問題背景：

某日17:12左右，收到實施人員投訴，有部分設(shè)備不能正常升級、收不到控制臺下發(fā)的指令等問題，同事查看control工程（后面簡稱control）那邊的日志，發(fā)現(xiàn)control沒有收到設(shè)備上報的影子信息，所以沒有下發(fā)指令。control工程直接對接設(shè)備，根據(jù)設(shè)備上報的信息對設(shè)備下發(fā)一些指令及配置信息，包括升級、上報日志等，IoT平臺上線之前control依賴心跳上報來獲取設(shè)備的當(dāng)前信息，IoT平臺上線之后依賴設(shè)備影子信息來獲取設(shè)備的當(dāng)前信息，control會訂閱設(shè)備的影子信息，但影子信息是由影子服務(wù)（簡稱IoT）轉(zhuǎn)發(fā)過去的，它不直接對接設(shè)備影子上報，具體流轉(zhuǎn)細(xì)節(jié)，

請看這下面兩個圖：

應(yīng)用程序（control）獲取設(shè)備狀態(tài)

應(yīng)用程序（control）下發(fā)設(shè)備指令

得知control收不到影子消息以后，我立馬去rabbitmq的控制臺查看是否有消息，

確定兩個事：

1.設(shè)備是否上報了消息

2.rabbitmq是否正常

下面圖1、圖2是當(dāng)時截取的rabbitmq控制臺的兩個圖，從圖1可以很清楚的確定設(shè)備是有消息上報的，但是有很多消息是unacked（說明已經(jīng)投遞給了消費者，只是消費者沒有ack而已，理論上等待一段時間就能正常）的，具體是哪個隊列堆積unacked的消息請看圖2，“spacebridgeiot-shadow”正是我們用來接收設(shè)備上報的影子信息的隊列，消息都被堆積到隊列了所以沒有轉(zhuǎn)發(fā)到control也是合理的，觀察了一段時間發(fā)現(xiàn)unacked的數(shù)量變成了0，但是total的總數(shù)確沒有太大變化，給人的感覺像是unacked的消息重新回到了消息隊列里等待投遞，果然過了幾分鐘以后又發(fā)現(xiàn)有大量unacked的消息，過了幾分鐘以后這部分unacked的消息重新回到隊列里，control那邊依然沒有收到消息，這時查看IoT那邊的日志發(fā)現(xiàn)竟然沒有影子消息進(jìn)來，在rabbitmq的控制臺查看“spacebridgeiot-shadow”這個隊列下居然沒有消費者了，如圖3所示。

這時查看rabbitmq的日志確實有錯誤信息，如圖4所示，rabbitmq主動關(guān)閉了連接。

圖1：rabbitmq概覽圖

圖2：rabbitmq隊列統(tǒng)計圖

圖3：spacebridgeiot-shadow 概覽

 圖4：rabbitmq報錯信息

臨時解決方案：

由于當(dāng)時已經(jīng)有大量投訴過來了，所以采用了比較暴力的解決辦法“將堆積的消息刪除”，刪除以后果然正常了（備注：線上問題必須盡快解決，沒有時間允許我們?nèi)シ治鋈罩救缓笥袟l不紊的解決，必須快）。

通過線下環(huán)境復(fù)現(xiàn)問題：

• 1.往10.200.41.166環(huán)境的rabbitmq的隊列“mirrorTestQueue”堆積大量消息（起碼萬級）
• 2.停掉mirrorTestQueue的消費者，待堆積完成以后重新啟動
• 3.堆積完成，重新啟動消費者

和我們設(shè)想的一樣，幾秒內(nèi)有幾千條消息推給了消費者，持續(xù)幾分鐘以后rabbitmq主動關(guān)閉了和消費者之間的連接，這時從控制臺看不到隊列的消費者。

由于我們的消費者設(shè)置了自動恢復(fù)，所以過一陣又會自動連上，但很快又會被斷連，和我們線上遇到的問題基本一樣，究竟是什么導(dǎo)致了這個問題呢？說實話當(dāng)時沒有什么思路，網(wǎng)上找了一圈也沒找到什么特別滿意的答案（當(dāng)時沒有抓到問題的本質(zhì)，搜的關(guān)鍵詞太泛了），后來我們猜測可能是TCP層面出了什么問題，所以決定抓包試試能不能找到什么端倪。

果然，幸運的事情發(fā)生了，話不多說，直接上圖。

 13:06:25.643428之前rabbitmq還一直在給消費者推消息，直到13:06:25.643428這個時間點，開始出現(xiàn)消費者tcp窗口被打滿的情況，大概持續(xù)了30秒左右，rabbitmq主動斷開了連接（發(fā)了一個rst包），之后消費者重連，然后窗口又繼續(xù)被打滿，又持續(xù)30秒左右繼續(xù)被斷連。

感覺還挺有規(guī)律，每次持續(xù)30s，感覺是可配置的一個參數(shù)，大概總結(jié)一下就是“tcp full window導(dǎo)致了服務(wù)端主動rst連接，而且還有規(guī)律”

這次換了一下搜索的關(guān)鍵詞找到了答案，rabbitmq有一個參數(shù)叫tcp_listen_options.send_timeout 是來控制寫超時的一個參數(shù)，當(dāng)寫超時了以后就會觸發(fā)tcp的RST(https://github.com/rabbitmq/rabbitmq-java-client/issues/341)，修改一下試試效果如何：

1. 將寫超時時間改成10s

tcp_listen_options.send_timeout = 10000

 2.抓包看看是否起作用

可以看到從窗口滿到關(guān)閉連接持續(xù)10s左右，說明這個參數(shù)是起作用的。

現(xiàn)象復(fù)盤：

由于rabbitmq的消費端沒有設(shè)置prefetch所以rabbitmq一次性給消費端投遞了過多的消息，從而導(dǎo)致消費端的 tcp 窗口被占滿，進(jìn)而觸發(fā)了rabbitmq 的tcp_listen_options.send_timeout，這個寫超時達(dá)到一個閾值后會觸發(fā)rabbitmq斷開消費者的tcp 連接。

終極解決方案：

之前刪除消息只是迫不得已的方案，雖然解決了問題但太暴力，我們需要找到一個優(yōu)雅的方案來應(yīng)對，既然是推給消費者的消息太多造成了tcp窗口被打滿，那我們就應(yīng)該在接收速率上下點功夫，在連接rabbitmq的時候告訴它別給我發(fā)太多就行。

后面這段話摘自  http://www.dbjr.com.cn/article/236407.htm

rabbitmq有一個屬性叫prefetch

prefetch是指單一消費者最多能消費的unacked messages數(shù)目。

如何理解呢？mq為每一個 consumer設(shè)置一個緩沖區(qū)，大小就是prefetch。每次收到一條消息，MQ會把消息推送到緩存區(qū)中，然后再推送給客戶端。當(dāng)收到一個ack消息時(consumer 發(fā)出baseack指令)，mq會從緩沖區(qū)中空出一個位置，然后加入新的消息。但是這時候如果緩沖區(qū)是滿的，MQ將進(jìn)入堵塞狀態(tài)。更具體點描述，假設(shè)prefetch值設(shè)為10，共有兩個consumer。也就是說每個consumer每次會從queue中預(yù)抓取 10 條消息到本地緩存著等待消費。同時該channel的unacked數(shù)變?yōu)?0。而Rabbit投遞的順序是，先為consumer1投遞滿10個message，再往consumer2投遞10個message。如果這時有新message需要投遞，先判斷channel的unacked數(shù)是否等于20，如果是則不會將消息投遞到consumer中，message繼續(xù)呆在queue中。之后其中consumer對一條消息進(jìn)行ack，unacked此時等于19，Rabbit就判斷哪個consumer的unacked少于10，就投遞到哪個consumer中。

具體到代碼里就是

如何評估這個值呢，rabbitmq官方有個文章說的很好，就不細(xì)說了，我們的系統(tǒng)中目前設(shè)置的是20。

https://www.rabbitmq.com/blog/2012/05/11/some-queuing-theory-throughput-latency-and-bandwidth/

結(jié)束語：

對于關(guān)鍵組件的使用一定要熟悉其api，理解各個參數(shù)的含義和語法，當(dāng)出現(xiàn)問題時不要局限于組件層面排查，必要的時候需要深入到底層，比如網(wǎng)絡(luò)，操作系統(tǒng)等。

以上就是TCP窗口被填滿問題的排查實踐的詳細(xì)內(nèi)容，更多關(guān)于TCP窗口填滿問題排查的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論