摘要:
自四月份以来，贴吧遇到了发帖失败的问题，现象比较诡异。经过追查发现是操作系统刷磁盘时，阻塞write系统调用导致。本文主要分享问题追查过程，希望对大家日常工作中定位问题有一定帮助。
TAG:
提交、问题追查、脏页
1 背景
很久前知道上有个问题：“从前天开始，跟帖就是发帖失败，换个ID开始能发，后来又变成发帖失败，很迷惑。谁知道怎么回事么。是系统问题么，还是网络问题？”最佳答案是：“很大部分是网络出现问题，你可以重新提交下就可以了”。
前段时间，贴吧的提交UI老是报警，晚上的时候手机叮叮咣咣地响，每次看都是apache进程数上千hold不住了，只好逐台重启。后来OP怒了，直接写了个脚本，发现apache进程数上来就自动重启。
好景不长，某天图1被PM截下来发到群上，自己发几个贴测试下居然复现了！看来真不是网络的问题，必须好好追查下了。
2 提交系统综述
先整理下贴吧提交的逻辑和涉及的模块。图2是贴吧提交系统的架构，一个完整的发帖流程需要经过下述模块的处理。
l 提交UI。提交UI是接收用户提交的帖子信息，进行合法性验证后将数据提交给后端的PHP模块，使用apache作为服务器。
l 提交后端。某些提交操作比如发贴和删帖对时序存在要求，所有与发帖有关的操作都经提交后端序列化后，持久化到本地di数据文件。消息队列读取di文件，转发给订阅相关消息的后端模块。
l 提交代理层，简称proxy。贴吧除了发帖外，还有消息推送、消费吧豆等提交操作，因此提交后端以集群的形式存在，并且每个都是单点。proxy对UI层面屏蔽了各种提交后端的划分，自动根据UI中的命令号转发到相应的提交后端上。
提交UI通过RPC与proxy通信，短连接。proxy使用rpc_client与提交后端通信，短连接。proxy和提交后端都是使用rpc框架编写的C模块。
3 问题追查
发表一个帖子经过这么多模块，是在没有头绪，只好辛苦UI的同学看看什么情况下会出现那个未知错误的哭脸。UI同学很给力，马上给出一个case，3000代表提交UI与cm_proxy交互失败，从交互时间看，与cm_proxy交互时间为1秒。恰好UI设置的超时为1秒，去后端看看发生什么回事。
拿着这个logid查cm_proxy和postcm日志，发现两个模块都接收到UI的请求，并且把数据转发到相应的后端模块。继续看warning日志，发现cm_proxy等待postcm回复超时！
3.1 RPCClient问题？
难道是提交后端处理这么慢么？查看本条请求处理时间，只有十几毫秒，理论上不会超时。带着这个问题请教以前负责这个模块的高同学，得知以前曾经出现类似的问题，猜测是RPCClient在压力上千时，会出现大量读超时。
为了让真凶现形，在OP mm的帮助下搭建好一套线下测试环境，使用压力工具给予proxy 2000/s的压力（线上峰值是1000/s）。一个小时，两个小时……出现时的只是proxy queue full错误（等待连接池满），没有读超时问题。然后wiki一下，也没有找到类似错误的记录，看来RPC库是可依赖的。
3.2 TIME_WAIT问题？
一时找不到头绪，看能不能从日志中挖掘到一些线索。统计cm_proxy日志情况，根据错误号查看代码，主要出现两种类型错误。
读超时：
连接postcm拒绝：
处理时间为0居然还读超时，太诡异了！统计下5月22日一天proxy与提交后端交互失败的分布。
图4 cm_proxy与提交后端交互失败分布
为啥tc cm00这个机器的连接拒绝这么多，读超时这么少呢？原来提交后端单点部署在这台机器上，提交后端和proxy同机部署可能带来一些问题。查看机器监控，发现这台机器处于TIME_WAIT状态的socket达到十几万。但是查看操作系统参数/proc/sys/net/ipv4/tcp_tw_reuse，值为1。证明目前端口复用已经打开。为了让问题收敛，把tc cm00的proxy下掉，继续跟进。
3.3 Backlog大小问题？
为什么会连接拒绝？带着这个问题请教我们的小强同学。不愧是大牛，一下就发现tcp listen的时候，Backlog可能设置的太小了。翻阅资料充电：Backlog是listen系统调用的 第二个参数，这个参数所指明的是linux处理tcp连接是所设置的全连接队列的长度。在socket程序设计中，当三次握手完成后，会把刚刚建立好的连接放入这个全连接队列中，当服务器端调用accept系统调用的时候，会从这个全连接队列里取出已经建立好的连接供上层应用使用。这个值在系统中设置了上限，可以通过/proc/sys/net/core/somaxconn查看。当listen系统调用使用的Backlog值小于这个值得时候系统取backlog值为实际值，当Backlog的值大于这个值的时候，系统取SOMAXCONN的值为默认值。
查看提交后端上系统SOMAXCONN的值为2048，而listen时Backlog大小只有100，貌似有点小。5月28日，OP操作把这个值调到1024，观察效果。
图5 22日和28日cm_proxy与提交后端交交互失败分布
调整后，交互失败下降到原来的三分一，有点进度。但是如果仅仅是Backolg大小问题，为什么依然存在这么多的交互失败呢，看来幕后凶手还没有找到。
3.4 现场缉凶！
目前掌握的证据还不充分，实时观察日志或许能发现些东西。tail一台proxy的错误日志，发现每隔一段时间刷出一批错误日志。统计每秒错误日志数，发现一个规律，很多时候每隔15秒左右会一下子刷子40条交互失败的日志。这个40有点眼熟，就是proxy的线程数！这意味这个时间点所有的交互都失败了。
火速赶往提交后端机器，iostat一下，发现一个很有意思的现象。IO的情况随着时间上下波动，然后每隔一段时间会有一次大的IO操作（>80M/s,持续1~3秒），此时proxy会有较大几率出现交互失败。
为了确认案情，统计6.2一天提交后端日志，共有477个请求处理时间大于等于1000ms。这477个请求处理时间几乎平均分布在[1000,3995]ms中。目前proxy与提交后端连接超时为1000ms，意味着477个请求持续时间内，proxy与提交后端有可能出现读超时（根据IO被阻塞时间和请求达到提交后端时间确定）
真正的原因是在流量高峰期，postcm提交量上升， 当脏页占系统内存的比例超/proc/sys/vm/dirty_ratio的时候, write系统调用会被被阻塞,主动回写dirty page,直到脏页比例低于/proc/sys/vm/dirty_ratio。由于提交后端单线程的工作模型，会导致提交后端短时间内不能响应请求，造成上级模块陆续超时或连接失败。
4 解决办法
整理一下思路，目前造成提交不稳定主要以下三个。
4.1 cm_proxy读超时
l 修改操作系统参数，观察效果并不断调整。
由基础架构的同学总结，操作系统会在下面三种情况下回写脏页：
1） 定时方式。定时回写是基于这样的原则:/proc/sys/vm/dirty_writeback_centisecs的值表示多长时间会启动回写pdflush线程,由这个定时器启动的回写线程只回写在内存中为dirty时间超过(/proc/sys/vm/didirty_expire_centisecs / 100)秒的页(这个值默认是3000,也就是30秒),一般情况下dirty_writeback_centisecs的值是500,也就是5秒,所以默认情况下系统会5秒钟启动一次回写线程,把dirty时间超过30秒的页回写,要注意的是,这种方式启动的回写线程只回写超时的dirty页，不会回写没超时的dirty页。
2） 内存不足的时候。这时并不将所有的dirty页写到磁盘,而是每次写大概1024个页面,直到空闲页面满足需求为止。
3） 写操作时发现脏页超过一定比例: 当脏页占系统内存的比例超过/proc/sys/vm/dirty_background_ratio 的时候,write系统调用会唤醒pdflush回写dirty page,直到脏页比例低于/proc/sys/vm/dirty_background_ratio,但write系统调用不会被阻塞,立即返回.当脏页占系统内存的比例超/proc/sys/vm/dirty_ratio的时候, write系统调用会被被阻塞,主动回写dirty page,直到脏页比例低于/proc/sys/vm/dirty_ratio。
修改刷脏页频率，从5s调整到3s
echo 300 > /proc/sys/vm/dirty_writeback_centisecs
修改脏页存在的时间限制，从30s调整到10s
echo 1000 > /proc/sys/vm/dirty_expire_centisecs
效果描述：
从iostat信息来看，刷脏页的频率变高，每次刷的脏页数量变少。从上层应用程序来看，性能变得平稳。修改后每天超过1000ms的请求在200个左右。存在继续优化的空间。
l 增大提交UI与proxy和proxy与提交后端的读超时，从1000ms修改为3000ms。那么每天在提交后端两百多个超过1秒刷脏页的时间范围内，用户的提交会延迟而不会失败。
4.2 cm_proxy连接拒绝
当IO被阻塞期间，到达提交后端请求数超过连接队列长度，则拒绝连接。通过实验观察提交后端Backlog的最佳大小，目前操作系统参数上限为2048。根据实验结果，将提交后端Backlog大小调整为2048。
4.3 cm_proxy queue full
当proxy与提交后端交互失败期间，若前端请求过多，若proxy工作线程数不足或proxy连接提交后端连接池连接数不足时出现。根据实验结果和目前proxy压力状态（最大1000/s），将proxy线程数和提交后端连接池连接数修改为100。
总结
通过这次追查得出的经验是一个问题的出现可能有很多现象，有些可能是表面原因，修改对问题会有不少的改善，但只有真正找到引发问题的原因后，才能找到最恰当的解决办法。本文小结了网络交互失败追查的一些方向和方法，希望对大家有所帮助。
by chenyuzhe
本文转自百度技术51CTO博客，原文链接：http://blog.51cto.com/baidutech/1033701，如需转载请自行联系原作者
