如何使用 Kubernetes 监测定位慢调用-技术圈

大家好，我是阿里云的李煌东。今天我为大家分享 Kubernetes 监测公开课第四节，如何使用 Kubernetes 监测定位慢调用。今天的课程主要分为三大部分，首先我会介绍一下慢调用的危害以及常见的原因；其次我会介绍慢调用的分析方法以及最佳实践；最后通过几个案例来去演示一下慢调用的分析过程。

慢调用危害及常见原因

Cloud Native

在开发软件过程中，慢调用是非常常见的异常。慢调用可能带来的危害包括：

前端业务维度：首先慢调用可能会引起前端加载慢的问题，前端加载慢可能会进一步导致应用卸载率高，进而影响品牌的口碑。

项目交付的维度：由于接口慢导致达不到 SLO，进而导致项目延期。

业务架构稳定性：当接口调用慢时，非常容易引起超时，当其他业务服务都依赖这个接口，那么就会引发大量重试，进而导致资源耗尽，最终导致部分服务或者整个服务不可用的雪崩的现象。

所以，看似一个无关痛痒的慢调用可能隐藏着巨大风险，我们应该引起警惕。对慢调用最好都不要去忽视它，应该尽可能去分析其背后的原因，从而进行风险控制。

产生慢调用的原因有哪些？产生慢调用的原因是千千万万的，归结起来有五个常见原因。

第一个是资源使用率过高问题，比如说 CPU 内存、磁盘、网卡等等。当这些使用率过高的时候，非常容易引起服务慢。

第二个是代码设计的问题，通常来说如果 SQL 它关联了很多表，做了很多表，那么会非常影响 SQL 执行的性能。

第三个是依赖问题，服务自身没有问题，但调用下游服务时下游返回慢，自身服务处于等待状态，也会导致服务慢调用的情况。

第四个是设计问题，比如说海量数据的表非常大，亿级别数据查询没有分库分表，那么就会非常容易引起慢查询。类似的情况还有耗时的操作没有做缓存。

第五个是网络方面问题，比如说跨洲调用，跨洲调用是物理距离太大了，导致往返时间比较长，进而导致慢调用。或者两点之间的网络性能可能比较差。比如说有丢包重传率，重传率高的问题。

今天我们的例子围绕这五个方面，我们一起来看一下。

定位慢调用一般来说有什么样的步骤，或者说有什么样的最佳实践呢？我这里总结的为三个方面：黄金信号 + 资源指标 + 全局架构。

我们先来看一下黄金信号。首先，黄金信号是出自谷歌 SRE 圣经里面的 Site Reliability Engineering 一书。用来表征系统是否健康的最小指标的集合，这其中包括：

延时--用来描述系统执行请求花费的时间。常见指标包括平均响应时间，P90/P95/P99 这些分位数，这些指标能够很好的表征这个系统对外响应的快还是慢，是比较直观的。

流量--用来表征服务繁忙程度，典型的指标有 QPS、TPS。

错误--也就是我们常见的类似于协议里 HTTP 协议里面的 500、400 这些，通常如果错误很多的话，说明可能已经出现问题了。

饱和度--就是资源水位，通常来说接近饱和的服务比较容易出现问题，比如说磁盘满了，导致日志没办法写入，进而导致服务响应。典型的那些资源有 CPU、内存、磁盘、队列长度、连接数等等。

除了黄金信号，我们还需要关注一个资源指标。著名的性能分析大神 Brandan Gregg ，在他的性能分析方法论文章中提到一个 USE 方法。USE 方法是从资源角度进行分析，它是对于每一个资源去检查 utilization（使用率），saturation （饱和度），error（错误），合起来就是 USE 了，检查这三项基本上能够解决 80% 的服务问题，而你只需要花费 5% 的时间。

前面有了黄金信号、资源指标之后，我们还需要关注什么？正如 Branda 在方法论里面提到的“我们不能只见树木，不见森林”。诸葛亮也说过“不谋全局者，不足以谋一域”。我们应该把系统架构画出来，从全局去看性能问题，而不只是看某个资源、某个服务。把所有东西进行综合考虑，识别出瓶颈所在，通过设计方法系统性解决问题，这也是一种更优的方法。所以，我们需要黄金信号、资源指标以及全局架构这种组合。

慢调用最佳实践

Cloud Native

接下来我会讲三个案例，第一个是节点 CPU 打满问题，这也是典型的资源问题导致的服务慢的问题，即服务自身的资源导致的问题。第二个是依赖的服务中间件慢调用的问题。第三个是网络性能差。第一个案例是判断服务自身有没有问题；第二个案例是判断下游服务的问题；第三个就是判断自身跟服务之间的网络性能问题。

我们以一个电商应用举例。首先流量入口是阿里云 SLB，然后流量进入到微服务体系中，微服务里面我们通过网关去接收所有流量，然后网关会把流量打到对应的内部服务里面，比如说 ProductService、CartService、 PaymentService 这些。下面我们依赖了一些中间件，比如说 Redis 、MySQL 等等，这整个架构我们会使用阿里云的 ARMS 的 Kubernetes 监测产品来去监测整个架构。故障注入方面，我们会通过 chaosblade 去注入诸如 CPU 打满、网络异常等不同类型的异常。

案例一：节点 CPU 打满问题

节点 CPU 打满会带来什么样的问题呢？节点 CPU 打满之后，上面的 Pod 可能没办法申请到更多 CPU，导致里面的线程都处于等待调度的状态，进而导致慢调用。除了节点上面，我们这除了 CPU 之外，还有一些像磁盘、Memory 等等资源。

接下来我们看一下 CPU 在 Kubernetes 的集群里面的一些特点。首先，CPU 是可压缩的资源，在 Kubernetes 里面我们右边看这些配置，有几个常见配置，比如说 Requests，Requests 是主要是用来做调度的。Limits 是用来去做运行时的一个限制，超过这个 Limits，它就会被限流。所以，我们的实验原理是说对节点这个 CPU 进行打满注入，导致 Pod 没办法申请到更多的内存，进而导致服务变慢。

在正式开始前，我们通过拓扑图对关键链路进行识别，在上面配置一些告警。比如说网关及支付链路，我们会配置平均响应时间 P90 以及慢调用等告警。然后配置完之后，我这边会注入一个节点 CPU 打满这么一个故障。那这个节点选的是网关的节点，大概等待五分钟之后，我们就可以收到告警，就是第二步里面的那个验证告警的有效性。

接下来我们进入根因定位。首先，我们进入到查看到网关的应用详情里面。第一步是查看相关黄金信号，黄金信号就是响应时间，我们看到响应时间非常直观显示了突增，下面是慢调用数，慢调用数是有一千多个，慢调用数突然增多了，P90/P95 出现了明显上升，并超过一秒，说明整个服务也变慢了。

接下来，我们需要分析资源指标，在 Pod CPU 使用量图表中可以看到这段时间 Pod 使用量上升很快，这个过程说明需要向宿主机或者节点申请更多内存。我们进一步看一下节点或者宿主机的 CPU 使用率是怎么样的，我们看到这段时间使用率接近百分之百，Pod 申请不了更多 CPU，进一步导致服务慢了，进而导致平均响应时间大量增长。

定位到问题之后，我们可以想想具体解决方案。通过 CPU 使用率配置弹性伸缩。因为我们不知道相关流量或者资源，不知道什么时候突然就不够。那么应对这种场景最好的办法就是给资源配置弹性伸缩，为节点配置弹性伸缩，主要是为了确保在负载上升时，资源能够动态扩容。为了给应用配置弹性伸缩，我们可以给比如 CPU 指标，配置一个增加副本数的一个扩容动作来去分担流量，这里面我们可以配置成最大副本数为十，最小副本数为三等等。

效果如下：注入 CPU 慢故障时，慢调用会上升，上升完成之后会触发到弹性伸缩，那就是 CPU 的使用率超过阈值了，如 70%。那么，它就会自动扩出一些副本去分担这些流量，我们可以看到慢调用数逐步下降直到消失，说明我们的那个弹性伸缩起到作用了。

案例二：依赖的服务中间件慢调用的问题

接下来我们看第二个案例。首先介绍一下准备工作，左边这边图我们可以看到网关进来掉了两个下游服务，一个是 MySQL ，一个是 ProductService，所以在网关上直接配置一个大于一秒的告警，平均响应时间 P99 大于一秒的告警。第二步我们看这个 Product 也是在关键链路上面，我给它配一个 P99 大于一秒的告警，第三个是 MySQL ，也配一个大于一秒的告警，配完之后，我会在 Product 这个服务上面去注入一个 MySQL 慢查询的故障，大概等到两分钟之后，我们就可以看到陆续告警就触发出来了，网关跟 Product 上面都有一个红点跟一个灰色的点，这一点其实就是报出来的故障，报出的告警事件，Kubernetes 监测会把这个告警事件通过命名空间应用自动的 match 到这个节点上面，所以能够一眼的看出哪些服务、哪些应用是异常的，这样能够快速定位出问题所在。我们现在收到告警了之后，下一步去进行一个根因定位。

首先说一下这个更新定位的流程，告警驱动因为预防总比补救要好，所以我们是采用先配置告警，再去更新定位这么一个过程。然后我们会用拓扑来去进行一个可视化分析，因为拓扑是能够去进行架构感知、分析上下游，可以进行可视化分析。当收到告警后，可以针对告警看对应的一个应用发生了什么情况。第一个我们看那个网关，我们看到网关的那个 P99 上升到 1800 毫秒以上，所以触发了一个大于 1 秒阈值的这么一个告警。我们可以也可以看到几个分位数都是上涨的，然后我们进一步看另外一个发生告警的服务，也就是 Product，点开这个节点之后，我们可以从那个 panel 上面看到这个 Product 也发生了一个慢调用，P99、P95 都已经不同程度的发生慢调用大都是大于一秒的，然后这时候我们是可以去看一下 Product 的资源使用情况的，因为可能 Product 本身有问题。我们查看 Product 的下游，一个是 Nacos，一个是 MySQL，我们看 MySQL 的这个交互的时候就发现这里面有大量的一个慢调用，然后看到这些慢调用之后，点击这些明细，去下钻看一下它调用的时候发生了什么事情，我们进一步看这些数据之后，就会发现 SQL 里面 Product 调用 Mysql 的时候执行了一条很复杂，Join 了多张表的一个 SQL 的语句。从调用 Trace 看到耗时非常大，这样的话我们就能够定位到基本上是这条 SQL 产生的一个问题了。

总结一下我们整个流程，首先我们会通过架构感知去识别关键的路径，然后在这个关键路径上去配置告警去主动发现异常。发现异常之后，我们通过应用自身的资源指标黄金信号等来去定位问题。如果自身没有问题，那我们就可往下追踪下游，我们去看下游的资源指标，用这么一种方法去定位慢调用的一个依赖的问题，中间件调用的问题。

案例三：网络性能差

接下来我们讲最后一个例子就是网络性能差，Kubernetes 的网络架构是比较复杂的，容器之间的通信、Pod 之间的通信、Pod 与服务之间通信、外部与服务之间的通信等等。所以复杂度是比较高的，学习的曲线也比较陡峭，这给定位问题带来一定困难。那么，我们怎么去应对这种情况呢？如果采用关键网络环境指标去发现网络异常，有哪些关键环境指标呢？首先一个是速率跟带宽，第二个是吞吐量，第三个是延时，第四个是 RTT。

首先我会这边配置一个告警，注入 MySQL 所在节点丢包率高这个故障，等待几分钟之后，我们会收到慢调用告警，网关跟 Product 的响应时间都发生了大于一秒的告警。接下来我们看一下根因定位，我们看到网关，发生了慢调用 P99 的响应时间暴增，然后看 Product 也发生了平均响应时间突增的问题，那就是刚才的服务慢调用了，然后我们进一步看 Product 的下游，依赖了 Nacos、Redis 、MySQL 这三个服务，可以发现慢调用是比较明显的，然后我们查看它的下游时就发现了 Product 调 MySQL 的时候发生了比较严重的慢调用，同时它的 RTT 跟重传现象也很明显。

正常情况下 RTT 是很平稳的。它反映的是上下游之间的往返的时间，如果它都上涨非常快，基本上可以认定为它是网络问题，所以说可以看到就是这里面有三条，从网关、Product、MySQL，从这里我们可以总结到就是通过这种识别关键路径，然后在拓扑上面去配置告警的这种方法可以非常快的去定位问题，不需要去查证很多散落在各个地方的信息。我们只需要去在这条拓扑上面去树藤摸瓜的去查看对应的性能指标，网络指标等等，快速定位到问题所在。所以，这就是我们黄金信号 + 资源指标 + 资源拓扑定位像慢调用这种异常的最佳实践。

最后总结下本次最佳实践：

1、通过默认告警主动发现异常，默认告警模板涵盖 RED，常见资源类型指标。除了默认下发的告警规则，用户还可以基于模板定制化配置。

2、通过黄金信号和资源指标发现、定位异常，同时 Trace 配合下钻定位根因。

3、通过拓扑图做上下游分析、依赖分析、架构感知，有利于从全局视角审视架构，从而得到最优解，做到持续改善，构建更稳定的系统。