事故經過
11-01 12:00 中午午飯期間，手機突然收到業務網關非200異常報警，平時也會有一些少量499或者網絡抖動問題觸發報警，但是很快就會恢復（目前配置的報警閾值是5%，閾值跟當時的採樣窗口qps有直接關係）。
報警當時非200佔比已經過10%並且在持續升高，根據歷史規律應該很快就會恢復，我們稍微觀察了幾分鐘（一邊吃着很香的餃子一邊看着手機），但是過了幾分鐘故障沒有恢復而且佔比升高了突破50%，故障逐漸升級（故障如果不在固定時間內解決會逐漸升級，故障群每次升級都會逐層拉更高level的boss進來）手機持續報警震動已經發燙了，故障佔比已經快100%，影響面突然變大。
此時提現系統也開始報警，大量打款訂單擠壓（打款訂單擠壓突破一定閾值才會報警，所以不是實時），工位同事也反應支付系統也有少量連接錯誤，突然感覺情況複雜了，迅速停止吃飯，趕緊回公司排查。
回到工位時間差不多12:40左右，快速查看監控大盤，基本都是499、504錯誤，此類錯誤都是因為網絡超時導致。集群中的兩台機器均有錯，而且qps也比較平均，可以排除某台機器問題。
RT99線基本5s，而且連續橫盤，這5s是觸發了上游sidecar proxy調用超時主動斷開了，真正的RT時間可能更長。
故障還未見恢復，業務運維協助一起排查，此時故障群已經升級到技術中心老大，壓力瞬間大的一筆。
查看網關係統日誌，大量調用我們內部的兩個系統報出“下游服務器超時”錯誤，根據日誌信息可以判斷網絡問題導致超時，但是我們調用的是內網服務，如果是網絡問題為什麼只有我們的系統受到影響。
在12:51到13:02之間錯誤佔比情況有所好轉，但是之後錯誤佔比繼續升高。
此時業務運維同步其他部門有大量302報警，時間線有點吻合，此時時間差不多13:30。但是別的部門的系統和我們的系統沒有任何關係，太多的疑問大家開始集中坐到一起排查問題。
他們嘗試做了版本回滾未見好轉，然後嘗試將訪問返回302域名切到內網故障立馬恢復，此時正好14:00。根據他們的反饋在做實驗放量，導致在12:00的時候有一波流量高峰，但是這一波流量高峰對我的系統鏈路衝擊在哪裡，一臉懵逼，疑點重重。
本次故障持續時間太長，報警整整報了兩個小時，故障群每三種報警一次並且電話通知，報警電話幾十個，微信報警群“災難”級別的信息更多，嚴重程度可想而知。
排查
雖然故障是因為別的部門放量導致，但是還是有太多疑問沒有答案，下次還會再出現。作為技術人員，線上環境是非常神聖的地方是禁區，一定要找到每次故障的 root cause，否則沒辦法給自己一個交代，我們開始逐層剝洋蔥。
我們來梳理下疑問點：
1.302是什麼原因，為什麼做了域名切換就整體恢復了？
2.兩邊的系統在鏈路上有什麼交集？如果應用鏈路沒有交集，那麼在網絡鏈路上是否有交集？
3.我們業務網關中的“下游服務器超時”為什麼其他系統沒有影響？對日誌的解讀或者描述是否有歧義？
4.504是觸發sidecar proxy 超時斷開連接，網關服務設置的超時為什麼沒起作用？
1.302是什麼原因，為什麼做了域名切換就整體恢復了？
經過我們的運維和阿里雲專家的排查，出現大量302是因為訪問的域名觸發DDos/CC高防策略。由於訪問的域名配置了DDos/CC高防策略，大量請求觸發了其中一條規則導致拒絕請求（具體觸發了什麼規則就不方便透露），所以會返回302，通過添加白名單可以解決被誤殺的情況。
（從合理性角度講內部調用不應該走到外網，有一部分是歷史遺留問題。）
2.兩邊的系統在鏈路上有什麼交集？如果應用鏈路沒有交集，那麼在網絡鏈路上是否有交集？
所有人焦點都集中在高防上，認為網關故障就是因為也走到了被高防的地址上，但是我們的網關配置里根本沒有這個高防地址，而且我們內部系統是不會有外網地址的。
排查提現系統問題，提現系統的配置里確實有用到被高防的外網地址，認為提現打款擠壓也是因為走到了高防地址，但是這個高防地址只是一個旁路作用，不會影響打款流程。但是配置里確實有配置到，所以有理由判斷肯定使用到了才會影響，這在當時確實是個很重要的線索，是個突破口。
根據這個線索認為網關係統雖然本身沒有調用到高防地址，但是調用的下游也有可能會走到才會導致整個鏈路出現雪崩的問題。
通過大量排查下游服務，翻代碼、看日誌，基本上在應用層調用鏈路沒有找到任何線索。開始在網絡層面尋找線索，由於是內網調用所以路線是比較簡單的，client->slb->gateway->slb->sidecar proxy->ecs，幾個下游被調用系統請求一切正常，slb、sidecar proxy監控也一切正常，應用層、網絡層都沒有找到答案。
sidecar proxy 因為沒有打開日誌所以看不到請求（其實有一部分調用沒有直連還是通過slb、vtm中轉），從監控上看下游的 sidecar proxy 也一切正常，如果網路問題肯定是連鎖反應。
百般無解之後，開始仔細檢查當天出現故障的所有系統日誌（由於現在流行Microservice所以服務比較多，錯誤日誌量也比較大），在排查到支付系統的渠道服務時發現有一些線索，在事故發生期間有一些少量的 connection reset by peer，這個錯誤基本上多數出現在連接池化技術中使用了無效連接，或者下游服務器發生重啟導致。但是在事故當時並沒有發布。
通過對比前一周日誌沒有發生此類錯誤，那很有可能是很重要的線索，聯繫阿里雲開始幫忙排查當時ecs實例在鏈路上是否有問題，驚喜的是阿里雲反饋在事故當時出現 nat網關 限流丟包，一下子疑問全部解開了。
限流丟包才是引起我們系統大量錯誤的主要原因，所以整個故障原因是這樣的，由於做活動放量導致高防302和出網限流丟包，而我們系統受到影響都是因為需要走外網，提現打款需要用到支付寶、微信等支付渠道，而支付系統也是需要出外網用到支付寶、微信、銀聯等支付渠道。
（由於當時我們並沒有nat網關的報警導致我們都一致認為是高防攔截了流量。）
問題又來了，為什麼網關調用內部系統會出現問題，但是答案已經很明顯。簡單的檢查了下其中一個調用會走到外網，網關的接口會調用下游三個服務，其中第一個服務調用就是會出外網。
這個問題是找到了，但是為什麼下游設置的超時錯誤一個沒看見，而且“下游服務器超時”的錯誤日誌stack trace 堆棧信息是內網調用，這個還是沒搞明白。
3.我們業務網關中的“下游服務器超時”為什麼其他系統沒有影響？對日誌的解讀或者描述是否有歧義？
通過分析代碼，這個日誌的輸出並不是直接調用某個服務發生超時timeout，而是 go Context.Done() channel 的通知，我們來看下代碼：
func Send(ctx context.Context, serverName, method, path string, in, out interface{}) (err error) {
e := make(chan error)
go func() {
opts := []utils.ClientOption{
utils.WithTimeout(time.Second * 1),
}
if err = utils.HttpSend(method, path, in, out, ops, opts...); err != nil {
e <- err
return
}
e <- nil
}()
select {
case err = <-e:
return
case <-ctx.Done():
err = errors.ErrClientTimeOut
return
}
}
Send 的方法通過 goroutine 啟動一個調用，然後通過 select channel 感知http調用的結果，同時通過 ctx.Done() 感知本次上游http連接的 canceled。
err = errors.ErrClientTimeOut
ErrClientTimeOut = ErrType{64012, "下游服務器超時"}
這裏的 errors.ErrClientTimeOut 就是日誌“下游服務器超時”的錯誤對象。
很奇怪，為什麼調用下游服務器沒有超時錯誤，明明設置了timeout時間為1s。
opts := []utils.ClientOption{
utils.WithTimeout(time.Second * 1),
}
if err = utils.HttpSend(method, path, in, out, ops, opts...); err != nil {
e <- err
return
}
這個 utils.HttpSend 是有設置調用超時的，為什麼一條調用超時錯誤日誌沒有，跟蹤代碼發現雖然opts對象傳給了utils.HttpSend方法，但是裏面卻沒有設置到 __http.Client__對象上。
client := &http.Client{}
// handle option
{
options := defaultClientOptions
for _, o := range opts {
o(&options)
}
for _, o := range ops {
o(req)
}
//set timeout
client.Timeout = options.timeout
}
// do request
{
if resp, err = client.Do(req); err != nil {
err = err502(err)
return
}
defer resp.Body.Close()
}
就是缺少一行 client.Timeout = options.timeout 導致http調用未設置超時時間。加上之後調用一旦超時會拋出 “net/http: request canceled (Client.Timeout exceeded while awaiting headers)” timeout 錯誤。
問題我們大概知道了，就是因為我們沒有設置下游服務調用超時時間，導致上游連接超時關閉了，繼而觸發context.canceled事件。
上層調用會逐個同步進行。
couponResp, err := client.Coupon.GetMyCouponList(ctx, r)
// 不返回錯誤 降級為沒有優惠券
if err != nil {
logutil.Logger.Error("get account coupon faield",zap.Any("err", err))
}
coins, err := client.Coin.GetAccountCoin(ctx, cReq.UserID)
// 不返回錯誤 降級為沒有金幣
if err != nil {
logutil.Logger.Error("get account coin faield",zap.Any("err", err))
}
subCoins, err := client.Coin.GetSubAccountCoin(ctx, cReq.UserID)
// 不返回錯誤 降級為沒有金幣
if err != nil {
logutil.Logger.Error("get sub account coin faield",zap.Any("err", err))
}
client.Coupon.GetMyCouponList 獲取優惠券
client.Coin.GetAccountCoin 獲取金幣賬戶
client.Coin.GetSubAccountCoin 獲取金幣子賬戶
這三個方法內部都會調用Send方法，這個接口邏輯就是獲取用戶名下所有的現金抵扣權益，並且在超時時間內做好業務降級。但是這裏處理有一個問題，就是沒有識別Send方法返回的錯誤類型，其實連接斷了之後程序再往下走已經沒有意義也就失去了Context.canceld的意義。
（go和其他主流編程語言在線程（Thread）概念上有一個很大的區別，go是沒有線程概念的（底層還是通過線程在調度），都是goroutine。go也是完全隱藏routine的，你無法通過類似Thread Id 或者 Thread local線程本地存儲等技術，所有的routine都是通過context.Context對象來協作，比如在java 里要想取消一個線程必須依賴Thread.Interrupt中斷，同時要捕獲和傳遞中斷信號，在go里需要通過捕獲和傳遞Context信號。）
4.504是觸發sidecar proxy 超時斷開連接，網關服務器設置的超時為什麼沒起作用？
sidecar proxy 斷開連接有三個場景：
1.499同時會關閉下游連接
2.504超時直接關閉下游連接
3.空閑超過60s關閉下游連接
事故當時499、504 sidecar proxy 主動關閉連接，網關服務Context.Done()方法感知到連接取消拋出異常，上層方法輸出日誌“下游服務器超時”。那為什麼我們網關服務器本身的超時沒起作用。
http/server.Server對象有四個超時參數我們並沒有設置，而且這一類參數通常會被忽視，作為一個服務器本身對所有進來的請求是有最長服務要求，我們一般關注比較多的是下游超時會忽視服務本身的超時設置。
type Server struct {
// ReadTimeout is the maximum duration for reading the entire
// request, including the body.
//
// Because ReadTimeout does not let Handlers make per-request
// decisions on each request body's acceptable deadline or
// upload rate, most users will prefer to use
// ReadHeaderTimeout. It is valid to use them both.
ReadTimeout time.Duration
// ReadHeaderTimeout is the amount of time allowed to read
// request headers. The connection's read deadline is reset
// after reading the headers and the Handler can decide what
// is considered too slow for the body.
ReadHeaderTimeout time.Duration
// WriteTimeout is the maximum duration before timing out
// writes of the response. It is reset whenever a new
// request's header is read. Like ReadTimeout, it does not
// let Handlers make decisions on a per-request basis.
WriteTimeout time.Duration
// IdleTimeout is the maximum amount of time to wait for the
// next request when keep-alives are enabled. If IdleTimeout
// is zero, the value of ReadTimeout is used. If both are
// zero, ReadHeaderTimeout is used.
IdleTimeout time.Duration
}
這些超時時間都會通過setDeadline計算成絕對時間點設置到netFD對象（Network file descriptor.）上。
由於沒有設置超時時間所以相當於所有的連接關閉都是通過sidecar proxy觸發傳遞下來的。
我們已經知道 sidecar proxy 關閉連接的1、2兩種原因，第3種情況出現在http長連接上，但是這類連接關閉是無感知的。
默認的tcpKeepAliveListener對象的keepAlive是3分鐘。
func (ln tcpKeepAliveListener) Accept() (net.Conn, error) {
tc, err := ln.AcceptTCP()
if err != nil {
return nil, err
}
tc.SetKeepAlive(true)
tc.SetKeepAlivePeriod(3 * time.Minute)
return tc, nil
}
我們服務host是使用endless框架，默認也是3分鐘，這其實是個約定90s，過小會影響上游代理。
func (el *endlessListener) Accept() (c net.Conn, err error) {
tc, err := el.Listener.(*net.TCPListener).AcceptTCP()
if err != nil {
return
}
tc.SetKeepAlive(true) // see http.tcpKeepAliveListener
tc.SetKeepAlivePeriod(3 * time.Minute) // see http.tcpKeepAliveListener
c = endlessConn{
Conn: tc,
server: el.server,
}
el.server.wg.Add(1)
return
}
sidecar proxy 的超時是60s，就算我們要設置keepAlive的超時時間也要大於60s，避免sidecar proxy使用了我們關閉的連接。
（但是這在網絡不穩定的情況下會有問題，如果發生HA Failover 然後在一定小概率的心跳窗口內，服務狀態並沒有傳遞到註冊中心，導致sidecar proxy重用了之前的http長連接。這其實也是個權衡，如果每次都檢查連接狀態一定會影響性能。）
這裡有個好奇問題，http是如何感知到四層tcp的狀態，如何將Context.cancel的事件傳遞上來的，我們來順便研究下。
type conn struct {
// server is the server on which the connection arrived.
// Immutable; never nil.
server *Server
// cancelCtx cancels the connection-level context.
cancelCtx context.CancelFunc
}
func (c *conn) serve(ctx context.Context) {
// HTTP/1.x from here on.
ctx, cancelCtx := context.WithCancel(ctx)
c.cancelCtx = cancelCtx
defer cancelCtx()
c.r = &connReader{conn: c}
c.bufr = newBufioReader(c.r)
c.bufw = newBufioWriterSize(checkConnErrorWriter{c}, 4<<10)
for {
w, err := c.readRequest(ctx)
if !w.conn.server.doKeepAlives() {
// We're in shutdown mode. We might've replied
// to the user without "Connection: close" and
// they might think they can send another
// request, but such is life with HTTP/1.1.
return
}
if d := c.server.idleTimeout(); d != 0 {
c.rwc.SetReadDeadline(time.Now().Add(d))
if _, err := c.bufr.Peek(4); err != nil {
return
}
}
c.rwc.SetReadDeadline(time.Time{})
}
}
// handleReadError is called whenever a Read from the client returns a
// non-nil error.
//
// The provided non-nil err is almost always io.EOF or a "use of
// closed network connection". In any case, the error is not
// particularly interesting, except perhaps for debugging during
// development. Any error means the connection is dead and we should
// down its context.
//
// It may be called from multiple goroutines.
func (cr *connReader) handleReadError(_ error) {
cr.conn.cancelCtx()
cr.closeNotify()
}
// checkConnErrorWriter writes to c.rwc and records any write errors to c.werr.
// It only contains one field (and a pointer field at that), so it
// fits in an interface value without an extra allocation.
type checkConnErrorWriter struct {
c *conn
}
func (w checkConnErrorWriter) Write(p []byte) (n int, err error) {
n, err = w.c.rwc.Write(p)
if err != nil && w.c.werr == nil {
w.c.werr = err
w.c.cancelCtx()
}
return
}
其實tcp的狀態不是通過主動事件觸發告訴上層http的，而是每當http主動去發現。
read時使用connReader來感知tcp狀態，writer時使用checkConnErrorWriter對象來感知tcp狀態，然後通過server.conn對象中的cancelCtx來遞歸傳遞。
type conn struct {
// server is the server on which the connection arrived.
// Immutable; never nil.
server *Server
// cancelCtx cancels the connection-level context.
cancelCtx context.CancelFunc
}
總結
此次故障排查了整整两天半，很多點是需要去反思和優化的。
1.所有的網絡調用沒有拋出最原始error信息。（經過加工之後的日誌會嚴重誤導人。）
2.超時時間的設置未能起到作用，未經過完整的壓測和故障演練，所以超時時間很容易無效。
3.內外網域名沒有隔離，需要區分內外網調用，做好環境隔離。
4.http服務器本身的超時沒有設置，如果程序內部出現問題導致處理超時，併發會把服務器拖垮。
5.對雲上的調用鏈路和網絡架構需要非常熟悉，這樣才能快速定位問題。
其實系統一旦上雲之後整個網絡架構變得複雜，干擾因素太多，排查也會面臨比較大的依賴，監控告警覆蓋面和基數也比較大很難察覺到個別業務線。（其實有些問題根本找不到答案。）
所有無法復現的故障是最難排查的，因為只能事後靠證據一環環解釋，涉及到網絡問題情況就更加複雜。
作者：王清培（趣頭條 Tech Leader）
本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理
【其他文章推薦】
※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!!
※網頁設計一頭霧水??該從何著手呢? 找到專業技術的網頁設計公司，幫您輕鬆架站!
※想知道最厲害的台北網頁設計公司推薦、台中網頁設計公司推薦專業設計師”嚨底家”!!
隨著新一季電動方程式 (Formula E) 賽車比賽 10 月將在北京開跑，身為主要贊助廠商之一的 Qualcomm 高通也在賽前活動中發表了將應用在賽季中的新無線充電技術，透過 Halo DD 技術的強化，讓原本需要 2 小時才能完全充滿電的 BMW i8 SafetyCar 安全車，充電時間減少至 1 小時內即可完全充飽！ Qualcomm 所推出的這款 Halo DD 進階版車用無線充電系統，利用鋪設在地面上的磁感應線圈對電動車進行無線充電，不過新版的 Halo DD 透過磁感應線圈的最佳化，將原本 3.6 kW 的規格提升到 7.2 kW，雖然仍比不上汽車加油般在數分鐘內就可加滿，但在技術上已經是相當大的進步，倘若這項技術普及到一般環境中，只要在停車場、路邊停車格都鋪設了此種磁感應充電線圈，相信對電動車的普及將會更有幫助。
