线上一次大量 CLOSE_WAIT 复盘
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 1380684
816132 @ 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:417
189361 @ 0x430ecf 0x440708 0x924ef4 0x45e091
# 0x924ef3 foo/engine.(*Client).writer+0x103 foo/engine/client.go:777
159055 @ 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 <- struct{}{}
}
}
atomic.StoreUint32(&p.chInitialized, 1)
}
p.mu.Unlock()
}
// get prunes stale connections and returns a connection from the idle list or
// creates a new connection.
func (p *Pool) get(ctx interface {
Done() <-chan struct{}
Err() error
}) (*poolConn, error) {
// Handle limit for p.Wait == true.
if p.Wait && p.MaxActive > 0 {
p.lazyInit()
if ctx == nil {
<-p.ch
} else {
select {
case <-p.ch:
case <-ctx.Done():
return nil, ctx.Err()
}
}
}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 <-p.ch 上，还没有走到执行 redis 命令的时刻，也就不会有什么保护机制了。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:656
144 @ 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+。