检查服务是否支持长连接_Go 长连接服务线上一次大量 CLOSE_WAIT 复盘

以下文章来源于公众号 poslua ，作者ms2008

最近，我在压测线上的一个长连接服务时，发现服务端出现大量的 CLOSE_WAIT 状态长时间不会释放，并且伴随着 goroutine 暴增，这里做个复盘，介绍下排查思路。

说起 CLOSE_WAIT，就不得不再复习一遍 TCP 的状态变迁：

出现 CLOSE_WAIT 本质上是因为服务端收到客户端的 FIN 后，仅仅回复了 ACK(由系统的 TCP 协议栈自动发出)，并没有发 4 次断开的第二轮 FIN(由应用主动调用 Close()或 Shutdown() 发出)。

而且观察到服务端的 CLOSE_WAIT 状态 RECV 缓冲区基本都有数据：

说明服务端还没有调用 recv 读取，并且在客户端关闭连接后，CLOSE_WAIT 依然不会消失，只能说明服务端 HANG 在了某处，没有调用 close。

接下里就需要打印出服务的调用栈信息，看下服务端究竟在干什么：

goroutine profile: total 1380684816132 @ 0x430ecf 0x40766a 0x407640 0x40732b 0x7f1bfc 0x7f0ed7 0x801842 0x9349a8 0x45e091#    0x7f1bfb    github.com/gomodule/redigo/redis.(*Pool).get+0x8ab  foo/vendor/github.com/gomodule/redigo/redis/pool.go:278#    0x7f0ed6    github.com/gomodule/redigo/redis.(*Pool).Get+0x36   foo/vendor/github.com/gomodule/redigo/redis/pool.go:179#    0x801841    foo/tool.POSOnlineUpdate+0x41       foo/tool/redis.go:549#    0x9349a7    foo/engine.(*Client).reader.func3+0x77  foo/engine/client.go:417189361 @ 0x430ecf 0x440708 0x924ef4 0x45e091#    0x924ef3    foo/engine.(*Client).writer+0x103   foo/engine/client.go:777159055 @ 0x430ecf 0x40766a 0x407640 0x40732b 0x7f1bfc 0x7f0ed7 0x8036cd 0x920ced 0x925778 0x6bd294 0x6bf196 0x6c0568 0x6bc251 0x45e091#    0x7f1bfb    github.com/gomodule/redigo/redis.(*Pool).get+0x8ab  foo/vendor/github.com/gomodule/redigo/redis/pool.go:278#    0x7f0ed6    github.com/gomodule/redigo/redis.(*Pool).Get+0x36   foo/vendor/github.com/gomodule/redigo/redis/pool.go:179#    0x8036cc    foo/tool.UpdateRegisteTTL+0x4c      foo/tool/redis.go:614#    0x920cec    foo/engine.(*Client).reader+0xadc   foo/engine/client.go:410#    0x925777    foo/engine.ServeWs+0x357            foo/engine/client.go:841#    0x6bd293    net/http.HandlerFunc.ServeHTTP+0x43         /usr/local/go/src/net/http/server.go:1995#    0x6bf195    net/http.(*ServeMux).ServeHTTP+0x1d5            /usr/local/go/src/net/http/server.go:2375#    0x6c0567    net/http.serverHandler.ServeHTTP+0xa7           /usr/local/go/src/net/http/server.go:2774#    0x6bc250    net/http.(*conn).serve+0x850                /usr/local/go/src/net/http/server.go:1878

可以看到事故发生时，出现了将近 140W 的 goroutine，有将近 100W 都 block 在了 redis 连接的获取上。顺手确认 redis 的连接情况：ss-tn dport=:6379|sed1d|wc-l 发现 redis 连接池已经占满。理论上也不应该啊，我们的 redis 都是有超时保护的，理论上不应该出现一直 block 的情况。我们的连接池是这么初始化的：

connTimeout := redis.DialConnectTimeout(time.Duration(10) * time.Second)readTimeout := redis.DialReadTimeout(time.Duration(10) * time.Second)writeTimeout := redis.DialWriteTimeout(time.Duration(10) * time.Second)redisPool = &redis.Pool{    MaxIdle:     conf.MaxIdle,    MaxActive:   conf.MaxActive,    Wait:        true,    IdleTimeout: 240 * time.Second,    Dial: func() (redis.Conn, error) {        c, err := redis.Dial("tcp", conf.Addr, connTimeout, readTimeout, writeTimeout)        if err != nil {            return nil, err        }        return c, err    },    TestOnBorrow: func(c redis.Conn, t time.Time) error {        if time.Since(t) < time.Minute {            return nil        }        _, err := c.Do("PING")        return err    },}

p.s. redigo 初始化连接池的时候如果没有传入 timeout，那么在执行命令时将永远不会超时！！！

业务获取连接时，基本都是这样：

func getFoo() {    c := redisPool.Get()    defer c.Close()    // XXX}

为什么超时保护机制没有生效？只能从 redigo 源码里一探究竟：

func (p *Pool) lazyInit() {    // Fast path.    if atomic.LoadUint32(&p.chInitialized) == 1 {        return    }    // Slow path.    p.mu.Lock()    if p.chInitialized == 0 {        p.ch = make(chan struct{}, p.MaxActive)        if p.closed {            close(p.ch)        } else {            for i := 0; i < p.MaxActive; i++ {                p.ch  0 {        p.lazyInit()        if ctx == nil {            

原来 redigo 是通过 p.lazyInit() 初始化一个 channel 来限制最大连接数的。发生 block 时，几乎全都是阻塞在了 本质就是 redisPool.Get() 获取连接时如果没有执行的到 dial()，那么不会有任何超时保护机制。

问题已经似乎找到了，但是仔细想想也不对。即使一时半会儿拿不到连接，只要时间足够长，其他调用释放掉连接，之后也应该是可以获取到连接的。但是当时的情况是，服务一直 HANG 在那里不动，只能说明当时 redis 连接根本就没有释放。继续分析当时的栈信息，终于找到一处关键的地方：

156 @ 0x430ecf 0x40766a 0x407640 0x40732b 0x7f1bfc 0x7f0ed7 0x7ff6cd 0x7fe389 0x921921 0x923ea0 0x45e091#    0x7f1bfb    github.com/gomodule/redigo/redis.(*Pool).get+0x8ab      foo/vendor/github.com/gomodule/redigo/redis/pool.go:278#    0x7f0ed6    github.com/gomodule/redigo/redis.(*Pool).Get+0x36       foo/vendor/github.com/gomodule/redigo/redis/pool.go:179#    0x7ff6cc    foo/tool.MessageShopDel+0x4c            foo/tool/redis.go:424#    0x7fe388    foo/tool.MessageListShopGet+0x2c8       foo/tool/redis.go:372#    0x921920    foo/engine.(*Client).RegisterMsgSend+0x100  foo/engine/client.go:473#    0x923e9f    foo/engine.(*Client).UnAckMessageLoop+0x6f  foo/engine/client.go:656144 @ 0x430ecf 0x40766a 0x407640 0x40732b 0x7f1bfc 0x7f0ed7 0x7fea39 0x7fe347 0x921921 0x923ea0 0x45e091#    0x7f1bfb    github.com/gomodule/redigo/redis.(*Pool).get+0x8ab      foo/vendor/github.com/gomodule/redigo/redis/pool.go:278#    0x7f0ed6    github.com/gomodule/redigo/redis.(*Pool).Get+0x36       foo/vendor/github.com/gomodule/redigo/redis/pool.go:179#    0x7fea38    foo/tool.MessageShopGet+0x58            foo/tool/redis.go:379#    0x7fe346    foo/tool.MessageListShopGet+0x286       foo/tool/redis.go:356#    0x921920    foo/engine.(*Client).RegisterMsgSend+0x100  foo/engine/client.go:473#    0x923e9f    foo/engine.(*Client).UnAckMessageLoop+0x6f  foo/engine/client.go:656

正是 UnAckMessageLoop 这个调用占满了所有的 redis 连接并且没有释放。怎么判断出来的呢？我们的 redis 连接池最大配置为 300，而这里的 goroutine 恰好也是 300 个在获取连接(156+144)。继续看下里面是怎么调用的：

func getFoo() {    c := redisPool.Get()    defer c.Close()    // XXX}func getBar() {    c := redisPool.Get()    defer c.Close()    getFoo()}

恍然大悟，原来业务里有个嵌套的调用，这可不就是一个 deadlock 嘛。所以当时的状况应该是，并发到 300 个 getBar() 的时候，其里面的 getFoo() 会因为 MaxActive 的限制永远拿不到连接，间接导致 getBar() 也无法释放其连接，导致后续的 close 无法被正常调用，产生大量的 CLOSE_WAIT 状态同时伴随大量的 goroutine 堆积。

综上，我们在使用 redis 的时候一定要小心处理这些嵌套调用，以免留下这种 deadlock 隐患。其实 redigo 也提供了一个更安全的获取连接的接口：GetContext()，通过显式传入一个 context 来控制 Get() 的超时：

func (p *Pool) GetContext(ctx context.Context) (Conn, error) {    pc, err := p.get(ctx)    if err != nil {        return errorConn{err}, err    }    return &activeConn{p: p, pc: pc}, nil}

需要注意的是，要想使用这个接口需要 go1.7+。