阿裡雲ECS的CPU100%排查_ZenDei技術網路在線

一、背景和現象初創公司，架構lanmp，web前端和後端分開伺服器，業務驅動主要是nginx和apache，nginx主要是處理靜態文件和反向代理，前後端、搜索引擎、緩存、隊列等附加的服務都是用docker容器部署。因為比較初級，上傳文件和採集文件都是直接寫在硬碟上，涉及到的目錄共用，就在其中一臺 ...

一、背景和現象初創公司，架構lanmp，web前端和後端分開伺服器，業務驅動主要是nginx和apache，nginx主要是處理靜態文件和反向代理，前後端、搜索引擎、緩存、隊列等附加的服務都是用docker容器部署。因為比較初級，上傳文件和採集文件都是直接寫在硬碟上，涉及到的目錄共用，就在其中一臺伺服器存儲並且nfs共用。我們暫且分為ECS1（apache1）、ECS2（apache2）、ECS3（nginx）。某天網站業務中斷，但是沒有報錯。一直在等待響應，預設響應超時是一分鐘，所以很基礎高可用沒有起到作用。中斷10分鐘左右，重啟服務，提示“open too many files”，但是lsof統計沒幾個。因為初級處理不了，所以直接重啟伺服器，一段時間後一切恢復正常，可是第二天又來一次這種情況。二、第一次出現後的排查思路本來第一次發現這種問題的時候就要追查原因了，看了一下zabbix監控圖像其中斷了十分鐘，包括網路、記憶體、CPU、硬碟、IO等監控數據。首先想到的是網路問題，結論是zabbix-servert獲取不到了zabbix-agent採集的數據，估計就是網路不通了。

但是，這個結論站不住腳，因為我本身通過ssh登錄伺服器，並且命令輸入無卡頓，不至於頭文件都傳不過來。後來一看阿裡雲的雲監控，上面有數據，似乎也可以佐證網路這個說法，因為雲監控是阿裡雲內部的監控，可以內網獲取到監控數據。直到看CPU的使用率這項，發現有一段時間的CPU使用率100%。並且我重啟的時候CPU恢復正常，不能說網路一定沒問題，但系統肯定有問題。也可以解釋因為CPU使用已經是100%，zabbix-agent和根本不能正常運行，所以沒有監控數據。因為這個公司全部都是雲伺服器，沒有使用IDC所以我們也沒有安裝smokeping來監控，接著我們就不把重心在網路上了。目前掌握的信息就是:在毫無徵兆的情況下，CPU暴漲到100%，重啟之前一直保留，重啟之後恢複原樣。匆忙之中又看了一下系統各日誌，因為太匆忙，沒有總結，沒有找到什麼有價值的東西。現在有下麵幾種猜想：第一，程式的bug或者部署不當，觸發之後耗盡資源。第二、docker容器的bug。第三、網路攻擊。第四、病毒入侵。第五、阿裡雲方系統不穩定。小總結了一下，現在問題還沒有找出來。下次還有這個問題的可能，所以先儘量防範，但是又不能重啟一刀切。所以在zabbix上面設置了自動化，當檢測到ECS1獲取不到數據的時候馬上操作ECS3標記後端為ECS1的apache為down。保留異常現場。（請求停止的時候，CPU100%還在）三、現場排查 1、相應的排查計劃（想到這些信息需要獲取的，實際上沒有嚴格按照這樣的步驟） 1）用htop和top命令監控CPU、記憶體使用大的進程。先看看哪個進程消耗資源較多,用戶態、內核態、記憶體、IO……同時sar -b查io的歷史定時抽樣。 2）統計tcp連接數，看看有沒有DDOS攻擊。netstat -anp |grep tcp |wc -l 。用iftop-i eth1看看通訊。同時用tail -n 1200 /var/log/messages查看內核日誌。 3）用pstree查看打開進程，ps aux|wc-l看看有沒有特別多的進程。雖然zabbix監控上說沒有，但是我們要檢查一下看看有沒有異常的進程名字。 4）查看全部容器的資源使用docker stats $(docker ps -a -q)，看看能不能從容器上排查。 5）有了“too many open files”的啟發，計算打開文件數目lsof|wc -l，根據進程看看ll /proc/PID/fd文件描述符有沒有可疑的打開文件、文件描述符。 6）關於用lsof打開文件數找到的線索，排序打開文件找出進程號 lsof -n|awk '{print $2}'|sort|uniq -c|sort -nr|more 7）關於用lsof打開文件數找到的線索，用lsof -p PID查看進程打開的句柄。直接查看打開的文件。 8）啟動容器的時候又總是“open too many files"。那就是打開文件數的問題，因為CPU的使用率是CPU的使用時間和空閑時間比，有可能因為打開文件數阻塞而導致CPU都在等待。針對連接數的問題，大不了最後一步試試echo 6553500 > /proc/sys/fs/file-max 測試打開文件對CPU的影響。 9）玩意測出來了消耗CPU的進程，可以使用strace最終程式。用戶態的函數調用跟蹤用「ltrace」，所以這裡我們應該用「strace」-p PID 10）從程式裡面看到調用系統底層的函數可以跟蹤。跟蹤操作 strace -T -e * -p PID，主要看看代碼調用的函數有沒有問題。 2、現場排查第二天同樣時間，ECS果然暴漲了CPU。這是時候zabbix的工作如希望進行保留了一臺故障的ECS1給我。 1）用htop看到資源使用最大是，搜索引擎下我寫的一個判斷腳本xunsearch.sh。腳本裡面很簡單，判斷索引和搜索服務缺一個就全部重啟。就當是我的容器有問題我直接關掉搜索引擎容器。httpd頂上，我又關掉apache容器。rabbitmq相關進程又頂上。這時候我沒心情周旋了，肯定不也是這個原因。sar -b查看的歷史io也沒有異常。

2）統計tcp連接，幾百。先不用著重考慮攻擊了。用tail -n 1200 /var/log/messages查看內核日誌，是TCP TIME WAIT的錯誤。可以理解為CPU使用100%，程式無響應外面的tcp請求超時。這是結果，還是沒有找到根本原因。

接著往下看系統內核日誌，發現了和“open too many files”呼應的錯誤，“file-max limit 65535 reached”意思是，已到達了文件限制瓶頸。這裡保持懷疑，繼續收集其他信息。

3）查看進程數量，數量幾百。列出來也看到都是熟悉的進程，可以先排除異常進程。

4）監控容器的資源使用，裡面很不穩定，首先是xunsearch容器使用80%的CPU，關掉xunsearch，又變成了其他容器使用CPU最高。很大程度上可以排查容器的問題和執行程式的問題。 5）查看了最大連接數cat /proc/sys/fs/file-max是65535但是用lsof查到的連接數是10000多，完全沒有達到連接數。 6）各項參數都正常，現在聚焦在打開的文件數這個問題上面。也可以用另外同一種方式查看一下內核統計文件 /proc/sys/fs/file-nr，比較一下差異，看看能不能找出問題。cat了一下，打開文件數是66080，果然超了！內核日誌就以這個為標準。

但是看lsof怎麼統計不出來，ll /proc/PID/fd也沒幾個。這個問題放在後面，先按照步驟echo 6553500 > /proc/sys/fs/file-max給連接數提高到100倍，CPU果然降了下來。原因確認了，但是必須找到根源，為什麼忽然有這麼大的打開文件數。關掉全部docker容器和docker引擎，打開文件數是少了一點，但是仍然在65535差不多。我就先排除一下業務的影響，把ECS3的nginx直接指向視頻ECS2的apache，就等同於在ECS2上實現了ECS1的場景。查看一下ECS2的句柄數，才4000多，排除了業務相關應用對伺服器的影響。那就能下個小結論，ECS1被神秘程式打開了6萬多句柄數，打開業務就多了2000多的句柄數，然後就崩潰了。不過這個現象有點奇怪，ECS2和ECS1在一樣的機房一樣的配置一樣的網路環境，一樣的操作系統，一樣的服務，一樣的容器，為什麼一個有問題，一個沒問題呢？不同的只是有一臺是共用nfs。難道是靜態文件共用了，其他人讀了，也算是本伺服器打開的？ 7）現在程式找不到，沒法繼續lsof -p了。排查之前的猜想。帶著排查得到對的結論往下想。程式的bug和部署不當，那是不可能的，因為主要問題來自於打開句柄數，當部署到ECS2那裡，一切正常。docker容器的bug，那也不可能的，每個都是我親自寫腳本，親自編譯，親自構建的，關鍵是我關掉了docker容器和引擎都沒有很大改善。網路攻擊也排除，因為網路連接數沒幾個，流量也不變。那就只剩下病毒入侵也不是，沒有異常進程。考慮到ECS的穩定性問題了。這方面就協助阿裡雲工程師去排查。

8）阿裡雲工程師用的排查手段和我差不多，最終也是沒能看到什麼。也只是給了我一些治標不治本的建議。後來上升到專家排查，專家直接在阿裡雲後端抓取了coredump文件分析打開的文件是圖片，程式是nfsd。

好像印證了我剛纔後面的猜想，應該就是ECS1使用了nfs共用其他伺服器打開瞭然後算在ECS1頭上。那問題又來了，我們的業務已經到達了可以影響伺服器的程度嗎？ 9）既然問題解決到這一步，先不管程式有沒有關閉打開的文件和nfs的配置。我們架構上面的圖片應該是歸nginx讀取，難道是linux的記憶體機制讓它緩存了。帶著緩存的問題，首先去ECS3上釋放記憶體echo 3 > /proc/sys/vm/drop_caches，釋放之後，發現沒什麼改善，有點失落。總是覺得還有一臺後端是PHP主導，但是邏輯上是寫入，沒有打開文件之說。後來從程式員中瞭解到，PHP也有打開圖片。我猛然去ECS2釋放一下記憶體，果然，句柄數降下來。（這裡大家一定有個疑問，為什麼我直接想到記憶體緩存而不是目前打開的文件呢。其一，這是生產環境，web前端只有一個，不能亂來停服務。其二，第一次遇到問題的時候，重啟之後沒有問題，過了一天之後積累到一定的程度才爆發，這裡已經引導了我的思路是積累的問題，那就是緩存不斷積累了） 10）因為ECS2的調用ECS1的nfs共用文件，所以lsof也有讀不到那麼多句柄數的理由。如果說是nfs的服務本身就有緩存，導致問題的話，我查看了配置文件，還是預設值允許緩存，30S過期，根本不會因為nfs的緩存造成打開文件過多。如果我們的後端程式打開之後沒好好處理的話，那倒有可能。然後嘗試排除：我改了ECS3的配置，使程式只讀ECS1後端，從ECS1上面卻看不到有什麼異常表現，說明PHP程式已經好好處理了打開的文件。也不是docker掛載了nfs的共用的問題，因為nginx也有掛載。排查到這裡也很大程度上解決問題，而且緩存了nfs的全部共用文件，句柄並沒有增加，也算合理，所以就增加了打開文件數的限制。 11）現在排查的結果是跟後端和nfs共用有關。就是說，後端掛載了nfs的網路共用，被程式讀取。而程式釋放之後，在正常背景的硬碟文件是沒有緩存的。但是在nfs掛載的環境下，緩存並沒有得到釋放。 12）總結：很多問題的排查和我們的猜想結果一樣，但是有些例外的情況。比如這次我想到的原因都一一排除，但是問題也是在一步步排查中，逐步被髮現的。