性能分析之长连接全链路压测

Posted 2021-04-24 杰哥生产厂

一、背景：

基于WebSocket长连接的消息服务进行全链路压测，目标是实现最少100W长连接下压测服务的各个接口TPS，QPS及其稳定性和资源消耗情况。

二、全链路架构图：

　　

三、遇到的问题总结：

问题一：Jmeter客户端连接达到1w左右时，出现OOM。

问题二：心跳超时导致连接断开。

问题三：达到50w并发时，出现连接大批量掉线问题。

问题四：达到72w并发时，出现连接数上不去的问题。

问题五：达到100w并发稳定建立并保持时，出现发送数据掉线问题，此时nginx OOM。

其中肉鸡的内核参数设置如下：

# cat >> /etc/sysctl.conf << EOF

net.ipv4.tcp_max_tw_buckets = 200000

net.ipv4.tcp_max_syn_backlog = 65535

net.ipv4.ip_local_port_range = 11000   61000

fs.file-max = 1000000

net.ipv4.ip_conntrack_max = 2000000

net.ipv4.netfilter.ip_conntrack_max = 2000000

net.nf_conntrack_max = 2000000

net.netfilter.nf_conntrack_max = 2000000

net.ipv4.tcp_max_orphans = 500000

net.ipv4.tcp_mem = 786432 2097152 3145728

net.ipv4.tcp_rmem = 4096 4096 16777216

net.ipv4.tcp_wmem = 4096 4096 16777216

EOF

# sysctl -p

//设置文件句柄数，其实不需要设置100w这么大，根据肉鸡的连接数设置合理即可

# sed -i 's/65535/1000000/g' /etc/security/limits.conf

四、压测过程问题排查分析：

在搭建，调试好全链路压测环境后启动一台Jmeter肉鸡进行测试，发现当肉鸡连接数达到1w时出现OOM。报错如下：

　　

此时的jmeter启动参数如下：

# cd /root/apache-jmeter-5.1.1/bin/ && HEAP="-Xms15g -Xmx15g" ./jmeter-server -Djava.rmi.server.hostname=xxx.xxx.xxx.xxx -Jserver.rmi.ssl.disable=true &> /tmp/jmeter.log &

发现jvm设置的内存很大，有15g，百度谷歌一番，得知：

　　

于是，将jmeter的jvm设置成4g，如下：

# cd /root/apache-jmeter-5.1.1/bin/ && HEAP="-Xms4g -Xmx4g" ./jmeter-server -Djava.rmi.server.hostname=xxx.xxx.xxx.xxx -Jserver.rmi.ssl.disable=true &> /tmp/jmeter.log &

调整之后单台jmeter客户端连接数能达到2w并且内存还很充足。后续所有肉鸡都用此参数启动进程。到此，开始进行压测。

开始压测50w的并发建连，建立连接后3分钟左右出现断线，进行分析是因为在没有数据发送的情况下，Nginx配置了180s的超时时间。超过180s后主动断掉连接。通过和开发沟通，将proxy_connect_timeout，proxy_send_timeout和proxy_read_timeout都设置为900s。如下：

　　

　　

reload nginx生效后问题解决。

继续压测，使用50台肉鸡，每台启动1w线程建立连接。在连接数达到50w保持心跳连接时，开始发送数据出现大批量掉线（发送的数据会造成使得在同一房间的连接都会收到消息，即：广播）。

首先，使用以下命令查看一层Nginx和Ingres的连接状况：

# netstat -n | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}'

发现Nginx和Ingress都出现了大量TIME_WAIT，说明连接是代理层主动断开的（主动断开连接的一方会进入TIME_WAIT状态），此时查看Nginx和Ingress日志并没有发现任何的报错。询问消费服务网关开发同学是否有报错日志，开发同学反馈是客户端主动断开了连接，但是没有更加具体的报错。查看肉鸡Jmeter的日志，有如下报错：

　　

　　

这是jmeter的第三方websocket的jar报出来的错，也是显示连接不可用。日志都没有具体的问题，那么到底是什么原因导致连接被断掉呢？开始在整条链路上抓包分析，每一个节点都抓取上下游的包，抓包命令如下：

# tcpdump -i any host xxx.xxx.xxx.xxx -v -w client.pcap

//tcpdump抓取的报文通常会很大，可以使用wireshark自动的editcap和mergecap工具根据时间来分隔和合并报文

分析报文，发现肉鸡发送大量的窗口满的报文，由Nginx和Ingress代理到后端服务网关。如下是Ingress到服务网关的报文：

Ingress发送TCP ZeroWindow的报文，最后会RST连接。那么肉鸡为什么会发送窗口满的报文呢？查看全链路的带宽情况：

　　

查看监控发现网络和带宽都是没有问题的。于是将重点指向肉鸡，初步怀疑是肉鸡的websocket jar包在处理网络数据的机制上有问题。经过一番搜索，发现如下：

　　

在jmeter-websocket-samplers-1.2.2.jar的官网搜索到作者的最新版本说解决了该问题，于是替换jmeter-websocket-samplers-1.2.2.jar包为最新的JMeterWebSocketSamplers-1.2.6.jar版本。实测无效，问题依旧。再次重点分析肉鸡，查看监控，发现肉鸡在出现掉线的时候负载很高，load average高达200+。判断是肉鸡负载过高，处理不过来导致tcp滑动窗口满，最终断开连接的问题。

于是，增加肉鸡到100台，每台肉鸡还是开启1w线程，看只建立100w连接不发送数据的情况下是否稳定。发现在连接数达到72w左右时连接数上不去了。于是，分析全链路能支持的并发数。要计算全链路支持的并发数需要了解以下知识点：

TCP连接知识点：

1.一个TCP连接的套接字对(socket pari)是一个定义该连接的两个端点的四元组，即本地IP地址、本地TCP端口号、外地IP地址、外地TCP端口号。套接字对唯一标识一个网络上的每个TCP连接。

2.linux socket使用16bit无符号整型表示端口号，最大到65535。也就是说一台客户端的机器上的一个IP对应有65535个端口号可以用于对服务端建立TCP连接，而服务器的服务端口号一般是启用端口复用的，

　　也就是一个服务端口可以支持多个TCP连接，epoll模式理论上支持的连接数没有上限。

3.使用nginx作为反向代理时，nginx即是服务端，又是客户端。作为服务端，服务的端口号对客户端是复用的，然后作为客户端使用本机的其他1024~65535端口号和后端的服务器建立连接实现代理。

　　这样，一个TCP连接在反向代理的nginx机器上表现为有两个TCP连接，即占用两个socket文件句柄数。

4.计算nginx或者ingress支持的TCP连接数计算方法，以nginx为例，根据tcp连接四元组可知：Nginx的IP数 * Nginx开启的随机端口数 * Ingress的IP数 * Ingress服务端口数 = 1 * 65535 * 1 * 1 = 65535 正常情况下理论上是支持65535个TCP连接的，

　　但是随机端口数0~1024一般作为服务端口被占用，所以需要去除掉一些常用的端口，并预留一部分端口。所以开启10240~65000大概5.5w个端口数。

5.在充分利用机器资源的情况下，支持50w+的TCP连接数的瓶颈：

　　第一，压测到Nginx服务端，瓶颈在于增加压测机的数量；

　　第二，Nginx到Ingress，增加Ingress服务端口数，开启多个服务加到Nginx的upstream中来扩充四元组中的Ingress服务端口数；

　　第三，Ingress到服务端，增加服务端的pod数加到Ingress的upstream来扩充四元组的服务端端口数。所以需要关注这三个点的TCP连接数的支持情况。

所以解决nginx端口耗尽的问题可以在nginx上增加upstream数量，upstream可以是不同的ip+port，也可以是同一个ip下的不同port，还有就是可以在nginx主机上增加IP地址，然后使用nginx的proxy_bind指定源地址。

于是查看一层Nginx的/proc/sys/net/ipv4/ip_local_port_range的值，设置为21000-61000，端口数为4w，后端后5个Ingress，也就是每个Nginx能支持20w的连接，一共4个Nginx，也就是：4*20w=80w。排除其他和压测无关的连接后，和72w相差不大，于是调整改参数为：1024-65530，理论上估算能支持：4*5*6w=120w并发连接。但是，Nginx的连接数还取决于worker_rlimit_nofile和worker_connections两个参数，如下：　

　　其中worker_rlimit_nofile是文件句柄数，设置该值会覆盖系统的/etc/security/limits.conf的最大文件数。可以通过查看nginx进程的限制来验证：

　　

并且由于worker_connections这个参数会在Nginx启动时预先分配内存，所以这个值并不是设置的越大越好，应该根据实际场景来设置大小。可以通过调整改值后重启Nginx时通过# free -m 查看nginx的初始占用内存大小来验证。在32个woker下，改值设置10w时，初始化内存大概为3G；设置100w时，初始化内存大概14G。

优化完参数后重启Nginx，并发数能稳定支持100w。其中一台Nginx的连接：

　　

继续压测，当连接稳定在100w时开始发送数据，出现Nginx内存飙升，最后频繁OOM，伴随着TCP重传率高达40%-50%。报错和监控如下（原本Nginx是64G内存，后因为该问题升级到128G内存后问题依旧）：

[Fri Mar 13 18:46:44 2020] Out of memory: Kill process 28258 (nginx) score 30 or sacrifice child

[Fri Mar 13 18:46:44 2020] Killed process 28258 (nginx) total-vm:1092198764kB, anon-rss:3943668kB, file-rss:736kB, shmem-rss:4kB 

　　

此时，再次全链路抓包，查看服务器负载和带宽情况（说明系统监控的重要性，我们使用的是Grafana+Prometheus+Alertmanager+node_exporter监控栈）。

在jmeter客户端抓到的包可以看到有较多的零窗口，如下所示：

　　

此时查看Nginx和肉鸡两端的网络连接状态，使用 # ss -tn 命令可以看到大量 ESTABLISHED 状态连接的 Send-Q 堆积很大，客户端的 Recv-Q 堆积很大。Nginx 端的 ss 部分输出如下所示：

　　

并使用# dstat 命令查看系统性能状态：

　　

　　

可以看到，最后两列中系统CPU中断和上下文切换开销都很大。系统负载高。

此时，定位到是jmeter肉鸡处理能力有限，有较多的消息堆积在中转的Nginx中，导致Nginx内存不断飙升直到OOM。于是，增加肉鸡到200台，每台肉鸡线程数从1w降到5000。此时发现，压测能正常进行，但是Nginx内存仍然在上升，只是对比之前上升的稍微缓慢一些。再次抓包分析，肉鸡还是偶尔出现零窗口。于是想到，Nginx是否可以不缓存消息？通过分析Nginx的配置参数，发现proxy_buffers这个值设置很大，如下：

　　

查看官网相关配置项，关闭proxy_buffering，调小proxy_buffer_size 和 proxy_buffers，注释proxy_busy_buffers_size。如下：

proxy_buffering off;

proxy_buffer_size 4k;

proxy_buffers 4 8k;

#proxy_busy_buffers_size 256M;

经过实测，在压测环境修改了这个值以后，以及调小了 proxy_buffer_size 的值以后，内存稳定在了 20G 左右。