排查网络丢包
本文汇总网络丢包相关问题的排查思路与可能原因。
网络丢包的定义与现象
网络丢包是指部分包正常,部分包被丢弃。
从现象上看就不是网络一直不通,而是:
- 偶尔不通。
- 速度慢(丢包导致重传)。
排查思路
TODO
可能原因
高并发 NAT 导致 conntrack 插入冲突
如果高并发并且做了 NAT,比如使用了 ip-masq-agent,对集群外的网段或公网进行 SNAT,又或者集群内访问 Service 被做了 DNAT,再加上高并发的话,内核就会高并发进行 NAT 和 conntrack 插入,当并发 NAT 后五元组冲突,最终插入的时候只有先插入的那个成功,另外冲突的就会插入失败,然后就丢包了。
可以通过 conntrack -S
确认,如果 insert_failed
计数在增加,说明有 conntrack 插入冲突。
conntrack 表爆满
看内核日志:
# demsg
$ journalctl -k | grep "nf_conntrack: table full"
nf_conntrack: nf_conntrack: table full, dropping packet
若有以上报错,证明 conntrack 表满了,需要调大 conntrack 表:
sysctl -w net.netfilter.nf_conntrack_max=1000000
socket buffer 满导致丢包
netstat -s | grep "buffer errors"
的计数统计在增加,说明流量较大,socket buffer 不够用,需要调大下 buffer 容量:
net.ipv4.tcp_wmem = 4096 16384 4194304
net.ipv4.tcp_rmem = 4096 87380 6291456
net.ipv4.tcp_mem = 381462 508616 762924
net.core.rmem_default = 8388608
net.core.rmem_max = 26214400
net.core.wmem_max = 26214400
arp 表爆满
看内核日志:
# demsg
$ journalctl -k | grep "neighbor table overflow"
arp_cache: neighbor table overflow!
若有以上报错,证明 arp 表满了,查看当前 arp 记录数:
$ arp -an | wc -l
1335
查看 arp gc 阀值:
$ sysctl -a | grep gc_thresh
net.ipv4.neigh.default.gc_thresh1 = 128
net.ipv4.neigh.default.gc_thresh2 = 512
net.ipv4.neigh.default.gc_thresh3 = 1024
调大 arp 表:
sysctl -w net.ipv4.neigh.default.gc_thresh1=80000
sysctl -w net.ipv4.neigh.default.gc_thresh2=90000
sysctl -w net.ipv4.neigh.default.gc_thresh3=100000
更多请参考 节点排障: Arp 表爆满。
MTU 不一致导致丢包
如果容器内网卡 MTU 比另一端宿主机内的网卡 MTU 不一致(通常是 CNI 插件问题),数据包就可能被截断导致一些数据丢失:
- 如果容器内的 MTU 更大,发出去的包如果超过 MTU 可能就被丢弃了(通常节点内核不会像交换机那样严谨会分片发送)。
- 同样的,如果容器内的 MTU 更小,进来的包如果超过 MTU 可能就被丢弃。
tcp 协商 mss 的时候,主要看的是进程通信两端网卡的 MTU。
MTU 大小可以通过 ip address show
或 ifconfig
来确认。
QoS 限流丢包
在云厂商的云主机环境,有可能会在底层会对某些包进行 QoS 限流,比如为了防止公共 DNS 被 DDoS 攻击,限制 UDP 53 端口的包的流量,超过特定速度阈值就丢包,导致部分 DNS 请求丢包而超时。
PPS 限速对包
网卡的速度始终是有上限的,在云环境下,不同机型不同规格的云主机的 PPS 上限也不一样,超过阈值后就不保证能正常转发,可能就丢包了。
连接队列满导致丢包
对于 TCP 连接,三次握手建立连接,没建连成功前存储在半连接队列,建连成功但还没被应用层 accept 之前,存储在全连接队列。队列大小是有上限的,如果慢了就会丢包:
- 如果并发太高或机器负载过高,半连接队列可能会满,新来的 SYN 建连包会被丢包。
- 如果应用层 accept 连接过慢,会导致全连接队列堆积,满了就会丢包,通常是并发高、机器负载高或应用 hung 死等原因。
查看丢包统计:
netstat -s | grep -E 'drop|overflow'
$ cat /proc/net/netstat | awk '/TcpExt/ { print $21,$22 }'
ListenOverlows ListenDrops
20168 20168
不同内核版本的列号可能有差别
如果有现场,还可以观察全连接队列阻塞情况 (Rec-Q
):
ss -lnt
通过以下内核参数可以调整队列大小 (namespace隔离):
net.ipv4.tcp_max_syn_backlog = 8096 # 调整半连接队列上限
net.core.somaxconn = 32768 # 调整全连接队列上限
需要注意的是,somaxconn
只是调整了队列最大的上限,但实际队列大小是应用在 listen
时传入的 backlog
大小,大多编程语言默认会自动读取 somaxconn
的值作为 listen
系统调用的 backlog
参数的大小。
如果是用 nginx,backlog
的值需要在 nginx.conf
配置中显示指定,否则会用它自己的默认值 511
。
源端口耗尽
当作为 client 发请求,或外部流量从 NodePort 进来时进行 SNAT,会从当前 netns 中选择一个端口作为源端口,端口范围由 net.ipv4.ip_local_port_range
这个内核参数决定,如果并发量大,就可能导致源端口耗尽,从而丢包。
tcp_tw_recycle 导致丢包
在低版本内核中(比如 3.10),支持使用 tcp_tw_recycle 内核参数来开启 TIME_WAIT 的快速回收,但如果 client 也开启了 timestamp (一般默认开启),同时也就会导致在 NAT 环境丢包,甚至没有 NAT 时,稍微高并发一点,也会导致 PAWS 校验失败,导致丢包:
# 看 SYN 丢包是否全都是 PAWS 校验失败
$ cat /proc/net/netstat | grep TcpE| awk '{print $15, $22}'
PAWSPassive ListenDrops
96305 96305
参考资料:
- https://github.com/torvalds/linux/blob/v3.10/net/ipv4/tcp_ipv4.c#L1465
- https://www.freesoft.org/CIE/RFC/1323/13.htm
- https://zhuanlan.zhihu.com/p/35684094
- https://my.oschina.net/u/4270811/blog/3473655/print
listen 了源 port_range 范围内的端口
比如 net.ipv4.ip_local_port_range="1024 65535"
,但又 listen 了 9100
端口,当作为 client 发请求时,选择一个 port_range 范围内的端口作为源端口,就可能选到 9100,但这个端口已经被 listen 了,就可能会选取失败,导致丢包。