一次erlang 节点CPU严重波动排查

　　新服务上线后观察到，CPU在10 ~ 70%间波动严重，但从每秒业务计数器看业务处理速度很平均。

　　接下来是排查步骤：

　　1. dstat -tam

　　

　　大概每10s一个周期，网络流量开始变得很小，随后突然增大，CPU也激增。

　　网络流量变化和从性能计数器结果上并不符合，服务相关业务较为复杂，先找出那个业务占用网络流量。

　　2. iftop

　　找出流量最大的几个目标IP，并且周期的流量变为0随后激增。

　　通过IP 知道是外部http接口地址，因为接口调用是异步进行的，性能计算是执行开始记录的，而不是结束记录，因此可以理解。

　　也就是每过一段时间所有异步执行的接口调用都会被block一段时间。

　　3. tcpdump

　　既然被block，首先想到的就是依赖服务不稳定，不定期超时造成。

　　抓取tcp 包确认

　　但是从网络包中，没有找到任何tcp连接失败，重传等，IO统计流量为0 时，客户端就没有发起任何http 请求。

　　也就说明问题出在调用方，httpclient。

　　

　　4.lhttpc

　　仔细看了一遍lhttpc源码，能找到唯一可能影响的地方就是 lhttpc 限制并发连接数为50.

　　线上查lhttpc配置时，却发现部署版本不是最新的，汗。。。找到对应版本发现老版本没有并发连接数限制，比较简单也找不到其他问题。

　　5. 找出block 代码路径

　　找出调用入口，手动执行，发现确实，存在block情况

　　通过抓取进程栈：

　　　　io:format("~s~n", [element(2, process_info(Pid, backtrace))]).

　　定位到是 lhttpc 老实在调用其他一个接口时block 数秒

　　6. fprof 工具

　　fprof:start().

　　fprof:apply(M, F, A).

　　fprof:profile().

　　fprof:analyze().

　　得到如下结果（摘要）

{[{{lhttpc_client,request,9},                     1, 4993.730,    0.018}],
 { {lhttpc_client,execute,9},                     1, 4993.730,    0.018},     %
 [{{lhttpc_client,send_request,1},                1, 4993.486,    0.004},
  {{lhttpc_lib,format_request,7},                 1,    0.130,    0.008},
  {{gen_server,call,3},                           1,    0.046,    0.003},
  {{lhttpc_lib,normalize_method,1},               1,    0.038,    0.017},
  {{proplists,get_value,3},                       6,    0.006,    0.006},
  {{proplists,is_defined,2},                      2,    0.003,    0.003},
  {{proplists,get_value,2},                       1,    0.003,    0.002}]}.

{[{{lhttpc_client,execute,9},                     1, 4993.486,    0.004},
  {{lhttpc_client,send_request,1},                1,    0.000,    0.003}],
 { {lhttpc_client,send_request,1},                2, 4993.486,    0.007},     %
 [{{lhttpc_sock,connect,5},                       1, 4932.214,    0.006},
  {{lhttpc_client,read_response,1},               1,   61.202,    0.004},
  {{lhttpc_sock,send,3},                          1,    0.061,    0.001},
  {{erlang,setelement,3},                         1,    0.002,    0.002},
  {{lhttpc_client,send_request,1},                1,    0.000,    0.003}]}.

{[{{inet_gethost_native,getit,2},                 1, 4929.280,    0.000},
  {{prim_inet,recv0,3},                           1,   59.932,    0.000},
  {{prim_inet,connect0,4},                        1,    2.082,    0.000},
  {{lhttpc_client,request,9},                     1,    0.017,    0.000},
  {{gen,do_call,4},                               1,    0.017,    0.000}],
 { suspend,                                       5, 4991.328,    0.000},     %
 [ ]}.

{[{{gen_tcp,connect,4},                           1, 4932.188,    0.007}],
 { {gen_tcp,connect1,4},                          1, 4932.188,    0.007},     %
 [{{inet_tcp,getaddrs,2},                         1, 4929.488,    0.013},
  {{gen_tcp,try_connect,6},                       1,    2.672,    0.020},
  {{gen_tcp,mod,2},                               1,    0.019,    0.002},
  {{inet_tcp,getserv,1},                          1,    0.002,    0.002}]}.

{[{{gen_tcp,connect1,4},                          1, 4929.488,    0.013}],
 { {inet_tcp,getaddrs,2},                         1, 4929.488,    0.013},     %
 [{{inet,getaddrs_tm,3},                          1, 4929.475,    0.008}]}.

{[{{inet_tcp,getaddrs,2},                         1, 4929.475,    0.008}],
 { {inet,getaddrs_tm,3},                          1, 4929.475,    0.008},     %
 [{{inet,gethostbyname_tm,3},                     1, 4929.445,    0.005},
  {{inet_parse,visible_string,1},                 1,    0.022,    0.001}]}.

{[{{inet,getaddrs_tm,3},                          1, 4929.445,    0.005}],
 { {inet,gethostbyname_tm,3},                     1, 4929.445,    0.005},     %
 [{{inet,gethostbyname_tm,4},                     1, 4929.430,    0.002},
  {{inet_db,res_option,1},                        1,    0.009,    0.002},
  {{lists,member,2},                              1,    0.001,    0.001}]}.

{[{{inet,gethostbyname_tm,3},                     1, 4929.430,    0.002}],
 { {inet,gethostbyname_tm,4},                     1, 4929.430,    0.002},     %
 [{{inet,gethostbyname_tm_native,4},              1, 4929.428,    0.004}]}.

{[{{inet,gethostbyname_tm,4},                     1, 4929.428,    0.004}],
 { {inet,gethostbyname_tm_native,4},              1, 4929.428,    0.004},     %
 [{{inet_gethost_native,gethostbyname,2},         1, 4929.423,    0.002},
  {{inet,gethostbyname_tm,5},                     1,    0.001,    0.001}]}.

　　从上面看，block在于 inet_tcp:getaddrs, 阅读源码发现是调用native 解析dns 的问题。

　　

　　7. erlang dns

　　dig 域名，dnsserver 是内网服务器，响应都在1ms内，长时间测试，不存在任何延时。

　　因为怀疑是erlang dns 实现的问题

　　http://erlang.org/doc/apps/erts/inet_cfg.html

> inet_db:get_rc().
[{nameservers,{10,13,8,25}},
 {nameservers,{172,16,105,248}},
 {resolv_conf,"/etc/resolv.conf"},
 {hosts_file,"/etc/hosts"},
 {lookup,[native]}]
> ets:lookup(inet_db, cache_size).
[{cache_size,100}]

{lookup, Methods}.

Methods = [atom()]

Specify lookup methods and in which order to try them. The valid methods are: native (use system calls), file (use host data retrieved from system configuration files and/or the user configuration file) or dns (use the Erlang DNS client inet_res for nameserver queries).

上面说明，默认情况erlang 每次dns查询都是查询直接走系统调用，只有但 lookup [dns] 时才会启用erlang 内部的 dns cache。

　　

8. 系统dns

既然erlang 没有dnscache 抓包分析一下，系统

tcpdump -i any udp port 53

21:34:58.739732 IP 10.77.128.49.49003 > 10.13.8.25.domain: 26954+ A? i.api.xxx.cn. (32)
21:34:58.739941 IP 10.13.8.25.domain > 10.77.128.49.49003: 26954 1/4/4 A 172.16.105.232 (193)
21:34:58.740546 IP 10.77.128.49.40072 > 10.13.8.25.domain: 39440+ A? i.api.xxx.cn. (32)
21:35:02.205299 IP 10.77.128.49.6060 > 10.13.8.25.domain: 48139+ A? bx49. (22)
21:35:02.207506 IP 10.13.8.25.domain > 10.77.128.49.6060: 48139 NXDomain 0/1/0 (97)
21:35:03.479277 IP 10.77.128.49.51277 > 10.13.8.25.domain: 11779+ A? bx49. (22)
21:35:03.479501 IP 10.13.8.25.domain > 10.77.128.49.51277: 11779 NXDomain 0/1/0 (97)
21:35:03.745591 IP 10.77.128.49.24134 > 172.16.105.248.domain: 39440+ A? i.api.xxx.cn. (32)
21:35:03.747254 IP 172.16.105.248.domain > 10.77.128.49.24134: 39440 1/4/4 A 172.16.105.232 (193)

从包中，存在大量频繁的请求对i.api.xxx.cn 域名的查询，而且被我标黄的那条记录没有应答，5s后重发请求才收到结果。

总结：

i.api.xxx.cn 接口不支持keepalive，每次都需要新建连接，erlang 每次都需要进行系统调用查询DNS

服务器没有启动 nscd 服务，没有缓存

DNS 使用UDP 协议，即使时内网，偶尔也会丢失

erlang 对于并发查询同一个DNS 会做合并，同时只会有一个DNS 请求

erlang 的系统调用超时时间太长（5s），没有及时的重发查询，造成期间请求堆积，等DNS返回，堆积的业务同时开始处理，造成CPU波动。

解决方案：

1. 启动nscd 2. 配置inet 使用内存dns 模块缓存