共计 5219 个字符，预计需要花费 14 分钟才能阅读完成。
简介：本次课程次要分为三大部分，首先将介绍慢调用的危害以及常见的起因；其次介绍慢调用的分析方法以及最佳实际；最初将通过几个案例来去演示一下慢调用的剖析过程。
作者：李煌东
大家好，我是阿里云的李煌东。明天我为大家分享 Kubernetes 监测公开课第四节，如何应用 Kubernetes 监测定位慢调用。明天的课程次要分为三大部分，首先我会介绍一下慢调用的危害以及常见的起因；其次我会介绍慢调用的分析方法以及最佳实际；最初通过几个案例来去演示一下慢调用的剖析过程。
慢调用危害及常见起因
在开发软件过程中，慢调用是十分常见的异样。慢调用可能带来的危害包含：
前端业务维度：首先慢调用可能会引起前端加载慢的问题，前端加载慢可能会进一步导致利用卸载率高，进而影响品牌的口碑。
我的项目交付的维度：因为接口慢导致达不到 SLO，进而导致我的项目延期。
业务架构稳定性：当接口调用慢时，非常容易引起超时，当其余业务服务都依赖这个接口，那么就会引发大量重试，进而导致资源耗尽，最终导致局部服务或者整个服务不可用的雪崩的景象。
所以，看似一个无关痛痒的慢调用可能暗藏着微小危险，咱们应该引起警觉。对慢调用最好都不要去漠视它，应该尽可能去剖析其背地的起因，从而进行危险管制。
产生慢调用的起因有哪些？产生慢调用的起因是千千万万的，归纳起来有五个常见起因。
第一个是资源使用率过高问题，比如说 CPU 内存、磁盘、网卡等等。当这些使用率过高的时候，非常容易引起服务慢。
第二个是代码设计的问题，通常来说如果 SQL 它关联了很多表，做了很多表，那么会十分影响 SQL 执行的性能。
第三个是依赖问题，服务本身没有问题，但调用上游服务时上游返回慢，本身服务处于期待状态，也会导致服务慢调用的状况。
第四个是设计问题，比如说海量数据的表十分大，亿级别数据查问没有分库分表，那么就会非常容易引起慢查问。相似的状况还有耗时的操作没有做缓存。
第五个是网络方面问题，比如说跨洲调用，跨洲调用是物理间隔太大了，导致往返工夫比拟长，进而导致慢调用。或者两点之间的网络性能可能比拟差。比如说有丢包重传率，重传率高的问题。
明天咱们的例子围绕这五个方面，咱们一起来看一下。
定位慢调用一般来说有什么样的步骤，或者说有什么样的最佳实际呢？我这里总结的为三个方面：黄金信号 + 资源指标 + 全局架构。
咱们先来看一下黄金信号。首先，黄金信号是出自谷歌 SRE 圣经外面的 Site Reliability Engineering 一书。用来表征零碎是否衰弱的最小指标的汇合，这其中包含：
延时 – 用来形容零碎执行申请破费的工夫。常见指标包含均匀响应工夫，P90/P95/P99 这些分位数，这些指标可能很好的表征这个零碎对外响应的快还是慢，是比拟直观的。
流量 – 用来表征服务忙碌水平，典型的指标有 QPS、TPS。
谬误 – 也就是咱们常见的相似于协定里 HTTP 协定外面的 500、400 这些，通常如果谬误很多的话，阐明可能曾经呈现问题了。
饱和度 – 就是资源水位，通常来说靠近饱和的服务比拟容易呈现问题，比如说磁盘满了，导致日志没方法写入，进而导致服务响应。典型的那些资源有 CPU、内存、磁盘、队列长度、连接数等等。
除了黄金信号，咱们还须要关注一个资源指标。驰名的性能剖析大神 Brandan Gregg，在他的性能剖析方法论文章中提到一个 USE 办法。USE 办法是从资源角度进行剖析，它是对于每一个资源去查看 utilization（使用率），saturation（饱和度），error（谬误），合起来就是 USE 了，查看这三项基本上可能解决 80% 的服务问题，而你只须要破费 5% 的工夫。image.gif
后面有了黄金信号、资源指标之后，咱们还须要关注什么？正如 Branda 在方法论外面提到的“咱们不能只见树木，不见森林”。诸葛亮也说过“不谋全局者，不足以谋一域”。咱们应该把零碎架构画进去，从全局去看性能问题，而不只是看某个资源、某个服务。把所有货色进行综合思考，辨认出瓶颈所在，通过设计办法系统性解决问题，这也是一种更优的办法。所以，咱们须要黄金信号、资源指标以及全局架构这种组合。
慢调用最佳实际
接下来我会讲三个案例，第一个是节点 CPU 打满问题，这也是典型的资源问题导致的服务慢的问题，即服务本身的资源导致的问题。第二个是依赖的服务中间件慢调用的问题。第三个是网络性能差。第一个案例是判断服务本身有没有问题；第二个案例是判断上游服务的问题；第三个就是判断本身跟服务之间的网络性能问题。
咱们以一个电商利用举例。首先流量入口是阿里云 SLB，而后流量进入到微服务体系中，微服务外面咱们通过网关去接管所有流量，而后网关会把流量打到对应的外部服务外面，比如说 ProductService、CartService、PaymentService 这些。上面咱们依赖了一些中间件，比如说 Redis、MySQL 等等，这整个架构咱们会应用阿里云的 ARMS 的 Kubernetes 监测产品来去监测整个架构。故障注入方面，咱们会通过 chaosblade 去注入诸如 CPU 打满、网络异样等不同类型的异样。
案例一：节点 CPU 打满问题
节点 CPU 打满会带来什么样的问题呢？节点 CPU 打满之后，下面的 Pod 可能没方法申请到更多 CPU，导致外面的线程都处于期待调度的状态，进而导致慢调用。除了节点下面，咱们这除了 CPU 之外，还有一些像磁盘、Memory 等等资源。
接下来咱们看一下 CPU 在 Kubernetes 的集群外面的一些特点。首先，CPU 是可压缩的资源，在 Kubernetes 外面咱们左边看这些配置，有几个常见配置，比如说 Requests，Requests 是次要是用来做调度的。Limits 是用来去做运行时的一个限度，超过这个 Limits，它就会被限流。所以，咱们的试验原理是说对节点这个 CPU 进行打满注入，导致 Pod 没方法申请到更多的内存，进而导致服务变慢。
在正式开始前，咱们通过拓扑图对要害链路进行辨认，在下面配置一些告警。比如说网关及领取链路，咱们会配置均匀响应工夫 P90 以及慢调用等告警。而后配置完之后，我这边会注入一个节点 CPU 打满这么一个故障。那这个节点选的是网关的节点，大略期待五分钟之后，咱们就能够收到告警，就是第二步外面的那个验证告警的有效性。
接下来咱们进入根因定位。首先，咱们进入到查看到网关的利用详情外面。第一步是查看相干黄金信号，黄金信号就是响应工夫，咱们看到响应工夫十分直观显示了突增，上面是慢调用数，慢调用数是有一千多个，慢调用数忽然增多了，P90/P95 呈现了显著回升，并超过一秒，阐明整个服务也变慢了。
接下来，咱们须要剖析资源指标，在 Pod CPU 使用量图表中能够看到这段时间 Pod 使用量回升很快，这个过程阐明须要向宿主机或者节点申请更多内存。咱们进一步看一下节点或者宿主机的 CPU 使用率是怎么样的，咱们看到这段时间使用率靠近百分之百，Pod 申请不了更多 CPU，进一步导致服务慢了，进而导致均匀响应工夫大量增长。
定位到问题之后，咱们能够想想具体解决方案。通过 CPU 使用率配置弹性伸缩。因为咱们不晓得相干流量或者资源，不晓得什么时候忽然就不够。那么应答这种场景最好的方法就是给资源配置弹性伸缩，为节点配置弹性伸缩，次要是为了确保在负载上升时，资源可能动静扩容。为了给利用配置弹性伸缩，咱们能够给比方 CPU 指标，配置一个减少正本数的一个扩容动作来去分担流量，这外面咱们能够配置成最大正本数为十，最小正本数为三等等。
成果如下：注入 CPU 慢故障时，慢调用会回升，回升实现之后会触发到弹性伸缩，那就是 CPU 的使用率超过阈值了，如 70%。那么，它就会主动扩出一些正本去分担这些流量，咱们能够看到慢调用数逐渐降落直到隐没，阐明咱们的那个弹性伸缩起到作用了。
案例二：依赖的服务中间件慢调用的问题
接下来咱们看第二个案例。首先介绍一下筹备工作，右边这边图咱们能够看到网关进来掉了两个上游服务，一个是 MySQL，一个是 ProductService，所以在网关上间接配置一个大于一秒的告警，均匀响应工夫 P99 大于一秒的告警。第二步咱们看这个 Product 也是在要害链路下面，我给它配一个 P99 大于一秒的告警，第三个是 MySQL，也配一个大于一秒的告警，配完之后，我会在 Product 这个服务下面去注入一个 MySQL 慢查问的故障，大略等到两分钟之后，咱们就能够看到陆续告警就触发进去了，网关跟 Product 下面都有一个红点跟一个灰色的点，这一点其实就是报进去的故障，报出的告警事件，Kubernetes 监测会把这个告警事件通过命名空间利用主动的 match 到这个节点下面，所以可能一眼的看出哪些服务、哪些利用是异样的，这样可能疾速定位出问题所在。咱们当初收到告警了之后，下一步去进行一个根因定位。
首先说一下这个更新定位的流程，告警驱动因为预防总比补救要好，所以咱们是采纳先配置告警，再去更新定位这么一个过程。而后咱们会用拓扑来去进行一个可视化剖析，因为拓扑是可能去进行架构感知、剖析上下游，能够进行可视化剖析。当收到告警后，能够针对告警看对应的一个利用产生了什么状况。第一个咱们看那个网关，咱们看到网关的那个 P99 回升到 1800 毫秒以上，所以触发了一个大于 1 秒阈值的这么一个告警。咱们能够也能够看到几个分位数都是上涨的，而后咱们进一步看另外一个产生告警的服务，也就是 Product，点开这个节点之后，咱们能够从那个 panel 下面看到这个 Product 也产生了一个慢调用，P99、P95 都曾经不同水平的产生慢调用大都是大于一秒的，而后这时候咱们是能够去看一下 Product 的资源应用状况的，因为可能 Product 自身有问题。咱们查看 Product 的上游，一个是 Nacos，一个是 MySQL，咱们看 MySQL 的这个交互的时候就发现这外面有大量的一个慢调用，而后看到这些慢调用之后，点击这些明细，去下钻看一下它调用的时候产生了什么事件，咱们进一步看这些数据之后，就会发现 SQL 外面 Product 调用 Mysql 的时候执行了一条很简单，Join 了多张表的一个 SQL 的语句。从调用 Trace 看到耗时十分大，这样的话咱们就可能定位到基本上是这条 SQL 产生的一个问题了。
总结一下咱们整个流程，首先咱们会通过架构感知去辨认要害的门路，而后在这个要害门路下来配置告警去被动发现异常。发现异常之后，咱们通过利用本身的资源指标黄金信号等来去定位问题。如果本身没有问题，那咱们就可往下追踪上游，咱们去看上游的资源指标，用这么一种办法去定位慢调用的一个依赖的问题，中间件调用的问题。
案例三：网络性能差
接下来咱们讲最初一个例子就是网络性能差，Kubernetes 的网络架构是比较复杂的，容器之间的通信、Pod 之间的通信、Pod 与服务之间通信、内部与服务之间的通信等等。所以复杂度是比拟高的，学习的曲线也比拟平缓，这给定位问题带来肯定艰难。那么，咱们怎么去应答这种状况呢？如果采纳要害网络环境指标去发现网络异样，有哪些要害环境指标呢？首先一个是速率跟带宽，第二个是吞吐量，第三个是延时，第四个是 RTT。
首先我会这边配置一个告警，注入 MySQL 所在节点丢包率高这个故障，期待几分钟之后，咱们会收到慢调用告警，网关跟 Product 的响应工夫都产生了大于一秒的告警。接下来咱们看一下根因定位，咱们看到网关，产生了慢调用 P99 的响应工夫暴增，而后看 Product 也产生了均匀响应工夫突增的问题，那就是方才的服务慢调用了，而后咱们进一步看 Product 的上游，依赖了 Nacos、Redis、MySQL 这三个服务，能够发现慢调用是比拟显著的，而后咱们查看它的上游时就发现了 Product 调 MySQL 的时候产生了比较严重的慢调用，同时它的 RTT 跟重传景象也很显著。
失常状况下 RTT 是很安稳的。它反映的是上下游之间的往返的工夫，如果它都上涨十分快，基本上能够认定为它是网络问题，所以说能够看到就是这外面有三条，从网关、Product、MySQL，从这里咱们能够总结到就是通过这种辨认要害门路，而后在拓扑下面去配置告警的这种办法能够十分快的去定位问题，不须要去查证很多散落在各个中央的信息。咱们只须要去在这条拓扑下面去树藤摸瓜的去查看对应的性能指标，网络指标等等，疾速定位到问题所在。所以，这就是咱们黄金信号 + 资源指标 + 资源拓扑定位像慢调用这种异样的最佳实际。
最初总结下本次最佳实际：
1、通过默认告警被动发现异常，默认告警模板涵盖 RED，常见资源类型指标。除了默认下发的告警规定，用户还能够基于模板定制化配置。
2、通过黄金信号和资源指标发现、定位异样，同时 Trace 配合下钻定位根因。
3、通过拓扑图做上下游剖析、依赖剖析、架构感知，有利于从全局视角扫视架构，从而失去最优解，做到继续改善，构建更稳固的零碎。
原文链接
本文为阿里云原创内容，未经容许不得转载。
