问题引入
某个夜黑风高的晚上，突然接收到少量错误日志报警『failed to dial server: dial tcp xxxx:yy: i/o timeout』。原来是微服务客户端请求服务端，连接失败。
简单介绍下服务现状：我们的服务部署在k8s环境，微服务框架我们使用的是smallnest/rpcx，注册中心基于zookeeper，链路如下图所示：
接下来初步分析下问题现状：
- 第一步：这些连接超时的服务端是有什么异常吗？根据连接超时的IP地址查找对应的容器服务，发现没有一个容器服务是这个IP地址；那这个IP地址是从哪来的呢？难道是在某个隐秘的角落启动的？
- 第二步：连接注册中心，查看该服务端注册的IP列表，发现也不存在上面超时的IP地址。
- 进一步：这个异常IP地址，k8s环境历史确实分配过；猜测服务端重启后，IP地址变了，但是客户端却没有更新IP列表，导致还请求老的IP地址。
另外，错误日志只集中在一个客户端实例，即只有一个客户端容器服务没有更新服务端的IP列表。初步猜测可能有两种原因：1）这个客户端与zookeeper之间连接存在异常，所以zookeeper无法通知数据变更；2）服务发现框架存在代码异常，且只在某些场景触发，导致无法更新本地IP列表，或者是没有watch数据变更。
针对第一种猜测，很简单就能验证，登录到该异常pod，查看与zookeeper之间的连接即可：
# netstat -anp | grep 2181
tcp 0 0 xxxx:51970 yyyy:2181 ESTABLISHED 9/xxxx
tcp 0 0 xxxx:40510 yyyy:2181 ESTABLISHED 9/xxxx可以看到存在两条正常的TCP连接，为什么是两条呢？因为该进程不止作为客户端访问其他服务，还作为服务端供其他客户端调用，其中一条连接是用来注册服务，另外一条连接用来发现服务。tcpdump抓包看看这两条连接的数据交互：
23:01:58.363413 IP xxxx.51970 > yyyy.2181: Flag [P.], seq 2951753839:2951753851, ack 453590484, win 356, length 12
23:01:58.363780 IP yyyy.2181 > xxxx.51970: Flags [P.], seq 453590484:453590504, ack 2951753851, win 57, length 20
23:01:58.363814 IP xxxx.51970 > yyyy.2181: Flags [.], ack 453590504, win 356, length 0
……上面省略了抓包的内容部分。注意zookeeper点采用二进制协议，不太方便识别但是基本可以确信，这是ping-pong心跳包（定时交互，且每次数据一致）。并且，两条连接都有正常的心跳包频繁交互。也就是说客户端与zookeeper之间连接正常，那么很可能就是服务发现框架的代码问题了。
模拟验证
通过上面的分析，可能的原因是：服务发现框架存在代码异常，且只在某些场景触发，导致无法更新本地IP列表，或者是没有watch数据变更。
客户端有没有watch数据变更，这一点非常容易验证；只需要重启一台服务，客户端tcpdump抓包就行。只不过zookeeper点采用二进制协议，不好分析数据包内容。
所以我们先简单介绍下zookeeper通信协议；如下图所示，图中4B表示该字段长度为4Byte。
可以看到，每一个请求（响应），头部都有4字节标识该请求体的长度；另外，请求头部Opcode标识该请求类型，比如获取节点数据，创建节点等。watch事件通知是没有请求，只有响应，其中Type标识事件类型，Path为发生事件的节点路径。
从zookeeper SDK可以找到所有请求类型，以及事件类型的定义。
const (
opNotify = 0
opCreate = 1
opDelete = 2
opExists = 3
opGetData = 4 //获取节点数据，这是我们需要关注的
opSetData = 5
opGetAcl = 6
opSetAcl = 7
opGetChildren = 8
opSync = 9
opPing = 11
opGetChildren2 = 12 //获取子节点列表，这是我们需要关注的
opCheck = 13
opMulti = 14
opClose = -11
opSetAuth = 100
opSetWatches = 101
)
const (
EventNodeCreated EventType = 1
EventNodeDeleted EventType = 2
EventNodeDataChanged EventType = 3
EventNodeChildrenChanged EventType = 4 //子节点列表变化，这是我们需要关注的
)下面可以开始操作了，客户端tcpdump开启抓包，服务端杀死一个容器服务，分析抓包数据如下：
//zookeeper数据变更事件通知
23:02:02.717505 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453590524:453590585, ack 2951753863, win 57, length 61
0000 0039 ffff ffff ffff ffff ffff .....9..........
0x0050: ffff 0000 0000 0000 0004 0000 0003 0000 ................
0x0060: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0070: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx xxxxxxxxxxxxxxx
23:02:02.717540 IP xxxx.51970 > xxxx.2181: Flags [.], ack 453590585, win 356, length 0
//客户端发起请求，获取子节点列表
23:02:02.717752 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753863:2951753909, ack 453590585, win 356, length 46
0000 002a 0000 4b2f 0000 000c 0000 .....*..K/......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx00 xxxxxxxxxxxxxxx.
//zookeeper响应，包含服务端所有节点（IP）
23:02:02.718500 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453590585:453591858, ack 2951753909, win 57, length 1273
//遍历所有节点（IP），获取数据（metadata）
23:02:02.718654 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753909:2951753978, ack 453591858, win 356, length 69
0000 0041 0000 4b30 0000 0004 0000 .....A..K0......
0x0050: 0034 xxxx xxxx xxxx xxxx xxxx xxxx xxxx .4/xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxxxxxxxxxxxxxx
0x0070: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxxxxxxxxxxxxxx
0x0080: xxxx xxxx xxxx 00 xxxxxxx
23:02:02.720273 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453591858:453591967, ack 2951753978, win 57, length 109
0000 0069 0000 4b30 0000 0003 0ab3 .....i..K0......
0x0050: ad90 0000 0000 0000 0011 6772 6f75 703d ..........group=
0x0060: 6f6e 6c69 6e65 2674 7073 3d00 0000 030a online&tps=.....
0x0070: b2ff ed00 0000 030a b3ad 5800 0001 76ae ..........X...v.
0x0080: d003 dd00 0001 76af 051d 6d00 0000 3a00 ......v...m...:.
0x0090: 0000 0000 0000 0001 703f 90a3 f679 ce00 ........p?...y..
0x00a0: 0000 1100 0000 0000 0000 030a b2ff ed ...............
……整个过程的交互流程如下图所示：
可以看到，zookeeper在数据变更时通知客户端了，而客户端也拉取最新节点列表了，而且获取到的节点IP列表都是正确的。这就奇怪了，都已经获取到最新的IP列表了，为什么还请求老的IP地址？是没有更新内存中的数据吗？这就review代码了。
代码Review
我们的微服务框架使用的是smallnest/rpcx，监听zookeeper数据变更的逻辑，如下所示：
//死循环监听数据变化，通过管道返回数据到上层业务
for {
_, _, eventCh, err := s.client.ChildrenW(s.normalize(directory))
select {
case e := <-eventCh:
if e.Type == zk.EventNodeChildrenChanged {
keys, stat, err := s.client.Children(s.normalize(directory))
//循环获取所有节点数据
for _, key := range keys {
pair, err := s.Get(strings.TrimSuffix(directory, "/") + s.normalize(key))
}
}
}
}注意获取子节点列表的两个方法，ChildrenW以及Children；这两是有区别的：
func (c *Conn) Children(path string) ([]string, *Stat, error) {
_, err := c.request(opGetChildren2, &getChildren2Request{Path: path, Watch: false}, res, nil)
return res.Children, &res.Stat, err
}
func (c *Conn) ChildrenW(path string) ([]string, *Stat, <-chan Event, error) {
_, err := c.request(opGetChildren2, &getChildren2Request{Path: path, Watch: true}, res, func(req *request, res *responseHeader, err error) {
return res.Children, &res.Stat, ech, err
}原来，方法的后缀『W』代表着是否设置监听器。这里读者需要知道，zookeeper的监听器是一次性的。即客户端设置监听器后，数据变更时候，zookeeper查询监听器通知客户端，同时会删除该监听器。这就导致下次数据变更时候不会通知客户端了。
这有什么问题吗？也许会有问题。客户端接收到数据变更后主要有三步逻辑：1）获取子节点列表，注意这时候并没有设置监听器；2）遍历所有节点获取数据；3）获取子节点列表，设置监听器，等待zookeeper事件通知。注意从第一步到第三步，是有耗时的，特别是服务端节点数目过多时候，多次请求耗时必然更高，那么在这之间的数据变更客户端是感知不到的。再结合代码升级流程，是滚动升级，即启动如干新版本容器服务（目前配置25%数目），如果这些容器服务正常启动，则杀掉部分老版本容器服务；依次类推。
如果从第一部分新版本容器服务启动，到最后一部分新版本容器服务启动以及杀掉最后一些老版本容器服务，之间间隔非常短呢？小于上面第一步到第三步耗时呢？这样就会导致，客户端既存在老的IP列表，也存在新的IP列表。（上一小节模拟验证时候，只是杀死一个容器服务验证数据监听机制，并没有模拟大量容器服务重启过程并分析数据交互，因此无法确定这类场景是否存在问题）。整个过程如下图所示：
继续分析日志，发现客户端请求所有服务端的IP地址都是错误的，即客户端并不存在新的IP地址，不符合该场景。不过，zookeeper监听器一次性机制还是需要关注，以防出现数据变更无法同步问题。
柳暗花明
还能有什么原因呢？只能继续扒代码了，既然rpcx获取到了最新的IP列表，为什么没有更新呢？这就需要重点分析rpcx数据更新逻辑了。
如图所示，ZookeeperDiscovery监听到服务端IP变更时候，将最新的IP列表写入chan，rpcxClient通过chan可获取最新的IP列表，并更新selector（selector提供负载均衡能力）。这个逻辑可以说是非常简单了，没有理由会出现异常。但是事实证明，异常大概率就在这块逻辑。难道是rpcxClient读取chan数据的协程有异常了？看看协程栈帧，也并没有问题。
通过pprof工具，分析服务协程情况，rpcxClient协程调用栈正常，ZookeeperDiscovery协程调用栈正常，两者数目保持一致（客户端毕竟不止是只访问一个微服务，所以会存在多个rpcxClient）。监听的两个子协程都没有问题。
go tool pprof http://localhost:17009/debug/pprof/goroutine
(pprof) traces
5 runtime.gopark
runtime.goparkunlock
runtime.chanrecv
runtime.chanrecv2
github.com/smallnest/rpcx/client.(*xClient).watch
-----------+-------------------------------------------------------
5 runtime.gopark
runtime.selectgo
github.com/smallnest/rpcx/client.(*ZookeeperDiscovery).watch只能继续探索。。。
联想到之前还添加了服务发现灾备逻辑（防止zookeeper出现异常或者客户端到zookeeper之间链路异常），在监听到zookeeper数据变化时，还会将该数据写入本地文件。服务启动时，如果zookeeper无法连接，可以从本地文件读取服务端IP列表。这时候的流程应该是如下图所示：
查看文件中的IP列表以及文件更新时间，发现都没有任何问题：
# stat /xxxx
File: /xxxx
Access: 2020-12-24 22:06:16.000000000
Modify: 2020-12-29 23:02:14.000000000
Change: 2020-12-29 23:02:14.000000000这就不可思议了，文件中都是正确的IP列表，rpcxClient却不是？而rpcxClient更新数据的逻辑简单的不能再简单了，基本没有出错的可能性啊。难道是基于chan的数据通信有问题？再研究研究chan相关逻辑。
rpcxClient与LocalWrapClient是通过WatchService方法获取通信的chan。可以看到，这里新建chan，并append到d.chans切片中。那如果两个协程同时WatchService呢？就可能出现并发问题，切片中最终可能只会有一个chan！这就解释了为什么本地文件可以正常更新，rpcxClient始终无法更新。
func (d *ZookeeperDiscovery) WatchService() chan []*KVPair {
ch := make(chan []*KVPair, 10)
d.chans = append(d.chans, ch)
return ch
}我们再写个小例子模拟一下这种case，验证并发append问题：
package main
import (
"fmt"
"sync"
)
func main() {
ok := true
for i := 0; i <1000; i ++ {
var arr []int
wg := sync.WaitGroup{}
for j := 0; j <2; j ++ {
wg.Add(1)
go func() {
defer wg.Done()
arr = append(arr, i)
}()
}
wg.Wait()
if len(arr) < 2 {
fmt.Printf("error:%d \n", i)
ok = false
break
}
}
if ok {
fmt.Println("ok")
}
}
//error:261 至此，问题基本明了。解决方案也很简单，去掉服务发现灾备逻辑即可。
后记
上面提到，客户端接收到注册中心数据变更后主要有三步逻辑：1）获取子节点列表，注意这时候并没有设置监听器；2）遍历所有节点获取数据；3）获取子节点列表，设置监听器，等待zookeeper事件通知。注意从第一步到第三步，是有耗时的，特别是服务端节点数目过多时候，多次请求耗时必然更高，那么在这之间的数据变更客户端是感知不到的。参考下面的抓包数据，从第一次收到数据变更事件获取节点列表，到下一次设置监听器之间，大概有几十毫秒左右的时间差。
//第一步获取子节点列表，没有设置监听器；注意最后一个字节为0x00，即watch=false
23:02:02.717752 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753863:2951753909, ack 453590585, win 356, length 46
0000 002a 0000 4b2f 0000 000c 0000 .....*..K/......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx00 xxxxxxxxxxxxxxx.
//第一步获取子节点列表，并设置监听器；注意最后一个字节为0x01，即watch=true
23:02:02.768422 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951757025:2951757071, ack 453596850, win 356, length 46
0000 002a 0000 4b5d 0000 000c 0000 .....*..K]......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx01 xxxxxxxxxxxxxxx.
//间隔50ms左右另外服务升级流程，是滚动升级，即启动如干新版本容器服务（目前配置25%数目），如果这些容器服务正常启动，则杀掉部分老版本容器服务；依次类推。这也是有可能导致问题的，如果两个容器服务启动并注册到zookeeper注册中心，间隔非常短？甚至小于50ms，那么后一个注册的服务，客户端就收不到该变更事件，无法更新服务端IP。
事实证明，这一分析是正确的，某一天在服务升级之后，确实出现了这种场景，客户端请求的服务端部分正确，部分IP超时（上一版本容器服务的IP）。
总结
初次遇到这问题时候，觉得匪夷所思。基于现状，冷静分析问题产生情况，一个一个去排查或者排除，切记急躁。
抓包验证，二进制协议又不方便分析，只能去研究zookeeper通信协议了。最终还是需要一遍一遍Review代码，寻找蛛丝马迹，不要忽视任何可能产生的异常。
最后，Golang并发问题确实是很容易忽视，却又很容易产生，平时开发还需多注意多思考。