Nginx Connection Reset 问题排查

网校研发部--施洪宝

一. 背景介绍

1.1 业务背景

网校服务正在向K8S迁移，我们有两个服务之前是绑定到一台机器上部署的，二者之间通过IP直接访问，如下图所示，

调用关系非常简单，服务A调用了服务B，这里简单说明下服务A和服务B，

• 服务A基于Golang的Gin框架开发，使用Http长连接访问服务B
• 服务B基于C++的BRPC开发

我们想把两个服务进行拆分，通过域名访问。拆分后，访问链路变成了下图，

在拆分之后，我们发现服务A出现了大量的connection reset by peer的错误，而且这些错误基本都是集中出现，出现的时间点也没有什么规律，本文是对排查过程的简单总结。

1.2 Tcp Reset简介

Tcp发送Reset包有很多种情况，比如说：服务端的全连接队列已满，无法接受新的连接请求；服务端已经关闭连接，客户端仍然向其发送数据；服务端没有处理完客户端发送的所有数据。还有很多其他的情况，我们这里就不再一一列举。本文主要介绍其中的2种。

1. 服务端已经关闭连接，客户端仍然发送数据，这种情况比较容易模拟，也比较容易理解。
2. 我们这里介绍下，服务端没有处理完客户端数据的情况。对于客户端发送的数据, 服务端应用层没有读取完, 就关闭了连接, 服务端会发送Reset。这里是为什么呢？思考之后，不难发现， 这是Tcp可靠性的保证, Tcp需要保证客户端发送的数据, 服务端应用层都能收到，如果服务端应用层没有读取数据，就应该通知客户端，怎么通知呢，就是通过Tcp Reset包。下面给出一个简单的示例程序，

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 

#define PORT 8211

int main(int argc, char** argv)
{
    int send_sk = socket(AF_INET, SOCK_STREAM, 0);
    if(send_sk == -1)
    {
        perror("socket failed  ");
        return -1;
    }

    struct sockaddr_in s_addr;
    socklen_t len = sizeof(s_addr);
    bzero(&s_addr, sizeof(s_addr));
    s_addr.sin_family = AF_INET;
    inet_pton(AF_INET, "127.0.0.1", &s_addr.sin_addr);
    s_addr.sin_port = htons(PORT);

    if(connect(send_sk, (struct sockaddr*)&s_addr, len) == -1)
    {
        perror("connect fail  ");
        return -1;
    }

    char pcContent[1028]={0};
    write(send_sk, pcContent, 1028);

    sleep(1);
    close(send_sk);
    return 0;
}

• 编译gcc client.c -o client
• 以上是客户端程序, 客户端发送了1028个字节给服务端，等待1s之后，关闭连接。

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 

#define PORT 8211
#define BACKLOG 10
#define MAXRECVLEN 1024

int main(int argc, char *argv[])
{
    char buf[MAXRECVLEN];
    int listenfd, connectfd;   /* socket descriptors */
    struct sockaddr_in server; /* server's address information */
    struct sockaddr_in client; /* client's address information */
    socklen_t addrlen;
    
    if ((listenfd = socket(AF_INET, SOCK_STREAM, 0)) == -1)
    {
        perror("socket() error. Failed to initiate a socket");
        exit(1);
    }

    /* set socket option */
    int opt = SO_REUSEADDR;
    setsockopt(listenfd, SOL_SOCKET, SO_REUSEADDR, &opt, sizeof(opt));

    bzero(&server, sizeof(server));
    server.sin_family = AF_INET;
    server.sin_port = htons(PORT);
    server.sin_addr.s_addr = htonl(INADDR_ANY);
    if(bind(listenfd, (struct sockaddr *)&server, sizeof(server)) == -1)
    {
        perror("Bind() error.");
        exit(1);
    }

    if(listen(listenfd, BACKLOG) == -1)
    {
        perror("listen() error. \n");
        exit(1);
    }

    addrlen = sizeof(client);
    printf("wait connect\n");
    if((connectfd=accept(listenfd,(struct sockaddr *)&client, &addrlen))==-1)
    {
     perror("accept() error. \n");
     exit(1);
    }
    printf("connectfd is %d\n", connectfd);
    int ans = recv(connectfd, buf, MAXRECVLEN, 0);
    printf("read data size: %d\n", ans);
    close(listenfd); /* close listenfd */
    return 0;
}

• 编译gcc server.c -o server
• 服务端启动后, 等待客户端的连接。客户端连接之后，服务端只接收了1024个字节, 就关闭了连接。

1.3 Nginx长连接的一些设置参数

这里给出网关Nginx的一些配置，网关Nginx是1.15.8版本，这里只列了其中一部分配置，

http{
    upstream backend{
        keepalive 100;
        #Nginx 1.15.3之后可以设置，这里是默认配置
        keepalive_timeout 60s;
        #Nginx 1.15.3之后可以设置，这里是默认配置
        keepalive_requests 100;
        ...
    }
    server{
        keepalive_timeout 20s;
        keepalive_requests 100;
        ...
    }
}

• server中的keepalive_timeout, 意思是Nginx作为服务端，对于客户端的长连接请求，如果20s内，没有收到新的请求，就会关闭这个连接。
• server中的keepalive_requests，意思是对于客户端的单个长连接，最多处理100个请求，处理完100个请求后，就关闭这个连接，不再接收新的请求。
• upstream中的keepalive，意思是这个upstream最多的空闲长连接数
• upstream中的keepalive_timeout，意思是Nginx作为客户端，与upstream建立长连接后，如果60s内没有使用，就关闭这个长连接，不再使用。
• upstream中的keepalive_requests，意思是Nginx作为客户端，与upstream建立的长连接，单个连接最多发送100个请求，超过之后，就关闭连接。

1.4 Golang服务的长连接设置

Golang服务在访问网关Nginx时，充当客户端的角色，作为客户端的配置如下，我们这里只列出其中一部分，

//
transport = http.Transport{}
transport.MaxIdleConns = 100
transport.MaxIdleConnsPerHost = 100
transport.IdleConnTimeout = 60 * time.Second
//
client = http.Client{Timeout: 300 * time.Millisecond}
client.Transport = &transport

这里重点讲下transport.IdleConnTimeout的含义，它的意思是单个长连接，如果60s内没有被使用，就不再使用这个长连接发送请求。

二. 问题排查

服务拆分之后，Golang服务出现了大量的connection reset by peer错误，很明显，这个错误是网关Nginx发送给Golang服务的。问题的排查可以分为3个阶段，这里我们一一介绍。

2.1 超时设置

之前一直认为，网关Nginx server中的keepalive_timeout设置的是75s，也就是说Nginx过了75s才关闭这个长连接。问题排查的时候，问了下网关那边的具体配置，告诉我是20s。这时候就想，应该是因为我们Golang服务设置的超时时间是60s导致的。当单个长连接超过20s没有被使用后，Golang服务认为这个长连接还可以使用，但是网关Nginx认为已经超时，所以Golang服务再次发送请求，Nginx会发送Tcp Reset包。

将transport.IdleConnTimeout设置为15s后， 本以为这个问题一定能解决，但是发现还是会出现connection reset by peer。

2.2 长连接处理请求数设置

修改了超时时间之后，发现并没有解决connection reset by peer的问题。之后，又想到是不是Nginx server中的keepalive_requests设置导致的。Golang服务的长连接，并没有设置单个长连接可以发送的请求数，但是Nginx在单个长连接上，只会处理100个请求，超过100请求后，Nginx会关闭连接，这时候如果Golang服务发送了请求，Nginx就会发送Tcp Reset包。

之后，想要设置Golang Http Client的长连接处理请求数，找了半天，并没有找到哪个配置项可以配置这个值（这里如果有知道的，可以和我说下）。

没找到配置项后，就想先抓包看下吧，抓到包之后就发现了问题不在这里。

2.3 找到原因并解决

想要设置Golang服务作为客户端，单个长连接最多处理的请求数无果后，进行了抓包，抓包结果显示，

• 单个长连接并没有处理到100个请求，Nginx就发送了Tcp Reset包。
• 收到Tcp Reset包的时间点，还有很多Tcp Fin包。

之后，排查网关日志发现，我们出现connection reset by peer错误的时候，网关也出现了大量的init_worker()的错误。这时候就感觉是网关Nginx Reload导致的connection reset by peer。

然后，我们复现了这个现象，晚上的时候，让网关Nginx更改配置，Reload服务，发现我们果然又出现了connection reset by peer的错误，到这里基本上就定位了问题原因。

我们思考下，为什么网关Nginx重启，会导致我们的服务收到Tcp Reset包，不是说Nginx是平滑重启，不影响服务的嘛？思考之后，原因如下，

• Nginx Reload在创建新的Worker进程之后，需要向老的Worker发送信号，要求其不再接收新的连接请求，并处理完当前连接的请求后，关闭连接。
• 很明显，我们Golang服务是与Nginx老的Worker建立的长连接，当老的Worker处理完一个请求后，发送结果给Golang服务，Golang服务收到结果之后，可能会继续发送请求，但是这个时候，Nginx老的Worker可能已经关闭了连接，故而发送Tcp Reset包给Golang服务。
• 这里留个问题，有没有某种情况是，Nginx Worker收到请求后，没有处理就关闭了连接，进而导致服务端Nginx发送Tcp Reset包给客户端？

找到原因之后，就需要解决这个问题。解决方案有两种，

• Golang服务的长连接改为短连接，我们使用的就是这一种
• Golang服务继续使用长连接，当出现connection reset by peer错误后，进行重试。这里需要注意的是，因为Nginx正在Reload，大量的长连接都会失效，所以可能需要重试很多次。

三. 总结

Nginx是非常优秀的负载均衡、反向代理工具，业界使用的非常广泛，Nginx的高性能、模块化设计也被很多软件所模仿。我们在使用Nginx的时候，可以多思考，多总结，加深对Nginx的理解。Http的长连接和短连接各有利弊，我们要根据自己的实际场景进行选择。排查问题的时候，多思考，任何一个问题背后都可能有很丰富的知识点。