从 1 秒到 10 毫秒！在 APISIX 中减少 Prometheus 请求阻塞

本文介绍了 Prometheus 插件造成长尾请求现象的原因，以及如何解决这个问题。

作者屠正松，Apache APISIX PMC Member。

现象

在 APISIX 社区中，曾有部分用户陆续反馈一种神秘现象：部分请求延迟较长。具体表现为：当流量请求进入一个正常部署的 APISIX 集群时，偶尔会出现部分请求有 1 ~ 2 秒的延迟。用户的 QPS 规模大概在 1 万，但是这种异常请求非常少见，每隔几分钟就会出现 1 ~ 3 次。一些用户在 issue 中也提供了捕获到的延迟较长的请求。从这些截图中可以看出，确实有请求延迟较高，甚至可以达到秒级别。

这种现象伴随着另一种现象：某个 worker 进程的 CPU 占用率达到了 100%。

开发团队通过不同渠道与这些反馈的用户沟通得知，这个现象发生的条件是：

开启 prometheus 插件，并且有 Prometheus Exporter 访问 APISIX 的 endpoint /apisix/prometheus/metrics 来采集指标；
prometheus 插件统计的 metrics 的数量达到一定规模，通常是上万级别；

这个现象是在业界称为 "长尾请求"，是指在一个请求群体中，大部分请求响应时间较短，但有少部分请求响应时间较长的情况。它可能是由于后端系统的性能瓶颈、资源不足或其他原因导致的。它不是一个致命的 bug，但是它严重影响了终端用户的体验。

抽丝剥茧

APISIX 基于一个开源的 Lua 库 nginx-lua-prometheus 开发了 Prometheus 插件，提供跟踪和收集 metrics 的功能。当 Prometheus Exporter 访问 APISIX 暴露的 Prometheus 指标的 endpoint 时，APISIX 会调用 nginx-lua-prometheus 提供的函数来暴露 metrics 的计算结果。

开发团队从社区用户，企业用户等渠道收集汇总了长尾请求发生的条件，基本定位了问题所在：nginx-lua-prometheus 中用于暴露 metrics 指标的函数 prometheus:metric_data()。

不过这只是初步推断，还需要直接的证据来证明长尾请求与此有关，并且需要搞清楚以下问题：

这个函数具体做了什么？
这个函数为什么会造成长尾请求现象？

开发团队构造了本地复现环境，这个复现环境主要模拟以下场景：

模拟客户端发送正常请求，被 APISIX 代理到上游
模拟 Prometheus Exporter 每隔 5 秒访问 /apisix/prometheus/metrics，触发 APISIX 运行 prometheus:metric_data() 函数

复现环境示意图：

在执行复现测试时，我们会观察 wrk2 的测试结果中的 P100 等指标来确认是否发生了长尾请求现象，并且会对运行中的 APISIX 生成火焰图，来观测发生长尾请求时，CPU 资源消耗在哪里。

wrk2 的测试结果如下：

  Latency Distribution (HdrHistogram - Uncorrected Latency (measured without taking delayed starts into account))

   50.000%    1.13ms

   75.000%    2.56ms

   90.000%    4.82ms

   99.000%   14.70ms

   99.900%   27.95ms

   99.990%   74.75ms

   99.999%  102.78ms

  100.000%  102.78ms

根据这个测试结果可以得到结论：在测试期间，99% 的请求在 14.70 毫秒内完成了，但是还有很少一部分请求消耗了 100 多毫秒。并且我们用 metrics 数量作为变量，进行了多次测试，发现 metrics 数量与 P100 的延迟呈线性增长。如果 metrics 达到 10 万级别，P100 将达到秒级别。

生成的火焰图如下：

从火焰图的函数堆栈可以看到，prometheus:metric_data() 占据了最长的横轴宽度，这证明了大量 CPU 消耗在这里。这也直接证明了 prometheus:metric_data() 造成长尾请求现象。

下面我们来简单分析一下 prometheus:metric_data() 函数做了什么。prometheus:metric_data() 将会从共享内存中获取指标，对指标进行分类，并加工成 Prometheus 兼容的文本格式。在这个过程中，会对所有 metrics 按照字典序进行排序，会用正则处理 metrics 的前缀。根据经验，这些都是非常昂贵的操作。

不够完美的优化

当定位到有问题的代码后，下一步就是结合火焰图，详细分析代码，寻找优化空间。

从火焰图可以定位到 fix_histogram_bucket_labels 函数。通过 review 这个函数，我们发现了两个比较敏感的函数：string:match 和 string:gsub。这两个函数都不能被 LuaJIT 所 JIT 编译，只能解释执行。

LuaJIT 是一个针对 Lua 编程语言的 JIT 编译器，可以将 Lua 代码编译成机器码并运行。这相比于使用解释器来运行 Lua 代码，可以提供更高的性能。

使用 LuaJIT 运行 Lua 代码的一个优势是，它可以大幅提升代码的执行速度。这使得 APISIX 在处理大量请求时可以保持较低的延迟，并且可以在高并发环境下表现出较好的性能。

关于 LuaJIT 的更多介绍可以参考：什么是 JIT？

因此不能被 LuaJIT 编译的代码必然会成为潜在的性能瓶颈。

我们整理以上信息并提交了 issue: optimize the long-tail request phenomenon 到 nginx-lua-prometheus，与这个项目的作者 knyar 一起探讨可以优化的空间。knyar 响应很及时，我们沟通后明确了可以优化的点。于是提交了 PR：chore: use ngx.re.match instead of string match to improve performance 进行优化。

在这个 PR 中，主要完成了：

用 ngx.re.match 替代 string:match
用 ngx.re.gsub 替代 string:gsub

在完成这个优化后，我们其实非常理性地知道，这个优化只能提升一些性能，但不能根本解决问题。根本问题是：

Nginx 是一种多进程单线程的架构。所有的 worker 进程都会监听 TCP 连接，但一旦连接进入了某个 worker 进程，就不能再被迁移到其他 worker 进程去处理了。

这意味着，如果某个 worker 进程非常忙碌，那么该 worker 进程内的其他连接就可能无法及时获得处理。另一方面，进程内的单线程模型意味着，所有 CPU 密集型和 IO 密集型的任务都必须按顺序执行。如果某个任务执行时间较长，那么其他任务就可能被忽略，导致任务处理时间不均匀。

prometheus:metric_data() 占据了大量的 CPU 时间片进行计算，挤压了处理正常请求的 CPU 资源。这也是为什么会看到某个 worker 进程的 CPU 占用率达到 100%。

基于这个问题，我们在完成上述优化后继续分析，抓取了火焰图：

上面火焰图 builtin#100 表示的是 luajit/lua 的库函数（比如 string.find 这种），可以通过 https://github.com/openresty/openresty-devel-utils/blob/master/ljff.lua 这个项目里的脚本来得到对应的函数名称。

使用方式：

$ luajit ljff.lua 100

FastFunc table.sort

由于计算 metrics 时占用了过量的 CPU，所以我们考虑在计算 metrics 时适当让出 CPU 时间片。

对于 APISIX 来说，处理正常请求的优先级是最高的，CPU 资源应当向此倾斜，而 prometheus:metric_data() 只会影响 Prometheus Exporter 获取指标时的效率。

在 OpenResty 世界，有一个隐秘的让出 CPU 时间片的方式：ngx.sleep(0) 。我们在 prometheus:metric_data() 中引入这种方式，当处理所有的 metrics 时，每处理固定数目（比如 200 个）的 metrics 后让出 CPU 时间片，这样新进来的请求将有机会得到处理。

我们提交了引入这个优化的 PR：feat: performance optimization。

在我们的测试场景中，当 metrics 的总数量达到 10 万级别时，引入这个优化之前用 wrk2 测试得到的结果：

  Latency Distribution (HdrHistogram - Uncorrected Latency (measured without taking delayed starts into account))

 50.000%   10.21ms

 75.000%   12.03ms

 90.000%   13.25ms

 99.000%   92.80ms

 99.900%  926.72ms

 99.990%  932.86ms

 99.999%  934.40ms

100.000%  934.91ms

引入这个优化后，用 wrk2 测试得到的结果：

  Latency Distribution (HdrHistogram - Uncorrected Latency (measured without taking delayed starts into account))

 50.000%    4.34ms

 75.000%   12.81ms

 90.000%   16.12ms

 99.000%   82.75ms

 99.900%  246.91ms

 99.990%  349.44ms

 99.999%  390.40ms

100.000%  397.31ms

可以看到 P100 的指标大约是优化前的 1/3 ～ 1/2。

不过这并没有完美解决这个问题，通过分析优化后的火焰图：

可以直接看到 builtin#100（即 table.sort）和 builtin#92（即 string.format）等，仍然占据了相当宽度的横轴，这是因为：

prometheus:metric_data() 中首先会对所有的 metrics 调用 table.sort 进行排序，当 metrics 到 10 万级别时，相当于对 10 万个字符串进行排序，并且 table.sort 不可以被 ngx.sleep(0) 中断。
使用 string.format 的地方，以及 fix_histogram_bucket_labels 无法优化，经过与 knyar 交流后得知，这些步骤必须存在以保证 prometheus:metric_data() 可以产出格式正确的 metrics。

至此，代码层面的优化手段已经用完了，但遗憾的是，还是没有完美解决问题。P100 的指标仍然有明显的延迟。

怎么办？

让我们再回到核心问题：prometheus:metric_data() 占据了大量的 CPU 时间片进行计算，挤压了处理正常请求的 CPU 资源。

在 Linux 系统中，CPU 分配时间片的单位是线程还是进程？准确来说是线程，线程才是实际的工作单元。不过 Nginx 是多进程单线程的架构，实际在每个进程中只有一个线程。

此时我们会想到一个优化方向：将 prometheus:metric_data() 转移到其他线程，或者说进程。于是我们调研了两个方向：

用 ngx.run_worker_thread 来运行 prometheus:metric_data() 的计算任务，相当于将 CPU 密集型任务交给线程池；
用单独的进程来处理 prometheus:metric_data() 的计算任务，这个进程不会处理正常请求。

经过 PoC 后，我们否定了方案 1，采用了方案 2。否定方案 1 是因为 ngx.run_worker_thread 只适合运行与请求无关的计算任务，而 prometheus:metric_data() 明显是与请求有关的。

方案 2 的实现：让 privileged agent（特权进程）来处理 prometheus:metric_data()。但是特权进程本身不监听任何端口，也不会处理任何请求。因此，我们需要对特权进程进行一些改造，让它监听端口。

最终，我们通过 feat: allow privileged agent to listen port 和 feat(prometheus): support collect metrics works in the priviledged agent 实现了方案 2。

我们使用带上了这个优化的 APISIX 来测试，发现 P100 的指标延迟已经降低到合理的范围内，长尾请求现象也不存在了。

  Latency Distribution (HdrHistogram - Uncorrected Latency (measured without taking delayed starts into account))

 50.000%    3.74ms

 75.000%    4.66ms

 90.000%    5.77ms

 99.000%    9.99ms

 99.900%   13.41ms

 99.990%   16.77ms

 99.999%   18.38ms

100.000%   18.40ms

这个方案有些巧妙，也解决了最核心的问题。我们在生产环境中观察并验证了这个方案，它消除了长尾请求现象，也没有造成其他额外的异常。

与此同时，我们发现社区中也有类似的修复方案，有兴趣的话可以延伸阅读：如何修改 Nginx 源码实现 worker 进程隔离。

展望

在我们修复这个问题的时候，产生了一个新的思考：nginx-lua-prometheus 这个开源库适合 APISIX 吗？

我们在 APISIX 侧解决了 prometheus:metric_data() 的问题，同时，我们也发现了 nginx-lua-prometheus 存在的其他问题，并且修复了。比如修复内存泄漏，以及修复 LRU 缓存淘汰。

nginx-lua-prometheus 刚开始是被设计为 Nginx 使用，并不是为了 OpenResty 以及基于 OpenResty 的应用所设计的。OpenResty 生态内没有比 nginx-lua-prometheus 更成熟的对接 Prometheus 生态的开源项目，因此 nginx-lua-prometheus 不断被开源社区的力量推动成为适合 OpenResty 生态的方向。

也许我们应该将视野放得更开阔一些，寻找不用修改 APISIX 底层的方式来对接 Prometheus 生态。比如设计一个更适合 APISIX 的依赖库，或者用某种方式对接 Prometheus 生态中成熟的项目，将收集和计算 metrics 的过程转移到那些成熟的项目中。

后续

该问题已经在 Apache APISIX 3.1 版本中修复。https://github.com/apache/apisix/pull/8434

关于 API7.ai 与 APISIX

API7.ai 支流科技是一家提供 API 处理和分析的开源基础软件公司，于 2019 年开源了新一代云原生 API 网关 -- APISIX 并捐赠给 Apache 软件基金会。此后，API7.ai 一直积极投入支持 Apache APISIX 的开发、维护和社区运营。与千万贡献者、使用者、支持者一起做出世界级的开源项目，是 API7.ai 努力的目标。