如何排查Kubernetes機(jī)器內(nèi)核問題

本篇內(nèi)容主要講解“如何排查Kubernetes機(jī)器內(nèi)核問題”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“如何排查Kubernetes機(jī)器內(nèi)核問題”吧!

具體現(xiàn)象

在線上環(huán)境中的某個應(yīng)用出現(xiàn)了接口緩慢的問題!

就憑這個現(xiàn)象，能列出來的原因數(shù)不勝數(shù)。本篇博客主要敘述一下幾次排查以及最后如何確定原因的過程，可能不一定適用于其他集群，就當(dāng)是提供一個參考吧。排查過程比較冗長，過去太久了，我也不太可能回憶出所有細(xì)節(jié)，希望大家見諒。

網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

網(wǎng)絡(luò)請求流入集群時，對于我們集群的結(jié)構(gòu)：

用戶請求=> Nginx => Ingress => uwsgi

不要問為什么有了 Ingress 還有 Nginx，這是歷史原因，有些工作暫時需要由 Nginx 承擔(dān)。

初次定位

請求變慢一般馬上就會考慮，程序是不是變慢了，所以在發(fā)現(xiàn)問題后，首先在 uwsgi  中增加簡單的小接口，這個接口是處理快并且馬上返回數(shù)據(jù)，然后定時請求該接口。在運(yùn)行幾天之后，確認(rèn)到該接口的訪問速度也很慢，排除程序中的問題，準(zhǔn)備在鏈路中查找原因。

再次定位 – 簡單的全鏈路數(shù)據(jù)統(tǒng)計(jì)

由于我們的 Nginx 有 2  層，需要針對它們分別確認(rèn)，看看究竟是哪一層慢了。請求量是比較大的，如果針對每個請求去查看，效率不高，而且有可能掩蓋真正原因，所以這個過程采用統(tǒng)計(jì)的方式。統(tǒng)計(jì)的方式是分別查看兩層  Nginx 的日志情況。由于我們已經(jīng)在 ELK 上接入了日志，ELK 中篩選數(shù)據(jù)的腳本簡單如下：

{ "bool": { "must": [   {     "match_all": {}   },   {     "match_phrase": {       "app_name": {         "query": "xxxx"       }     }   },   {     "match_phrase": {       "path": {         "query": "/app/v1/user/ping"       }     }   },   {     "range": {       "request_time": {         "gte": 1,         "lt": 10       }     }   },   {     "range": {       "@timestamp": {         "gt": "2020-11-09 00:00:00",         "lte": "2020-11-12 00:00:00",         "format": "yyyy-MM-dd HH:mm:ss",         "time_zone": "+08:00"       }     }   } ] } }

數(shù)據(jù)處理方案

根據(jù) trace_id 可以獲取到 Nignx 日志以及 Ingress 日志，通過 ELK 的 API 獲得。

# 這個數(shù)據(jù)結(jié)構(gòu)用來記錄統(tǒng)計(jì)結(jié)果， # [[0, 0.1], 3]表示落在 0~0.1 區(qū)間的有 3 條記錄 # 因?yàn)樾?shù)的比較和區(qū)間比較麻煩，所以采用整數(shù)，這里的 0~35 其實(shí)是 0~3.5s 區(qū)間 # ingress_cal_map = [ #     [[0, 0.1], 0], #     [[0.1, 0.2], 0], #     [[0.2, 0.3], 0], #     [[0.3, 0.4], 0], #     [[0.4, 0.5], 0], #     [[0.5, 1], 0], # ] ingress_cal_map = [] for x in range(0, 35, 1): ingress_cal_map.append(     [[x, (x+1)], 0] ) nginx_cal_map = copy.deepcopy(ingress_cal_map) nginx_ingress_gap = copy.deepcopy(ingress_cal_map) ingress_upstream_gap = copy.deepcopy(ingress_cal_map)   def trace_statisics(): trace_ids = [] # 這里的 trace_id 是提前查找過，那些響應(yīng)時間比較久的請求所對應(yīng)的 trace_id with open(trace_id_file) as f:     data = f.readlines()     for d in data:         trace_ids.append(d.strip())  cnt = 0 for trace_id in trace_ids:     try:         access_data, ingress_data = get_igor_trace(trace_id)     except TypeError as e:         # 繼續(xù)嘗試一次         try:             access_data, ingress_data = get_igor_trace.force_refresh(trace_id)         except TypeError as e:             print("Can't process trace {}: {}".format(trace_id, e))             continue     if access_data['path'] != "/app/v1/user/ping":  # 過濾臟數(shù)據(jù)         continue     if 'request_time' not in ingress_data:         continue      def get_int_num(data):  # 數(shù)據(jù)統(tǒng)一做 *10 處理         return int(float(data) * 10)      # 針對每個區(qū)間段進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，可能有點(diǎn)羅嗦和重復(fù)，我當(dāng)時做統(tǒng)計(jì)夠用了     ingress_req_time = get_int_num(ingress_data['request_time'])     ingress_upstream_time = get_int_num(ingress_data['upstream_response_time'])     for cal in ingress_cal_map:         if ingress_req_time >= cal[0][0] and ingress_req_time < cal[0][1]:             cal[1] += 1             break      nginx_req_time = get_int_num(access_data['request_time'])     for cal in nginx_cal_map:         if nginx_req_time >= cal[0][0] and nginx_req_time < cal[0][1]:             cal[1] += 1             break      gap = nginx_req_time - ingress_req_time     for cal in nginx_ingress_gap:         if gap >= cal[0][0] and gap <= cal[0][1]:             cal[1] += 1             break      gap = ingress_req_time - ingress_upstream_time     for cal in ingress_upstream_gap:         if gap >= cal[0][0] and gap <= cal[0][1]:             cal[1] += 1             break

我分別針對 request_time(Nginx)，request_time(Ingress)以及 requet_time(nginx) -  request_time(Ingress)做了統(tǒng)計(jì)。

最后的統(tǒng)計(jì)結(jié)果大概如下：

結(jié)果分析

我們總共有約 3000 條數(shù)據(jù)!

圖一：超過半數(shù)的請求落在 1 ~ 1.1s 區(qū)間，1s ~ 2s 的請求比較均勻，之后越來越少了。

圖二：大約 1/4 的請求其實(shí)已經(jīng)在 0.1s 內(nèi)返回了，但是 1 ~ 1.1s 也有 1/4 的請求落上去了，隨后的結(jié)果與圖一類似。

從圖 1 圖 2 結(jié)合來看，部分請求在 Ingress 側(cè)處理的時間其實(shí)比較短的。

圖三：比較明顯了，2/3 的請求在響應(yīng)時間方面能夠保持一致，1/3 的請求會有 1s 左右的延遲。

小結(jié)

從統(tǒng)計(jì)結(jié)果來看，Nginx => Ingress 以及 Ingress => upstream，都存在不同程度的延遲，超過 1s  的應(yīng)用，大約有 2/3 的延遲來自 Ingress => upstream，1/3 的延遲來自 Nginx => Ingress。

再深入調(diào)查 - 抓包處理

抓包調(diào)查主要針對 Ingress =>  uwsgi，由于數(shù)據(jù)包延遲的情況只是偶發(fā)性現(xiàn)象，所以需要抓取所有的數(shù)據(jù)包再進(jìn)行過濾……這是一條請求時間較長的數(shù)據(jù)，本身這個接口返回應(yīng)該很快。

{ "_source": { "INDEX": "51", "path": "/app/v1/media/", "referer": "", "user_agent": "okhttp/4.8.1", "upstream_connect_time": "1.288", "upstream_response_time": "1.400", "TIMESTAMP": "1605776490465", "request": "POST /app/v1/media/ HTTP/1.0", "status": "200", "proxy_upstream_name": "default-prod-XXX-80", "response_size": "68", "client_ip": "XXXXX", "upstream_addr": "172.32.18.194:6000", "request_size": "1661", "@source": "XXXX", "domain": "XXX", "upstream_status": "200", "@version": "1", "request_time": "1.403", "protocol": "HTTP/1.0", "tags": ["_dateparsefailure"], "@timestamp": "2020-11-19T09:01:29.000Z", "request_method": "POST", "trace_id": "87bad3cf9d184df0:87bad3cf9d184df0:0:1" } }

Ingress 側(cè)數(shù)據(jù)包

uwsgi 側(cè)數(shù)據(jù)包

數(shù)據(jù)包流轉(zhuǎn)情況

回顧一下 TCP 三次握手：

首先從 Ingress 側(cè)查看，連接在 21.585446 開始，22.588023 時，進(jìn)行了數(shù)據(jù)包重新發(fā)送的操作。

從 Node 側(cè)查看，Node 在 Ingress 數(shù)據(jù)包發(fā)出后不久馬上就收到了 syn，也立刻進(jìn)行了 syn 的返回，但是不知為何 1s 后才出現(xiàn)在  Ingress 處。

有一點(diǎn)比較令人在意，即便是數(shù)據(jù)包發(fā)生了重傳，但是也沒有出現(xiàn)丟包的問題，從兩臺機(jī)器數(shù)據(jù)包的流轉(zhuǎn)來看，此次請求中，大部分的時間是因?yàn)閿?shù)據(jù)包的延遲到達(dá)造成的，重傳只是表面現(xiàn)象，真正的問題是發(fā)生了數(shù)據(jù)包的延遲。

不止是 ACK 數(shù)據(jù)包發(fā)生了延遲

從隨機(jī)抓包的情況來看，不止是 SYN ACK 發(fā)生了重傳：

有些 FIN ACK 也會，數(shù)據(jù)包的延遲是有概率的行為!

小結(jié)

單單看這個抓包可能只能確認(rèn)是發(fā)生了丟包，但是如果結(jié)合 Ingress 與 Nginx 的日志請求來看，如果丟包發(fā)生在 TCP 連接階段，那么在  Ingress 中，我們就可以查看 upstream_connect_time 這個值來大致估計(jì)下超時情況。當(dāng)時是這么整理的記錄：

我初步猜測這部分時間主要消耗在了 TCP 連接建立時，因?yàn)榻⑦B接的操作在兩次 Nginx 轉(zhuǎn)發(fā)時都存在，而我們的鏈路全部使用了短連接，下一步我準(zhǔn)備增加  $upstream_connect_time 變量，記錄建立連接花費(fèi)的時間。http://nginx.org/en/docs/http/ ...  .html

后續(xù)工作

既然可以了解到 TCP 連接的建立時間比較久，我們可以用它來作為一個衡量指標(biāo)，我把 wrk  也修改了下，增加了對于連接時間的測量，具體的PR見這里，我們可以利用這一項(xiàng)指標(biāo)衡量后端的服務(wù)情況。

尋找大佬，看看是否遇到類似問題

上面的工作前前后后我進(jìn)行了幾次，也沒有什么頭緒，遂找到公司的其他 Kubernetes 大佬咨詢問題，大佬提供了一個思路：

宿主機(jī)延遲也高的話，那就暫時排除宿主機(jī)到容器這條路徑。我們這邊此前排查過一個延遲問題， 是由于 Kubernetes 的監(jiān)控工具定期 cat proc  系統(tǒng)下的 cgroup 統(tǒng)計(jì)信息， 但由于 Docker 頻繁銷毀重建以及內(nèi)核 cache 機(jī)制，使得每次 cat 時間很長占用內(nèi)核導(dǎo)致網(wǎng)絡(luò)延遲，  可否排查一下你們的宿主機(jī)是否有類似情形? 不一定是 cgroup，其他需要頻繁陷入到內(nèi)核的操作都可能導(dǎo)致延遲很高。

這個跟我們排查的 cgroup 太像了，宿主機(jī)上有一些周期性任務(wù)，隨著執(zhí)行次數(shù)增多，占用的內(nèi)核資源越來越多，達(dá)到一定程度就影響了網(wǎng)絡(luò)延遲。

大佬們也提供了一個內(nèi)核檢查工具(可以追蹤和定位中斷或者軟中斷關(guān)閉的時間)：https://github.com/bytedance/trace-irqoff

有問題的 Ingress 機(jī)器的 latency 特別多，好多都是這樣的報錯，其他機(jī)器沒有這個日志：

而后，我針對機(jī)器中的 kubelet 進(jìn)行了一次追蹤，從火焰圖中可以確認(rèn)，大量的時間耗費(fèi)在了讀取內(nèi)核信息中。

其中具體的代碼如下：

小結(jié)

根據(jù)大佬所給的方向，基本能夠確定問題發(fā)生的真正原因：機(jī)器上定時任務(wù)的執(zhí)行過多，內(nèi)核緩存一直增加，導(dǎo)致內(nèi)核速度變慢了。它一變慢，引發(fā)了 TCP  握手時間變長，最后造成用戶體驗(yàn)下降。既然發(fā)現(xiàn)了問題，解決方案也比較容易搜索到了，增加任務(wù)，檢查內(nèi)核是否變慢，慢了的話就清理一次：

sync && echo 3 > /proc/sys/vm/drop_caches

到此，相信大家對“如何排查Kubernetes機(jī)器內(nèi)核問題”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！