建站
咨詢
售后
建站咨詢
新聞中心
在 golang 中創(chuàng)建 goroutine 是一件很容易的事情，但是不合理的使用可能會(huì)導(dǎo)致大量 goroutine 無法結(jié)束，資源也無法被釋放，隨著時(shí)間推移造成了內(nèi)存的泄漏。避免 goroutine 泄漏的關(guān)鍵是要合理管理 goroutine 的生命周期，通過導(dǎo)出 runtime 指標(biāo)和利用 pprof 可以發(fā)現(xiàn)和解決 goroutine 泄漏問題。
桃城網(wǎng)站建設(shè)公司創(chuàng)新互聯(lián)公司,桃城網(wǎng)站設(shè)計(jì)制作，有大型網(wǎng)站制作公司豐富經(jīng)驗(yàn)。已為桃城成百上千提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\外貿(mào)網(wǎng)站建設(shè)要多少錢，請(qǐng)找那個(gè)售后服務(wù)好的桃城做網(wǎng)站的公司定做！
筆者維護(hù)了一個(gè)通過 SSH 連接到目標(biāo)機(jī)器并執(zhí)行命令的服務(wù)，這是一個(gè)內(nèi)部小服務(wù)，平時(shí)沒有問題的時(shí)候一般也不會(huì)關(guān)注。大約 4 個(gè)月前，最后一次更新的時(shí)候，增加了一個(gè)任務(wù)計(jì)數(shù)器并且導(dǎo)出到 prometheus 中監(jiān)控起來。近期發(fā)現(xiàn)這個(gè)計(jì)數(shù)器在穩(wěn)步增加。
第一反應(yīng)是，好事!調(diào)用量穩(wěn)步增長(zhǎng)了!!但是一想不對(duì)啊，這內(nèi)部小服務(wù)哪兒來這么多調(diào)用量。于是再看看 goroutine 的監(jiān)控情況(這個(gè)數(shù)據(jù)從 runtime.NumGoroutine()獲取的)
goroutine 的數(shù)量也是穩(wěn)步增加的，單位時(shí)間請(qǐng)求量增加，goroutine 數(shù)量也增進(jìn)，沒毛病。但是又再轉(zhuǎn)念一想，內(nèi)部小服務(wù)，不可能不可能。
于是再看一下所有請(qǐng)求在 mm 系統(tǒng)的視圖：
可以看出，每 5 分鐘請(qǐng)求量在 2000 左右，平均下來每分鐘 400 的請(qǐng)求量，上面 prometheus 監(jiān)控圖中，每個(gè)曲線是一個(gè)實(shí)例，實(shí)際上部署了 4 個(gè)實(shí)例，因此 400 還要除以 4 得到單個(gè)實(shí)例(曲線)的請(qǐng)求量應(yīng)該在 100/min 左右，在服務(wù)剛啟動(dòng)的時(shí)候該計(jì)數(shù)器也確實(shí)在 100/min 左右，隨著時(shí)間推移慢慢泄漏了。
Goroutine 泄漏 (Goroutine leak)
雖然心里想著 99%是泄漏了，但是也要看點(diǎn)詳細(xì)的信息。之前在服務(wù)里已經(jīng)啟用了 net/http/pprof，因此直接請(qǐng)求 pprof 暴露出來的 HTTP 接口。
# goroutines摘要curl http://service:port/debug/pprof/goroutine?debug=1# goroutines詳情curl http://service:port/debug/pprof/goroutine?debug=2
先看一下導(dǎo)出的 goroutine 摘要：
有 1000+個(gè) goroutine 處于同一個(gè)狀態(tài)，簡(jiǎn)單看是等待讀數(shù)據(jù)，再看下導(dǎo)出的 goroutine 詳情：
不看不知道，一看嚇一跳，詳情里有 goroutine 阻塞的時(shí)間超過了 20w 分鐘(4 個(gè)月)……
可以肯定是 goroutine 泄漏無疑了。為什么會(huì)泄漏?只有順著 pprof 導(dǎo)出的 goroutine 信息去排查了。處于 IO wait 狀態(tài)最多的這 1000 多 goroutine 的調(diào)用棧都打出來了，根據(jù)這段調(diào)用棧內(nèi)容來看，找到對(duì)應(yīng)代碼的位置，從 ssh.Dial 開始一直到某個(gè)地方進(jìn)行 io.ReadFull 便阻塞住了。
這個(gè)服務(wù)進(jìn)行 ssh 連接使用的是 golang.org/x/crypto/ssh 這個(gè)包。先看一下在這個(gè)服務(wù)里調(diào)用 ssh.Dial 的地方：
- clientConfig := &ssh.ClientConfig{
- ...
- Timeout: 3 * time.Second,
- ...
- }
- // connet to ssh
- client, err := ssh.Dial("tcp", fmt.Sprintf("%s:%d", s.Host, 36000), clientConfig)
看起來是沒啥問題的，畢竟傳入了一個(gè) Timeout 參數(shù)，不應(yīng)該會(huì)阻塞。接著繼續(xù)看下去發(fā)現(xiàn)了一些問題。直接來到調(diào)用棧中阻塞的地方(先不看 library 和 runtime，這兩個(gè)一般沒問題)，是在進(jìn)行 SSH Handshake 的第一個(gè)步驟，交換 SSH 版本這步。
- // Sends and receives a version line. The versionLine string should
- // be US ASCII, start with "SSH-2.0-", and should not include a
- // newline. exchangeVersions returns the other side's version line.
- func exchangeVersions(rw io.ReadWriter, versionLine []byte) (them []byte, err error) {
- ...
- if _, err = rw.Write(append(versionLine, '\r', '\n')); err != nil {
- return
- }
- them, err = readVersion(rw)
- return them, err
- }
- // maxVersionStringBytes is the maximum number of bytes that we'll
- // accept as a version string. RFC 4253 section 4.2 limits this at 255
- // chars
- const maxVersionStringBytes = 255
- // Read version string as specified by RFC 4253, section 4.2.
- func readVersion(r io.Reader) ([]byte, error) {
- versionString := make([]byte, 0, 64)
- var ok bool
- var buf [1]byte
- for length := 0; length < maxVersionStringBytes; length++ {
- _, err := io.ReadFull(r, buf[:]) // 阻塞在這里
- if err != nil {
- return nil, err
- }
- ...
- }
- ...
- return versionString, nil
- }
看邏輯是在給對(duì)端發(fā)送完自己的版本信息后，等待對(duì)端回復(fù)，但是一直沒有收到回復(fù)。但是為什么會(huì)沒回復(fù)，為什么沒有超時(shí)，剛開始看到這里的我是懵逼的。我只能想到既然這些都阻塞在等待對(duì)端回復(fù)上，那么一定有對(duì)應(yīng)的連接存在，我先看看機(jī)器上的連接有什么問題。
TCP 連接的半打開狀態(tài) (TCP half-open)
在機(jī)器上執(zhí)行了一下 netstat 命令看了下連接數(shù)。
- # netstat -anp|grep :36000|awk '{print $6}'|sort|uniq -c
- 2110 ESTABLISHED
- 1 LISTEN
- 41 TIME_WAIT
有大量處于 ESTABLISHED 的進(jìn)程，數(shù)量和 goroutine 數(shù)能大致對(duì)上。先把注意力放到這些連接上，選其中一兩個(gè)看看有什么問題吧。
接著便發(fā)現(xiàn)，有些連接，在本機(jī)有 6 個(gè)連接：
但是，對(duì)端一個(gè)也沒有(圖上那一個(gè)連接是我登錄到目標(biāo)機(jī)器的 ssh 連接)：
google 查了下，發(fā)現(xiàn)這種情況屬于 TCP 半打開狀態(tài)，出現(xiàn)這種情況應(yīng)該是建立連接后對(duì)端掛掉了或者其他網(wǎng)絡(luò)無法連通的原因，而連接又沒有啟動(dòng) KeepAlive，導(dǎo)致一端無法發(fā)現(xiàn)這種情況，繼續(xù)顯示 ESTABLISHED 的連接，而另一端在機(jī)器掛掉重新啟動(dòng)后便不存在這條鏈接了?，F(xiàn)在要確認(rèn)一下是否真的沒用啟用 KeepAlive：
- # ss -aeon|grep :36000|grep -v time|wc -l
- 2110
全部沒開……這里不帶 KeepAlive 的連接數(shù)和上面 netstat 顯示出來狀態(tài)為 ESTABLISHED 狀態(tài)的連接數(shù)一致，實(shí)際上在執(zhí)行這兩條命令的間隙肯定有新請(qǐng)求進(jìn)來，這兩個(gè)數(shù)字對(duì)上不能說完全匹配，只能說大多數(shù)是沒有開啟的。這里能 Get 到點(diǎn)就行。
再看一下 ssh.Dial 的邏輯，建立連接用的是 net.DialTimeout，而現(xiàn)網(wǎng)發(fā)生泄漏的版本是用 go1.9.2 編譯的，這個(gè)版本的 net.DialTimeout 返回的 net.Conn 結(jié)構(gòu)體的 KeepAlive 是默認(rèn)關(guān)閉的(go1.9.2/net/client.go )。
golang.org/x/crypto/ssh 包在調(diào)用 net.DialTimeout 時(shí)不會(huì)顯式啟用 KeepAlive，完全依賴于當(dāng)前 go 版本的默認(rèn)行為。在最新版的 go 里面已經(jīng)把建立 TCP 連接時(shí)啟動(dòng) KeepAlive 作為默認(rèn)行為了，于是這里我把代碼遷移到 go1.13.3 重新編譯了一次發(fā)到現(xiàn)網(wǎng)了，以為問題就塵埃落定了。
SSH 握手阻塞 (SSH Handshake hang)
實(shí)際上不是的。用 go1.13.3 編譯的版本，運(yùn)行一段時(shí)間后，用 pprof 看 goroutine 情況，還是存在不少處于 IO wait 狀態(tài)的，并且看調(diào)用棧還是原來的味道(SSH handshake 時(shí)交換版本信息)。再看一下機(jī)器上的連接情況：
- # netstat -anp|grep :36000|awk '{print $6}'|sort|uniq -c
- 81 ESTABLISHED
- 1 LISTEN
- 1 SYN_SENT
- 23 TIME_WAIT
- # ss -aeon|grep :36000|grep time|wc -l
- 110
- # ss -aeon|grep :36000|grep -v time|wc -l
- 1
- # ss -aeon|grep :36000|grep -v time
- LISTEN 0 128 100.107.1x.x6:36000 *:* ino:2508898466 s
不帶 KeepAlive 那個(gè)連接是本機(jī)監(jiān)聽 36000 端口的 sshd，其他都帶上了，那沒什么問題。說明這些阻塞住的應(yīng)該不是因?yàn)?TCP 半打開導(dǎo)致阻塞的，選其中一個(gè) IP 出來看看。
用 telnet 可以連上，但是無法斷開連接。說明 TCP 連接是可以建立的，對(duì)端卻因?yàn)橐恍┎豢芍脑虿豁憫?yīng)。再看看這個(gè) IP 的連接存在多久了
- # netstat -atnp|grep 10.100.7x.x9
- tcp 0 0 100.107.1x.x6:8851 10.100.7x.x9:36000 ESTABLISHED 33027/ssh_tunnel_se
- # lsof -p 33027|grep 10.100.7x.x9
- ssh_tunne 33027 mqq 16u IPv4 3069826111 0t0 TCP 100-107-1x-x6:8504->10.100.7x.x9:36000 (ESTABLISHED)
- # ls -l /proc/33027/fd/16
- lrwx------ 1 mqq mqq 64 Dec 23 15:44 /proc/33027/fd/16 -> socket:[3069826111]
執(zhí)行這個(gè)命令的時(shí)間是 24 日 17 時(shí) 25 分，已經(jīng)阻塞一天多了。那這里的問題就是應(yīng)用層沒有超時(shí)控制導(dǎo)致的。再回過去看 ssh.Dial 的邏輯，Timeout 參數(shù)在 SSH handshake 的時(shí)候并沒有作為超時(shí)控制的參數(shù)使用。net.Conn 的 IO 等待在 Linux 下是用非阻塞 epoll_pwait 實(shí)現(xiàn)的，進(jìn)入等待的 goroutine 會(huì)被掛起直到有事件進(jìn)來，超時(shí)是通過設(shè)置 timer 喚醒 goroutine 進(jìn)行處理的，暴露出來的接口便是 net.Conn 的 SetDeadline 方法，于是重寫了 ssh.Dial 的邏輯，給 SSH
handshake 階段添加超時(shí)：
- // DialTimeout starts a client connection to the given SSH server. Differ from
- // ssh.Dial function, this function will be timeout when doing SSH handshake.
- // total timeout = ( 1 + timeFactor ) * config.Timeout
- // refs: https://github.com/cybozu-go/cke/pull/81/files
- func DialTimeout(network, addr string, config *ssh.ClientConfig) (*ssh.Client, error) {
- conn, err := net.DialTimeout(network, addr, config.Timeout)
- if err != nil {
- return nil, err
- }
- // set timeout for connection
- timeFactor := time.Duration(3)
- err = conn.SetDeadline(time.Now().Add(config.Timeout * timeFactor))
- if err != nil {
- conn.Close()
- return nil, err
- }
- // do SSH handshake
- c, chans, reqs, err := ssh.NewClientConn(conn, addr, config)
- if err != nil {
- return nil, err
- }
- // cancel connection read/write timeout
- err = conn.SetDeadline(time.Time{})
- if err != nil {
- conn.Close()
- return nil, err
- }
- return ssh.NewClient(c, chans, reqs), nil
- }
用這個(gè)函數(shù)替換了 ssh.Dial 后，編譯上線，看下連接情況，恢復(fù)正常了。(恢復(fù)到一個(gè)小服務(wù)應(yīng)該有的樣子)
- # netstat -anp|grep :36000|awk '{print $6}'|sort|uniq -c
- 3 ESTABLISHED
- 1 LISTEN
- 86 TIME_WAIT
到這里會(huì)發(fā)現(xiàn)，其實(shí)本文解決的問題是對(duì)端如果出現(xiàn)各種異常了，如何及時(shí)關(guān)閉連接，而不是去解決對(duì)端的異常問題。畢竟 SSH 都異常了，誰還能上去查問題呢?，F(xiàn)網(wǎng)服務(wù)器數(shù)量巨大，運(yùn)行情況各不相同，因此出現(xiàn)異常也屬情理之中，一一解決不太現(xiàn)實(shí)。
結(jié)尾
剛開始發(fā)現(xiàn)泄漏的時(shí)候到機(jī)器上 top 看了下，當(dāng)時(shí)被 50G 的 VIRT 占用給嚇著了，在咨詢了組內(nèi)大佬(zorro)的后，實(shí)際上這個(gè)值大多數(shù)時(shí)候都不用關(guān)心，只需關(guān)心 RES 占用即可。因?yàn)?RES 是實(shí)際占用的物理內(nèi)存。
只看這一個(gè)時(shí)間點(diǎn)的 VIRT 和 RES 也是看不出到底有多少是泄漏的。只能和不同的時(shí)間點(diǎn)的內(nèi)存占用對(duì)比，比如解決問題以后的版本，運(yùn)行了三四天的情況下，VIRT 占用是 3.9G，而 RES 只占用了 16M。這樣比下來看，還是釋放了不少內(nèi)存?；蛘哒f可以見得泄漏的那些 goroutine 占據(jù)了多少內(nèi)存。
在 golang 中創(chuàng)建 goroutine 是一件很容易的事情，但是不合理的使用可能會(huì)導(dǎo)致大量 goroutine 無法結(jié)束，資源也無法被釋放，隨著時(shí)間推移造成了內(nèi)存的泄漏。
避免 goroutine 泄漏的關(guān)鍵是要合理管理 goroutine 的生命周期，通過 prometheus/client_golang 導(dǎo)出 runtime 指標(biāo)和利用 net/http/pprof 可以發(fā)現(xiàn)和解決 goroutine 泄漏問題。
【本文為專欄作者“騰訊技術(shù)工程”原創(chuàng)稿件，轉(zhuǎn)載請(qǐng)聯(lián)系原作者(微信號(hào)：Tencent_TEG)】
文章名稱：一起goroutine泄漏問題的排查
本文來源：http://www.dlmjj.cn/article/dpphhgi.html
