共计 7721 个字符，预计需要花费 20 分钟才能阅读完成。
李乐
问题引入
2020-12-25 日晚，忽然接管到大量谬误日志报警『failed to dial server: dial tcp xxxx:yy: i/o timeout』。原来是微服务客户端申请服务端，连贯失败。
简略介绍下服务现状：咱们的服务部署在 k8s 环境，微服务框架咱们应用的是 smallnest/rpcx，注册核心基于 zookeeper，链路如下图所示：
- 第一步：这些连贯超时的 pod（一个 pod 相当于一台虚拟机）是有什么异样吗？依据连贯超时的 IP 地址查找对应的 pod，发现没有一个 pod 是这个 IP 地址；那这个 IP 地址是从哪来的呢？难道是在某个隐秘的角落启动的？
- 第二步：连贯注册核心，查看该服务注册的 IP 列表，发现也不存在下面超时的 IP 地址。
- 进一步：这个异样 IP 地址，k8s 环境历史的确调配过；猜想服务端重启后，IP 地址变了，然而客户端却没有更新 IP 列表，导致还申请老的 IP 地址。
另外，谬误日志只集中在一个 pod，即只有一个 pod 没有更新服务端的 IP 列表。初步猜想可能有两种起因：1）这个客户端与 zookeeper 之间连贯存在异样，所以 zookeeper 无奈告诉数据变更；2）服务发现框架存在代码异样，且只在某些场景触发，导致无奈更新本地 IP 列表，或者是没有 watch 数据变更。
针对第一种猜想，很简略登录到该异样 pod，查看与 zookeeper 之间的连贯即可：
# netstat -anp | grep 2181
tcp 0 0 xxxx:51970 yyyy:2181 ESTABLISHED 9/xxxx
tcp 0 0 xxxx:40510 yyyy:2181 ESTABLISHED 9/xxxx能够看到存在两条失常的 TCP 连贯，为什么是两条呢？因为该过程不止作为客户端拜访其余服务，还作为服务端供其余客户端调用，其中一条连贯是用来注册服务，另外一条连贯用来发现服务。tcpdump 抓包看看这两条连贯的数据交互：
23:01:58.363413 IP xxxx.51970 > yyyy.2181: Flag [P.], seq 2951753839:2951753851, ack 453590484, win 356, length 12
23:01:58.363780 IP yyyy.2181 > xxxx.51970: Flags [P.], seq 453590484:453590504, ack 2951753851, win 57, length 20
23:01:58.363814 IP xxxx.51970 > yyyy.2181: Flags [.], ack 453590504, win 356, length 0
……下面省略了抓包的内容局部。留神 zookeeper 点采纳二进制协定，不太不便辨认然而根本能够确信，这是 ping-pong 心跳包（定时交互，且每次数据统一）。并且，两条连贯都有失常的心跳包频繁交互。
pod 与 zookeeper 之间连贯失常，那么很可能就是服务发现框架的代码问题了。
模仿验证
通过下面的剖析，可能的起因是：服务发现框架存在代码异样，且只在某些场景触发，导致无奈更新本地 IP 列表，或者是没有 watch 数据变更。
客户端有没有 watch 数据变更，这一点非常容易验证；只须要重启一台服务，客户端 tcpdump 抓包就行。只不过 zookeeper 点采纳二进制协定，不好剖析数据包内容。
简略介绍下 zookeeper 通信协议；如下图所示，图中 4B 示意该字段长度为 4Byte。
能够看到，每一个申请（响应），头部都有 4 字节标识该申请体的长度；另外，申请头部 Opcode 标识该申请类型，比方获取节点数据，创立节点等。watch 事件告诉是没有申请，只有响应，其中 Type 标识事件类型，Path 为产生事件的节点门路。
从 zookeeper SDK 能够找到所有申请类型，以及事件类型的定义。
const (
opNotify = 0
opCreate = 1
opDelete = 2
opExists = 3
opGetData = 4 // 获取节点数据，这是咱们须要关注的
opSetData = 5
opGetAcl = 6
opSetAcl = 7
opGetChildren = 8
opSync = 9
opPing = 11
opGetChildren2 = 12 // 获取子节点列表，这是咱们须要关注的
opCheck = 13
opMulti = 14
opClose = -11
opSetAuth = 100
opSetWatches = 101
)
const (
EventNodeCreated EventType = 1
EventNodeDeleted EventType = 2
EventNodeDataChanged EventType = 3
EventNodeChildrenChanged EventType = 4 // 子节点列表变动，这是咱们须要关注的
)上面能够开始操作了，客户端 tcpdump 开启抓包，服务端杀死一个 pod，剖析抓包数据如下：
//zookeeper 数据变更事件告诉
23:02:02.717505 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453590524:453590585, ack 2951753863, win 57, length 61
0000 0039 ffff ffff ffff ffff ffff .....9..........
0x0050: ffff 0000 0000 0000 0004 0000 0003 0000 ................
0x0060: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0070: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx xxxxxxxxxxxxxxx
23:02:02.717540 IP xxxx.51970 > xxxx.2181: Flags [.], ack 453590585, win 356, length 0
// 客户端发动申请，获取子节点列表
23:02:02.717752 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753863:2951753909, ack 453590585, win 356, length 46
0000 002a 0000 4b2f 0000 000c 0000 .....*..K/......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx00 xxxxxxxxxxxxxxx.
//zookeeper 响应，蕴含服务端所有节点（IP）23:02:02.718500 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453590585:453591858, ack 2951753909, win 57, length 1273
// 遍历所有节点（IP），获取数据（metadata）23:02:02.718654 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753909:2951753978, ack 453591858, win 356, length 69
0000 0041 0000 4b30 0000 0004 0000 .....A..K0......
0x0050: 0034 xxxx xxxx xxxx xxxx xxxx xxxx xxxx .4/xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxxxxxxxxxxxxxx
0x0070: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxxxxxxxxxxxxxx
0x0080: xxxx xxxx xxxx 00 xxxxxxx
23:02:02.720273 IP xxxx.2181 > xxxx.51970: Flags [P.], seq 453591858:453591967, ack 2951753978, win 57, length 109
0000 0069 0000 4b30 0000 0003 0ab3 .....i..K0......
0x0050: ad90 0000 0000 0000 0011 6772 6f75 703d ..........group=
0x0060: 6f6e 6c69 6e65 2674 7073 3d00 0000 030a online&tps=.....
0x0070: b2ff ed00 0000 030a b3ad 5800 0001 76ae ..........X...v.
0x0080: d003 dd00 0001 76af 051d 6d00 0000 3a00 ......v...m...:.
0x0090: 0000 0000 0000 0001 703f 90a3 f679 ce00 ........p?...y..
0x00a0: 0000 1100 0000 0000 0000 030a b2ff ed ...............
…… 整个过程的交互流程如下图所示：
能够看到，zookeeper 在数据变更时告诉客户端了，而客户端也拉取最新节点列表了，而且获取到的节点 IP 列表都是正确的。这就奇怪了，都曾经获取到最新的 IP 列表了，为什么还申请老的 IP 地址？是没有更新内存中的数据吗？这就 review 代码了。
代码 Review
咱们的微服务框架应用的是 rpcx，监听 zookeeper 数据变更的逻辑，如下所示：
for {_, _, eventCh, err := s.client.ChildrenW(s.normalize(directory))
select {
case e := <-eventCh:
if e.Type == zk.EventNodeChildrenChanged {keys, stat, err := s.client.Children(s.normalize(directory))
for _, key := range keys {pair, err := s.Get(strings.TrimSuffix(directory, "/") + s.normalize(key))
}
}
}
}留神获取子节点列表的两个办法，ChildrenW 以及 Children；这两是有区别的：
func (c *Conn) Children(path string) ([]string, *Stat, error) {_, err := c.request(opGetChildren2, &getChildren2Request{Path: path, Watch: false}, res, nil)
return res.Children, &res.Stat, err
}
func (c *Conn) ChildrenW(path string) ([]string, *Stat, <-chan Event, error) {_, err := c.request(opGetChildren2, &getChildren2Request{Path: path, Watch: true}, res, func(req *request, res *responseHeader, err error) {return res.Children, &res.Stat, ech, err}原来，办法的后缀『W』代表着是否设置监听器。这里读者须要晓得，zookeeper 的监听器是一次性的。即客户端设置监听器后，数据变更时候，zookeeper 查问监听器告诉客户端，同时会删除该监听器。这就导致下次数据变更时候不会告诉客户端了。
这有什么问题吗？兴许会有问题。客户端接管到数据变更后次要有三步逻辑：1）获取子节点列表，留神这时候并没有设置监听器；2）遍历所有节点获取数据；3）获取子节点列表，设置监听器，期待 zookeeper 事件告诉。留神从第一步到第三步，是有耗时的，特地是服务端节点数目过多时候，屡次申请耗时必然更高，那么在这之间的数据变更客户端是感知不到的。再联合代码降级流程，是滚动降级，即启动如干新版本 pod（目前配置 25% 数目），如果这些 pod 失常启动，则杀掉局部老版本 pod；以此类推。
如果从第一局部新版本 pod 启动，到最初一部分新版本 pod 启动以及杀掉最初一些老版本 pod，之间距离十分短呢？小于下面第一步到第三步耗时呢？这样就会导致，客户端即存在老的 IP 列表，也存在新的 IP 列表。（上一大节模仿验证时候，只是杀死一个 pod 验证数据监听机制，并没有模仿大量 pod 重启过程并剖析数据交互，因而无奈确定这类场景是否存在问题）
持续剖析日志，发现客户端申请所有服务端的 IP 地址都是谬误的，即客户端并不存在新的 IP 地址，不合乎该场景。另外，再回首剖析下模仿验证时候抓的数据包，第一步到第三步的工夫距离是十分十分小的，毕竟服务端机器数目不多，内网拜访 zookeeper 也比拟快，而滚动公布过程个别很慢，远大于该距离。
// 第一步获取子节点列表，没有设置监听器；留神最初一个字节为 0x00，即 watch=false
23:02:02.717752 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951753863:2951753909, ack 453590585, win 356, length 46
0000 002a 0000 4b2f 0000 000c 0000 .....*..K/......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx00 xxxxxxxxxxxxxxx.
// 第一步获取子节点列表，并设置监听器；留神最初一个字节为 0x01，即 watch=true
23:02:02.768422 IP xxxx.51970 > xxxx.2181: Flags [P.], seq 2951757025:2951757071, ack 453596850, win 356, length 46
0000 002a 0000 4b5d 0000 000c 0000 .....*..K]......
0x0050: 001d xxxx xxxx xxxx xxxx xxxx xxxx xxxx ../xxxxxxxxxxxxx
0x0060: xxxx xxxx xxxx xxxx xxxx xxxx xxxx xx01 xxxxxxxxxxxxxxx.
// 距离 50ms 左右 不过，zookeeper 监听器一次性机制还是须要关注，以防呈现数据变更无奈同步问题。
柳暗花明
还能有什么起因呢？只能持续扒代码了，既然 rpcx 获取到了最新的 IP 列表，为什么没有更新呢？这就须要重点剖析 rpcx 数据更新逻辑了。
如图所示，ZookeeperDiscovery 监听到服务端 IP 变更时候，将最新的 IP 列表写入 chan，rpcxClient 通过 chan 可获取最新的 IP 列表，并更新 selector（selector 提供负载平衡能力）。这个逻辑能够说是非常简单了，没有理由会出现异常。然而事实证明，异样大概率就在这块逻辑。难道是 rpcxClient 读取 chan 数据的协程有异样了？看看协程栈帧，也并没有问题。
// 客户端毕竟不止是只拜访一个微服务，所以会存在多个 rpcxClient；// 这至多阐明 ZookeeperDiscovery 监听协程与 rpcxClient 读 chan 协程数目是统一的。5 runtime.gopark
runtime.goparkunlock
runtime.chanrecv
runtime.chanrecv2
github.com/smallnest/rpcx/client.(*xClient).watch
-----------+-------------------------------------------------------
5 runtime.gopark
runtime.selectgo
github.com/smallnest/rpcx/client.(*ZookeeperDiscovery).watch只能持续摸索。。。
联想到之前还增加了服务发现灾备逻辑（避免 zookeeper 出现异常或者客户端到 zookeeper 之间链路异样），在监听到 zookeeper 数据变动时，还会将该数据写入本地文件。服务启动时，如果 zookeeper 无奈连贯，能够从本地文件读取服务端 IP 列表。这时候的流程应该是如下图所示：
查看文件中的 IP 列表以及文件更新工夫，发现都没有任何问题：
# stat /xxxx
File: /xxxx
Access: 2020-12-24 22:06:16.000000000
Modify: 2020-12-29 23:02:14.000000000
Change: 2020-12-29 23:02:14.000000000这几不堪设想了，文件中都是正确的 IP 列表，rpcxClient 却不是？而 rpcxClient 更新数据的逻辑简略的不能再简略了，根本没有出错的可能性啊。难道是基于 chan 的数据通信有问题？再钻研钻研 chan 相干逻辑。
rpcxClient 与 LocalWrapClient 是通过 WatchService 办法获取通信的 chan。能够看到，这里新建 chan，并 append 到 d.chans 切片中。那如果两个协程同时 WatchService 呢？就可能呈现并发问题，切片中最终可能只会有一个 chan！这就解释了为什么本地文件能够失常更新，rpcxClient 始终无奈更新。
func (d *ZookeeperDiscovery) WatchService() chan []*KVPair {ch := make(chan []*KVPair, 10)
d.chans = append(d.chans, ch)
return ch
}咱们再写个小例子模仿一下这种 case，验证并发 append 问题：
package main
import (
"fmt"
"sync"
)
func main() {
ok := true
for i := 0; i <1000; i ++ {var arr []int
wg := sync.WaitGroup{}
for j := 0; j <2; j ++ {wg.Add(1)
go func() {defer wg.Done()
arr = append(arr, i)
}()}
wg.Wait()
if len(arr) < 2 {fmt.Printf("error:%d \n", i)
ok = false
break
}
}
if ok {fmt.Println("ok")
}
}
//error:261 至此，问题根本明了。解决方案也很简略，去掉服务发现灾备逻辑即可。
总结
首次遇到这问题时候，感觉匪夷所思。基于现状，沉着剖析问题产生状况，一个一个去排查或者排除，切记浮躁。
抓包验证，二进制协定又不不便剖析，只能去钻研 zookeeper 通信协议了。最终还是须要一遍一遍 Review 代码，寻找蛛丝马迹，不要漠视任何可能产生的异样。
最初，Golang 并发问题的确是很容易漠视，却又很容易产生，平时开发还需多留神多思考。