidclientsCron(void){

    /*Makesuretoprocessatleastnumclients/server.hzofclients

     *percall.Sincethisfunctioniscalledserver.hztimespersecond

     *wearesurethatintheworstcaseweprocessalltheclientsin1

     *second.*/

    intnumclients=listLength(server.clients);

    intiterations=numclients/server.hz;

    mstime_tnow=mstime();

 

    /*Processatleastafewclientswhileweareatit,evenifweneed

     *toprocesslessthanCLIENTS_CRON_MIN_ITERATIONStomeetourcontract

     *ofprocessingeachclientoncepersecond.*/

    if(iterations

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):

/*Theclientquerybufferisansds.cstringthatcanendwithalotof

 *freespacenotused,thisfunctionreclaimsspaceifneeded.

 *

 *Thefunctionalwaysreturns0asitneverterminatestheclient.*/

intclientsCronResizeQueryBuffer(client*c){

    size_tquerybuf_size=sdsAllocSize(c->querybuf);

    time_tidletime=server.unixtime-c->lastinteraction;

 

    /*只在以下两种情况下会Resize querybuffer:

     *1)Querybuffer>BIG_ARG(在server.h 中定义#definePROTO_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))

    {

        /*Onlyresizethequerybufferifitisactuallywastingspace.*/

        if(sdsavail(c->querybuf)>1024){

            c->querybuf=sdsRemoveFreeSpace(c->querybuf);

        }

    }

    /*Resetthepeakagaintocapturethepeakmemoryusageinthenext

     *cycle.*/

    c->querybuf_peak=0;

    return0;

}

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。

六、问题重现

Thu Jun 14 21:56:54 CST 2018
#3 0x0000003729ee893d in clone () from /lib64/libc.so.6
Thread 1 (Thread 0x7f2dc108d720 (LWP27851)):
#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  0x000000000042963bin 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 (LWP27851)):
#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。

我们线上的Redis版本大多是2.8.19版本，原生代码中使用的是jemalloc 3.6的版本，我们看下jemalloc做了些什么。

arena_purge(arena.c)

staticvoid

arena_purge(arena_t*arena,boolall)

{

                    arena_chunk_t*chunk;

                    size_tnpurgatory;

                    if(config_debug){

                                        size_tndirty=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_tnpurgeable,npurged,nunpurged;

 

                                         /*Getnextchunkwithdirtypages.*/

                                         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)

staticvoid

arena_purge(arena_t*arena,boolall)

{

                    chunk_hooks_tchunk_hooks=chunk_hooks_get(arena);

                    size_tnpurge,npurgeable,npurged;

                    arena_runs_dirty_link_tpurge_runs_sentinel;

                    extent_node_tpurge_chunks_sentinel;

 

                    arena->purging=true;

 

                    /*

                     *Callstoarena_dirty_count()aredisabledevenfordebugbuilds

                     *becauseoverheadgrowsnonlinearlyasmemoryusageincreases.

                     */

                    if(false&&config_debug){

                                         size_tndirty=arena_dirty_count(arena);

                                         assert(ndirty==arena->ndirty);

                    }

                    assert((arena->nactive>>arena->lg_dirty_mult)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;

}

七、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。

根据上面的分析，我们尝试通过升级jemalloc版本，实际操作为升级Redis版本来解决。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。

八、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，我们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。

希望本文能给遇到同样问题的小伙伴们一些启发。

转自：【原创： 张延俊/寿向晨 携程技术中心】https://mp.weixin.qq.com/s/VvAFpLmwg0bJZrnLUIv18A