记一次Socket.IO长链服务的性能压测

Posted 2021-04-25 网易云信

网易云信IM系统中的Web版使用了Socket.IO实现浏览器环境下的长链服务；区别于常规的长链服务，为该服务的压测提出了一些新的挑战，本文总结了测试过程中的一些收获供参考。

Part1 测试工具选项

一、工具选型

• Gatling

• Node.js

• JMeter

• Java WebSocket

这些工具都是可以支持WebSocket协议的工具，主要从以下几个方面进行对比：

• 上手难易程度

• 测试资源开销

• 和性能测试平台结合的难易程度

二、对比过程

对比场景

（1）5000个用户，每秒钟发送100个登录请求，并保持连接

（2）5000个用户，每隔5s发送一条点对点消息，即发送消息频率1000

工具使用过程

1. Gatling

工具简介：Gatling是一款基于Scala 开发的高性能服务器性能测试工具，它主要用于对服务器进行负载测试，并分析和测量服务器的各种性能指标。

工具语言：Scala语言

工具官网：

http://gatling.io/docs/2.0.0-RC2/index.html#

相关代码：

遇到的问题：

（1）scale语言比较陌生，脚本编写时困难较多，目前暂未实现隔一定时间，即发心跳又发消息的场景；

（2）无法和性能测试平台结合，系统整合成本比较高；

2. Node.js + Socket.IO

工具简介：

Node.js是一个基于Chrome V8引擎的javascript运行环境。Node.js使用了一个事件驱动、非阻塞式I/O的模型，使其轻量又高效；而Socket.IO是一个基于Node.js架构体系的且原生支持WebSocket协议，可用作实时通信的软件包。Socket.IO为跨浏览器构建实时应用提供了完整的封装，且完全由JavaScript实现，语言更容易理解。

工具语言：JavaScript

工具官网：

• http://socket.io/docs/

• http://nodejs.cn/

相关代码：

遇到问题：

（1）多节点并发分布式控制

（2）整合到现有的性能测试平台

3. JMeter

工具简介：

JMeter是比较常见的性能测试开源工具，支持多种协议并且可以自定义java请求，更加灵活。

工具语言：

（1）Java

（2）JMeter xml脚本文件

工具官网：

http://jmeter.apache.org/usermanual/get-started.html

https://blog.flood.io/socket-io-and-websockets-with-gatling/

相关代码：

遇到问题：

JMeter的工具本上是同步的，如果建立1万个连接的话，需要启动1万个线程处理，因此不适合测试高并发长连接的场景。

4. Jetty WebSocket Client

工具简介：

Jetty提供了功能更强的WebSocket API，使用一个公共的核心API供WebSocket的服务端和客户端使用。

工具语言: Java

工具官网：

http://www.eclipse.org/jetty/

相关代码：

遇到问题：

需要自己写并发控制

三、对比结果总结

因为用来做性能压测，所以考虑到压测客户端需要实现高并发请求，选择Gatling和Socket.IO做了简单的对比测试。

Part2 长链服务端性能问题的定位

如第一部分所述，我们最终选择用Socket.IO实现了并发压测的长链客户端，下面简单说明下长链服务器端测试的一些收获；

首先，简单描述下被测试服务器的功能

1. 和前端Socket.IO客户端保持长连接；

2. 解析前端JSON结构的数据包，并作二次封装后抓发给后端APP服务，并且将后端APP服务转发过来的响应包转换成为socketio可以识别的json数据包，并发送给客户端

为此，我们确定该服务主要的测试点为

1. 测试服务器可以支撑的最大连接数：该测试点涉及到了TCP连接，以及我们需要注意哪些参数，才可以保证用户建立的连接数目不会因为限制而达不到目标。

2. 每秒钟可以解析的包的数量：该测试点涉及到了网络流量，如果已经达到了网络流量的峰值时，会出现什么样的问题。

以下是这次测试过程中遇到的一系列问题：

问题1：最大连接数只能达到65K+

65535，对于程序员来说，这是一个很敏感的数字，因为一台服务器，限制的最大端口号即为65535，所以出现这个问题后：

• 第一反应：端口号不够用了。 分析认为Link服务作为服务端，对外提供的服务端口仅有一个，所以不存在服务端端口号不够用的情况；

• 第二反应：句柄数不够用了。文件句柄数相当于文件的标识符，建立一条socket链接，同样会使用一个文件句柄，而系统默认的单个进程使用的文件句柄为1024；

对于这种需要保持大量连接的服务来说，一般情况下都是需要修改文件句柄数的，文件句柄数修改的方法如下：

 A）查看单个进程使用的最大文件句柄数的方法：

B）查看当前进程打开了多少个文件句柄呢：

C）修改Linux的最大文件句柄数限制的方法：

  1）ulimit -n 65535

在当前session有效，用户退出或者系统重新后恢复默认值

  2）修改用户下的.profile文件：在.profile文件中添加：ulimit -n 65535

  只对当前用户有效

 3）修改文件/etc/security/limits.conf，在文件中添加：

（立即生效-当前session中运行ulimit -a命令无法显示）

4）修改文件/etc/sysctl.conf添加：

运行命令：/sbin/sysctl -p 使配置生效

但是修改文件句柄的限制后，该问题依然没有得到解决。

这个时候想到可以使用dmesg查看系统日志，dmesg命令可以显示Linux内核的环形缓冲区信息，可以从中获得诸如系统架构、CPU和挂载的硬件，RAM等运行级别的大量系统信息,因此dmesg命令在设备故障的诊断方面是非常重要的。通过dmesg，查看到了如下问题：

从上面的信息可见conntrack表满了，那么conntrack表是做什么的？

nf_conntrack/ip_conntrack用来跟踪连接条目，会使用一个哈希表来记录 established 的记录

nf_conntrack 在 2.6.15 被引入，而 ip_conntrack 在 2.6.22 被移除，如果该哈希表满了dmesg命令就会出现：

nf_conntrack: table full, dropping packet

如何修改conntrack表的大小

到此为止，这个问题我们算是解决了，总结下，遇到的网络相关的知识点包括 文件句柄 和conntrack表。

问题2：在某些用例场景下，稳定连接只能建立3800+

这个问题的前提是某些时候，也就是说偶现的，这种情况基本上可以排除是应用程序内部的问题。那对于这个问题我们使用了哪些定位手段呢？

1. watch和netstat 两个命令

• watch -d 定期查看一些信息，默认是2s；

• netstat -st | grep ignored 查看TCP连接的一些统计信息；

可见有SYNs to LISTEN sockets ignored在不停增加，这表明收到连接建立过程中的三次握手的ACK包，但是因各种原因（包括accept队列满） 创建socket失败；

2. ss -ln ： 查看进程对应的backlog的使用情况

backlog：简单理解来说，连接已经在TCP层建立成功（完成了三次握手的过程）但是还没有被应用程序所接受，这种情况下，该连接会存放到backlog这样一个缓冲队列内

通过上面这个命令可以看到应用程序的backlog队列已经满了，但是即便把这个值调整为1024，该队列还是会满的。

到这儿，我们的定位过程陷入了僵局，下一步该怎么定位呢？这期间我们查看了内存信息，CPU使用情况等，均没有找对地方；但是在定位过程中，我们发现，有时候JStack、JProfiler等工具都无法连上该服务了。

突然想到文件句柄是不是满了？又执行了以下几条命令：

/proc/{pid}这个目录下了对应了所有在运行的进程的相关信息，

通过查看/proc/{pid}/fd目录下的个数我们可以看到当前进程使用的文件句柄数有多少。

通过查看limits文件里面的值，可以看到系统对该进程的一些限制，不幸的是，出现这个问题的时候，max open files这个值被限制为了4096。

调整该值之后最终解决了这个问题

问题3：大量的连接建立不成功

当我们解决了一个又一个的问题后，突然发现高压力下存在大量的连接建立不成功的问题，主要表现在：

原来：每秒钟500个连接建立的请求时，5w个用户都可以建立成功；

现在：每秒钟500个连接建立的请求时，5w个用户只有4w左右的连接可以建立成功；

这个问题也花费了不短的时间，我们使用了各种命令查看各种网络指标

1. 通过netstat查看到send-q中有大量的消息堆积；

2. 通过sar查看到有大量的重传；

总结起来还是TcpDump抓包比较效果更好，从测试的开始，我们就只抓这一条链路上的包，且发送方和接收方，双方都抓包：

然后通过Wireshark分析，可以看到

• 发送方/客户端：存在一定时间段发送出大量的重传包

• 接收方/服务端：客户端发送大量重传包的这个过程中，什么都没有收到

这基本说明网络有问题

然后我们通过netperf测试了下网络带宽的情况，发现这两台机器之间的网络上限只有21Mb，而且测试过程中的网络请求量是超过这个值的。由于是在云主机环境上，通过咨询云网络相关的同事发现，问题原因是因为云主机之间的网络QoS开启限制导致的，限制了每台云主机之间的网络带宽最高位21Mb，超过这个值则会被丢包。

TCP的链接状态图

最后总结下在定位类似的网络问题中一些常规的命令、工具和关注的方向

可以使用以下命令

推荐使用以下工具

重点关注以下指标

点击下方“阅读原文”，阅读更多技术干货

↓↓