解Bug之路：一次调用外网服务概率性失败问题的排查

3 月，跳不动了？>>>

和外部联调一直是令人困扰的问题，尤其是一些基础环境配置导致的问题。笔者在一次偶然情况下解决了一个调用外网服务概率性失败的问题。在此将排查过程发出来，希望读者遇到此问题的时候，能够知道如何入手。

起因

笔者的新系统上线，需要PE执行操作。但是负责操作的PE确和另一个开发在互相纠缠，让笔者等了半个小时之久。本着加速系统上线的想法，就想着能不能帮他们快速处理掉问题，好让笔者早点发完回去coding。

一打听，这个问题竟然扯了3个月之久，问题现象如下:

file

每个client都会以将近1/2的概率失败,而且报错都为:

file

着手排查

和appserver开发以及对应的PE交流发现，appserver和nginx之间是短连接，由于是socketTimeOutException，于是能够排除appserver和nginx建立连接之间的问题。去nginx上排查日志，发现一个奇异的现象，如下图所示:

file

所有的appserver都是调用一台nginx一直成功，而调用另一台nginx大概率失败。而两台nginx机器的配置一模一样，还有一个奇怪的点是，只有在调用出问题的对端服务器时才会失败，其它业务没有任何影响，如下图所示:

file

由于这两个诡异的现象导致开发和PE争执不下，按照第一个现象一台nginx好一台nginx报错那么第二台nginx有问题是合理的推断，所以开发要求换nginx。

按照第二个现象，只有调用这个业务才会出错，其它业务没有问题，那么肯定是对端业务服务器的问题，PE觉得应该不是nginx的锅。

争执了半天后，初步拟定方案就是扩容nginx看看效果。笔者觉得这个方案并不靠谱，盲目的扩容可能会引起反效果。还是先抓包看看情况吧。

抓包

其实笔者觉得nginx作为这么通用的组件不应该出现问题，问题应该出现在对端服务器上。而根据对端开发反应，他自己curl没问题，并现场在他自己的服务器上做了N次curl也没有任何问题(由于这个问题僵持不下，他被派到我们公司来协助排查)。

于是找网工在防火墙外抓包，抓包结果如下：

时间点 源ip 目的ip 协议 info
2019-07-25 16:45:41 20.1.1.1 30.1.1.1 tcp 58850->443[SYN]
2019-07-25 16:45:42 20.1.1.1 30.1.1.1 tcp [TCP Retransmission]58850->443[SYN]
2019-07-25 16:45:44 20.1.1.1 30.1.1.1 tcp [TCP Retransmission]58850->443[SYN]

由于appserver端设置的ReadTimeOut超时时间是3s,所以在2次syn重传后，对端就已经报错。

如下图所示:

file

（注:nginx所在linux服务器设置的tcp_syn_retries是2）

抓包结果分析

从抓包得出的数据来看，第二台nginx发送syn包给对端服务,对端服务没有任何响应，导致了nginx2创建连接超时，进而导致了appserver端的ReadTimeOut超时(appserver对nginx是短连接)。

按照正常推论，应该是防火墙外到对端服务的SYN丢失了。而阿里云作为一个非常稳定的服务商，应该不可能出现如此大概率的丢失现象。而从对端服务器用的是非常成熟的SpringBoot来看，也不应该出现这种bug。那么最有可能的就是对端服务器本身的设置有问题。

登陆对端服务器进行排查

由于对方的开发来到了现场，于是笔者就直接用他的电脑登录了服务所在的阿里云服务器。首先看了下dmesg,如下图所示，有一堆报错:

file

感觉有点关联，但是仅靠这个信息无法定位问题。紧接着，笔者运行了下netstat -s:

file

这条命令给出了非常关键的信息,翻译过来就是有16990个被动连接由于时间戳(time stamp)而拒绝！查了下资料发现这是由于设置了

file

在NAT情况下将会导致这个被动拒绝连接的问题。而为解决上面的dmesg日志,网上给出的解决方案就是设置tcp_tw_recycle=1而tcp_timestamps默认就是1,同时我们的客户端调用也是从NAT出去的，符合了这个问题的所有特征。于是笔者尝试着将他们的tcp_timestamps设为0。

file

又做了几十次调用，再也没有任何报错了！

linux源码分析

问题虽然解决了，但是笔者想从源码层面看一看这个问题到底是怎么回事，于是就开始研究对应的源码(基于linux-2.6.32源码)。由于问题是发生在nginx与对端服务器第一次握手(即发送第一个syn)的时候，于是我们主要跟踪下这一处的相关源码:

file

关于tcp_timestamps的代码就在tcp_v4_conn_request里面,我们继续追踪(以下代码忽略了其它不必要的逻辑):

int tcp_v4_conn_request(struct sock *sk, struct sk_buff *skb)
{
    ......
    /* VJ's idea. We save last timestamp seen
     * from the destination in peer table, when entering
     * state TIME-WAIT, and check against it before
     * accepting new connection request.
     * 注释大意为:
     * 我们在进入TIME_WAIT状态的时候将最后的时间戳记录到peer tables中，
     * 然后在新的连接请求进来的时候检查这个时间戳
     */
     // 在tcp_timestamps和tcp_tw_recycle开启的情况下
    if (tmp_opt.saw_tstamp &&
        tcp_death_row.sysctl_tw_recycle &&
        (dst = inet_csk_route_req(sk, req)) != NULL &&
        (peer = rt_get_peer((struct rtable *)dst)) != NULL &&
        peer->v4daddr == saddr) {
        /** TCP_PAWS_MSL== 60 */
        /** TCP_PAWS_WINDOW ==1 */
        // 以下都是针对同一个对端ip
        // tcp_ts_stamp 对端ip的连接进入time_wait状态后记录的本机时间戳   
        // 当前时间在上一次进入time_wait记录的实际戳后的一分钟之内
        if (get_seconds() < peer->tcp_ts_stamp + TCP_PAWS_MSL &&
        // tcp_ts 最近接收的那个数据包的时间戳(对端带过来的)
        // 对端当前请求带过来的时间戳小于上次记录的进入time_wait状态后记录的对端时间戳
            (s32)(peer->tcp_ts - req->ts_recent) >
                        TCP_PAWS_WINDOW) {
            // 增加被动连接拒绝的统计信息
            NET_INC_STATS_BH(sock_net(sk), LINUX_MIB_PAWSPASSIVEREJECTED);
            // 进入丢弃和释放阶段
            goto drop_and_release;
        }
    }   
    ......
}

上述代码的核心意思即是在tcp_timestamps和tcp_tw_recycle开启的情况下，同样ip的连接，在上个连接进入time_wait状态的一分钟内，如果有新的连接进来，而且新的连接的时间戳小于上个进入time_wait状态的最后一个包的时间戳，则将这个syn丢弃，进入drop_and_release。

我们继续跟踪drop_and_release:

file