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。通过层层分析，几经波折，终于找到“凶手”。

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。

提交UI。提交UI是接收用户提交的帖子信息，进行内容过滤，spam识别等一系列策略后将数据提交给后端的PHP模块，使用apache作为服务器。

postcm。postcm是post commit manager的简称，顾名思义就是发帖管理员，一个单点。所有与发帖有关的操作都经其序列化后，持久化到本地di数据文件。

cm_proxy。贴吧除了发帖外，还有消息推送、消费吧豆等提交操作，因此除了postcm外，还有clubcm、ecm等存在。cm_proxy对UI层面屏蔽了各种cm的划分，自动根据UI中的命令号转发到相应的cm上。

transfer。transfer读取cm生成的di数据文件，将其转发到需要的后端模块，比如frs(贴吧主题页)，pb(帖子内容页)。

    提交UI通过camel(现在是RAL了)与cm_proxy通信，短连接。cm_proxy使用UB_client与postcm通信，短连接。cm_proxy和postcm都是使用UB框架编写的C模块，尤其postcm，版本号都是4.X.X.X，可谓历史悠久。

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  UBClient问题？

    难道是postcm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UBClient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gmt工具给予cm_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cm_proxy queue full错误，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UB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cm_proxy与postcm交互失败的分布。

    图4 cm_proxy与postcm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postcm单点部署在这台机器上，postcm和cm_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cm_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postcm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postcm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cm_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cm_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postcm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cm_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postcm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cm_proxy与postcm连接超时为1000ms，意味着477个请求持续时间内，cm_proxy与postcm有可能出现读超时(根据IO被阻塞时间和请求达到postcm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postcm工作模型(单线程)，会导致postcm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

根据com wiki经验，修改操作系统参数，观察效果并不断调整。

    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。

增大提交UI与cm_proxy和cm_proxy与postcm的读超时，从1000ms修改为3000ms。那么每天在postcm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postcm请求数超过连接队列长度，则拒绝连接。通过实验观察postcm 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postcm Backlog大小调整为2048。

4.3  cm_proxy queue full

    当cm_proxy与postcm交互失败期间，若前端请求过多，若cm_proxy工作线程数不足或cm_proxy连接postcm连接池连接数不足时出现。根据实验结果和目前cm_proxy压力状态(最大1000/s)，将cm_proxy线程数和postcm连接池连接数修改为100。

总结

    本次追查过程走了许多弯路，很多问题别人也遇到过，需要不断总结追查问题的方法。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，修改了对问题有不少的改善，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。由于经验不足，写的不对的地方，恳请大家指正。

by  chenyuzhe

建议继续学习：

1. 再叙TIME_WAIT    (阅读：3222)
2. TIME_WAIT状态消除方法-快速回收    (阅读：2790)
3. 关于流量升高导致TIME_WAIT增加，MySQL连接大量失败的问题    (阅读：2708)
4. linux上大量tcp端口处于TIME_WAIT的问题    (阅读：2250)
5. 记一次TIME_WAIT网络故障    (阅读：2321)
6. PHP-FPM中backlog参数变更的一些思考    (阅读：2219)