腾讯云带宽告警问题排查及解决

1. 背景

产品服务器设置了「外网带宽使用率 >= 100%，统计粒度5分钟，连续1次满足条件则每1小时告警一次」告警策略，基本上我每天都收到多条告警信息。

2. 云平台监控数据

2.1. 服务器带宽

5mbps (Million bits per second 兆比特每秒) 

// 1字节 = 8比特
= 1024 x 5 kbps
≈ 625KBps (Kilo Byte)

2.2. 外网带宽监控数据

带宽监控.png

放大一点查看数据：

带宽监控2.png

2.3. 监控数据总结

2.3.1 腾讯云监控数据解读

• 腾讯云的点是基于1分钟的聚合数据（也就是1分钟里的最高带宽）
• 告警策略是5分钟内连续1次（大约也就是5分钟出现两次高点就告警了，还不确定次是按1分钟的聚合来计算还是1分钟里面两次也触发告警）

2.3.2 产品带宽使用情况解读

服务器部署了 web 服务 和 用于存储图片资源，报表导出和资源（平均200KB左右，非 kb）一张，部分页面有时候会放好几张图片展示。如果是连续的浏览充电站、商城，或者导出报表，是很容易触发2次峰值而导致报警的。

3. 问题排查

刚才只是大约估计了一下可能的情况，排查问题还是要系统地去看，需要挑选了告警的时间区间，分别进行数据统计。

我们服务器对外的带宽服务有：

• WEB 服务。通过 Nginx 访问
• Web Socket 服务。通过 socket 协议访问
• 桩 Agent 服务。通过 socket 协议访问

WEB 服务比较简单，nginx 上都有日志，可以通过日志的 bodysize 统计。其他两个是通过 socket 的，持续通讯的，所以我选择了数据日志的 log 进行大概统计。

3.1 Web 服务带宽排查

日志

以下是我的 nginx access.log 日志格式：

111.95.199.165 - - [03/Dec/2021:14:45:01 +0800] "GET /app/user?token=zDIQHuVnVFW3kabQQ2emvEVJTBlPxlsECG0FPOUkEj7/hC/TPyhnG6fbAPadjwoLmS4= HTTP/1.1" 101 276 "https://servicewechat.com/wx969418ad95ed8efa/124/page-frame.html" "Mozilla/5.0 (Linux; Android 9; vivo X21A Build/PKQ1.180819.001; wv) AppleWebKit/537.36 (KHTML, like Gecko) Version/4.0 Chrome/86.0.4240.99 XWEB/3148 MMWEBSDK/20211001 Mobile Safari/537.36 MMWEBID/8757 MicroMessenger/8.0.16.2040(0x28001056) Process/appbrand0 WeChat/arm32 Weixin NetType/4G Language/zh_CN ABI/arm64 MiniProgramEnv/android" "-"

可以通过配置调整 ngx_http_log_module 的 log format，如:

log_format nginx '\$remote_addr - \$remote_user [\$time_local] '
                  '"\$request" \$status \$body_bytes_sent \$request_time '
                  '"\$http_referer" "\$http_user_agent"';

$body_bytes_sent
发送给客户端的字节数，不包括响应头的大小； 该变量与Apache模块mod_log_config里的“%B”参数兼容。

$bytes_sent
发送给客户端的总字节数。

查看指令

可以看出 nginx 日志的 body_bytes_sent 是字节，所以可以通过以下指令查看数据量（$10 是 body_bytes_sent 所在位置，需要根据实际调整；grep 内容是某一分钟的时间）：

cat access.log|grep "2021:15:25"|awk '{BYTE+=$10}END{print "client_kbyte_out="BYTE/1024/1024"MB"}'

结果分析

最终实际查看一天下来的流量也400MB，几个高峰的分钟段也就几M，都在预期合理的范围，并且形成不了持续的拥堵情况。

3.2 Web Socket 服务

Web Socket 只有 connect 时的信息会写在 nginx access log 上，不过平时通讯的信息都有手动写相应的 access log（注意排除 业务的log信息）。经统计 web socket 的 access log 比较小，一天只有十几M的数据，基本可以忽略。

注意：心跳包也需要统计进去。

3.3 桩 Agent 服务

桩agent 是通过端口直连的，没有经过 nginx，log 比较分散，统计了几个大的agent的 log（只统计 access log），占用的大小都不大，基本不形成高峰。但由于数量多，没有最终确定某个时间段的高峰值。

4. 解决方案

4.1 限制大文件访问

通过 nginx 配置，限制最大的带宽，可以稍微缓解一次访问的压力。避免一个大文件的访问，就长期占用了所有的外网带宽。

Nginx 限流有两种方式：

• 控制速率
• 控制并发数

a) 控制速率

正常限流

ngx_http_limit_req_module 模块提供限制请求处理速率能力，使用了漏桶算法(leaky bucket)。下面例子使用 nginx limit_req_zone 和 limit_req 两个指令，限制单个IP的请求处理速率。

==在 nginx.conf http 中添加限流配置：==

格式：limit_req_zone key zone rate

http {
    limit_req_zone $binary_remote_addr zone=myRateLimit:10m rate=10r/s;
}

==配置 server，使用 limit_req 指令应用限流==

server {
    location / {
        limit_req zone=myRateLimit;
        proxy_pass http://my_upstream;
    }
}

• key ：定义限流对象，binary_remote_addr 是一种key，表示基于 remote_addr(客户端IP) 来做限流，binary_ 的目的是压缩内存占用量。
• zone：定义共享内存区来存储访问信息， myRateLimit:10m 表示一个大小为10M，名字为myRateLimit的内存区域。1M能存储16000 IP地址的访问信息，10M可以存储16W IP地址访问信息。
• rate 用于设置最大访问速率，rate=10r/s 表示每秒最多处理10个请求。Nginx 实际上以毫秒为粒度来跟踪请求信息，因此 10r/s 实际上是限制：每100毫秒处理一个请求。这意味着，自上一个请求处理完后，若后续100毫秒内又有请求到达，将拒绝处理该请求。

处理突发流量

上面例子限制 10r/s，如果有时正常流量突然增大，超出的请求将被拒绝，无法处理突发流量，可以结合 burst 参数使用来解决该问题。

server {
    location / {
        limit_req zone=myRateLimit burst=20;
        proxy_pass http://my_upstream;
    }
}

burst 译为突发、爆发，表示在超过设定的处理速率后能额外处理的请求数。当 rate=10r/s 时，将1s拆成10份，即每100ms可处理1个请求。

此处，burst=20 ，若同时有21个请求到达，Nginx 会处理第一个请求，剩余20个请求将放入队列，然后每隔100ms从队列中获取一个请求进行处理。若请求数大于21，将拒绝处理多余的请求，直接返回503.

不过，单独使用 burst 参数并不实用。假设 burst=50 ，rate依然为10r/s，排队中的50个请求虽然每100ms会处理一个，但第50个请求却需要等待 50 * 100ms即 5s，这么长的处理时间自然难以接受。

因此，burst 往往结合 nodelay 一起使用。

server {
    location / {
        limit_req zone=myRateLimit burst=20 nodelay;
        proxy_pass http://my_upstream;
    }
}

nodelay 针对的是 burst 参数，burst=20 nodelay 表示这20个请求立马处理，不能延迟，相当于特事特办。不过，即使这20个突发请求立马处理结束，后续来了请求也不会立马处理。burst=20 相当于缓存队列中占了20个坑，即使请求被处理了，这20个位置这只能按 100ms一个来释放。

这就达到了速率稳定，但突然流量也能正常处理的效果。

b) 限制连接数

ngx_http_limit_conn_module 提供了限制连接数的能力，利用 limit_conn_zone 和 limit_conn 两个指令即可。下面是 Nginx 官方例子：

limit_conn_zone $binary_remote_addr zone=perip:10m;
limit_conn_zone $server_name zone=perserver:10m;
server {
    ...
    limit_conn perip 10;
    limit_conn perserver 100;
}

limit_conn perip 10 作用的key 是 $binary_remote_addr，表示限制单个IP同时最多能持有10个连接。

limit_conn perserver 100 作用的key是 $server_name，表示虚拟主机(server) 同时能处理并发连接的总数。

需要注意的是：只有当 request header 被后端server处理后，这个连接才进行计数。

c) 测试

# c 是并发数， n 是次数
ab -n 10 -c 10 [测试的URL]

4.2 云存储

使用独立的云存储，专门存放资源文件。

4.3 内网代替外网

Agent 与桩之间是通过外网连接的，可以考虑多加一台服务器，与 产品服务是一个内网的。Agent 先连接到一台转发服务器，与 ECMP直接通过内网连接。

端口转发参考：《Agent端口映像》

4.4 平均带宽降低

略

4.5 调整告警策略

鉴于当前告警实际对访问的影响可忽略，将触发次数调整为2次再告警。（后面再也没有收到告警了~）

5. 参考

《Nginx 的两种限流方式》
《常用的服务器日志分析命令》