【问题记录】记一次ConnectionTimeout问题排查

最近做性能测试时，发现连接第三方系统时会有约1%的交易提示如下错误

nested
exception is org.apache.commons.httpclient.ConnectTimeoutException: The host did
not accept the connection within timeout of 10000 ms

起先抱着能google就google的思路去找，结果没找到相应的解决方案，只能自己一步一步去排查了，下面记录下排查过程。

抓拍问题现场

涉及到网络的问题，先抓个包，tcpdump走一波。

tcpdump -i eth0 host xxx.xxx.xxx.xxx > tcp.dmp

节选了一次TCP连接的整个内容,从三次握手到报文发送到四次挥手,下面将一次通讯分为三个部分进行讲解

包格式讲解

时间戳 协议类型 请求方地址>接收方地址 Flags [xxx], seq xxx,......,length

协议类型：此处针对TCP/IP协议，为IP

Flags常见值及含义

标识	含义
S	即SYN，用于建立连接
.	.即ACK，可与其他组合使用比如[S.]代表SYN的ACK回执
P	即PSH，指示接收方应立即将数据交给上层
F	即FIN，用于断开连接

三次握手

09:23:00.038908 IP 192.168.1.100.51777 > 192.168.1.200.39045: Flags [S], seq 2590465106, win 29200, options [mss 1460,sackOK,TS val 1752507811 ecr 0,nop,wscale 7], length 0
09:23:00.039329 IP 192.168.1.200.39045 > 192.168.1.100.51777: Flags [S.], seq 148046299, ack 2590465107, win 14480, options [mss 1460,sackOK,TS val 2174555693 ecr 1752507811,nop,wscale 7], length 0
09:23:00.039341 IP 192.168.1.100.51777 > 192.168.1.200.39045: Flags [.], ack 1, win 229, options [nop,nop,TS val 1752507811 ecr 2174555693], length 0

1. 客户端发送SYN=1,seq=随机生成的序号到服务端，对应第一个包内容

2. 服务端响应SYN=1,seq=服务端随机序号,ack=第一步中的seq+1给客户端，对应第二个包内容

3. 客户端发送SYN=0,seq=第一步中的seq+2，ack=服务端的随机序号+1给服务端，对应第三个包

   至此连接建立完成

   TCP连接为全双工的，既可以C->S,亦可S->C

请求发送/响应接收

09:23:00.039406 IP 192.168.1.100.51777 > 192.168.1.200.39045: Flags [P.], seq 1:167, ack 1, win 229, options [nop,nop,TS val 1752507811 ecr 2174555693], length 166
09:23:00.039426 IP 192.168.1.100.51777 > 192.168.1.200.39045: Flags [P.], seq 167:2259, ack 1, win 229, options [nop,nop,TS val 1752507811 ecr 2174555693], length 2092
09:23:00.039778 IP 192.168.1.200.39045 > 192.168.1.100.51777: Flags [.], ack 167, win 122, options [nop,nop,TS val 2174555693 ecr 1752507811], length 0
09:23:00.039784 IP 192.168.1.200.39045 > 192.168.1.100.51777: Flags [.], ack 2259, win 155, options [nop,nop,TS val 2174555693 ecr 1752507811], length 0
09:23:00.533102 IP 192.168.1.200.39045 > 192.168.1.100.51777: Flags [P.], seq 1:972, ack 2259, win 155, options [nop,nop,TS val 2174555817 ecr 1752507811], length 971
09:23:00.533114 IP 192.168.1.100.51777 > 192.168.1.200.39045: Flags [.], ack 972, win 244, options [nop,nop,TS val 1752507935 ecr 2174555817], length 0

1. 每发送一次报文，对端需要做一次ACK回执，保证TCP传输的可靠
2. 包1和包2是客户端向服务端请求的，包3和包4是服务端回执的，包5是服务端响应的内容，包6是客户端对响应做的回执。

四次挥手

09:23:00.533121 IP 192.168.1.200.39045 > 192.168.1.100.51777: Flags [F.], seq 972, ack 2259, win 155, options [nop,nop,TS val 2174555817 ecr 1752507811], length 0
09:23:00.533166 IP 192.168.1.100.51777 > 192.168.1.200.39045: Flags [F.], seq 2259, ack 973, win 244, options [nop,nop,TS val 1752507935 ecr 2174555817], length 0
09:23:00.533479 IP 192.168.1.200.39045 > 192.168.1.100.51777: Flags [.], ack 2260, win 155, options [nop,nop,TS val 2174555817 ecr 1752507935], length 0

此处因为使用了HTTP协议，且在系统头中设置了Connection=close,所以在请求处理完成后,服务端便会将连接关闭。

1. 第一步:服务端发送FIN到客户端，对应包1。
2. 第二步:客户端回执ACK到服务端，对应包2。
3. 第三步:客户端发送FIN到服务端，对应包2。

因为第二、第三步都是从客户端发送到服务端，TCP协议实现时在此处做了合并，将ACK和FIN一并发给对端，减少了网络消耗。

1. 第四步:服务端回执ACK到客户端，对应包3，连接释放完成。

问题分析

包是抓到了，可是在性能测试时,业务量特别大,如果纯粹靠手工分析的话，怕是要找到地老天荒了，为此写了一段Python代码来分析tcpdump的包，因为本次的问题为请求连接有问题，必然是三次握手的时候存在问题，所以以下代码主要分析三次握手时的情况。

Packet.py

解析包内容

import re

class Packet(object):
    '分组'

    timestamp = '00:00:00.000000'  # 时间戳
    from_addr = '0.0.0.0'  # 源地址
    to_addr = '0.0.0.0'  # 目的地址
    protocol_type = 'IP'  # 协议类型

    flags = '[S]'
    seq = '0'
    ack = '0'
    length = 0  # 数据包长度

    def __init__(self, packet_str):
        hb = re.split(': ', packet_str)
        header = hb[0]
        body = hb[1]

        hs = re.split('[\s]', header)
        self.timestamp = hs[0]
        self.protocol_type = hs[1]
        self.from_addr = hs[2]
        self.to_addr = hs[4]

        bs = re.split(',\s', body)
        for b in bs:
            kv = re.split('\s', b, 1)
            k = kv[0]
            v = kv[1]
            if 'Flags' == k:
                self.flags = v
            elif 'seq' == k:
                if self.flags != '[P.]':
                    self.seq = v
            elif 'length' == k:
                self.length = int(v)
            elif 'ack' == k:
                self.ack = v

    def __str__(self):
        return self.timestamp + self.protocol_type + self.from_addr + '==>' + self.to_addr + self.flags + str(
            self.seq) + str(self.ack) + str(self.length)

ConnectionTimeoutAnalyze.py

分析dmp包内容

from tcpdump.Packet import Packet

client_addr = '192.168.1.100'
server_addr = '192.168.1.200.39045'

packet_times = {}  # 连接ID:时间
first_packets = [] #三次握手第一次的包

'''
第一步:syn=1,seq=xxx
第二步:syn=1,seq=yyy,ack=xxx+1
第三步:syn=0,seq=xxx+1,ack=yyy+1
'''
with open('C:\\Users\\xxx\\Desktop\\39045.dmp') as dmp:
    for line in dmp.readlines():
        line = str(line.strip())
        packet = Packet(line)
        if packet.from_addr.startswith(client_addr) and packet.flags == '[S]':
            first_packets.append(packet)

        id = packet.from_addr + packet.to_addr + packet.flags + 'ack=' + packet.ack
        if packet.flags != '[S.]':
            id = id + 'seq=' + packet.seq

        packet_times[id] = packet.timestamp

print('请求ID(客户端IP.端口\\请求序号)\t第一步时间\t\t第二步时间\t\t第三步时间')
for fpack in first_packets:
    sync_time = fpack.timestamp  # 第一步的时间
    id = fpack.to_addr + fpack.from_addr + '[S.]' + 'ack=' + str(int(fpack.seq) + 1)  # 第二步:ack=第一步的seq+1
    ack_time = packet_times.get(id)
    conn_time = None
    if ack_time is not None:
        conn_time = packet_times.get(fpack.from_addr + fpack.to_addr + '[.]ack=1seq=0')  # 第三步:ack=1,seq无值
    print(
        '[' + fpack.from_addr + '\\' + fpack.seq + ']\t' + sync_time + '\t\t' + str(ack_time) + '\t\t' + str(conn_time))

通过代码分析，发现存在部分创建连接时第二步的时间为None的，因此可以得出结论为发出去的SYN请求包没有得到服务端的回执，可以光明正大的摔锅给网络/第三方了!

后记：

上班后，在服务端抓取客户端的TCP包。并找到上述第二步时间为None的包，用三次握手第一步的seq去服务端包中查找，找不到相应的包，可以断定，网络存在丢包的情况。