[[398458]]

在內網環境中，超時問題，網絡表示這個鍋我不背。

筆者對于超時的理解，隨著在工作中不斷實踐，其理解也越來越深刻，RocketMQ在生產環境遇到的超時問題，已經困擾了我將近半年，現在終于取得了比較好的成果，和大家來做一個分享。

本次技術分享，由于涉及到網絡等諸多筆者不太熟悉的領域，如果存在錯誤，請大家及時糾正，實現共同成長與進步。

1、網絡超時現象

時不時總是接到項目組反饋說生產環境MQ發送超時，客戶端相關的日志截圖如下：

今天的故事將從張圖開始。

2、問題排查

2.1 初步分析

上圖中有兩條非常關鍵日志：

• invokeSync：wait response timeout exception

網絡調用超時

• recive response,but not matched any request

這條日志非常之關鍵，表示盡管客戶端在獲取服務端返回結果時超時了，但客戶端最終還是能收到服務端的響應結果，只是此時客戶端已經等待足夠時間后放棄處理了。

關于第二條日志，我再詳細闡述一下其運作機制，其實也是用一條鏈接發送多個請求的編程套路。一條長連接，向服務端先后發送2個請求，客戶端在收到服務端響應結果時，怎么判斷這個響應結果對應的是哪個請求呢?如下圖所示：

客戶端多個線程，通過一條連接發送了req1,req2兩個請求，但在服務端通常都是多線程處理，返回結果時可能會先收到req2的響應，那客戶端如何識別服務端返回的數據是對應哪個請求的呢?

解決辦法是客戶端在發送請求之前，會為該請求生成一個本機器唯一的請求id(requestId)，并且會采用Future模式，將requestId與Future對象放入一個Map中，然后將reqestId放入請求體中，服務端在返回響應結果時將請求ID原封不動的放入到響應結果中，當客戶端收到響應時，先界面出requestId，然后從緩存中找到對應的Future對象，喚醒業務線程，將返回結構通知給調用方，完成整個通信。

故從這里能看到，客戶端在指定時間內沒有收到服務端的請求，但最終還是能收到，矛頭直接指向Broker端，是不是Broker有瓶頸，處理很慢導致的。

2.2 Broker端處理瓶頸分析

在我的“經驗”中，RocketMQ消息發送如果出現瓶頸，通常會返回各種各樣的Broker Busy，而且可以通過跟蹤Broker端寫入PageCache的數據指標來判斷Broker是否遇到了瓶頸。

grep "PAGECACHERT" store.log 

得到的結果類似如下截圖：

圖片

溫馨提示:上圖是我本機中的截圖，當時分析問題的時候，MQ集群中各個Broker中這些數據，寫入PageCache的時間沒有超過100ms的。

正是由于良好的pagecache寫入數據，根據如下粗糙的網絡交互特性，我提出將矛盾點轉移到網絡方面：

并且我還和業務方確定，雖然消息發送返回超時，但消息是被持久化到MQ中的，消費端也能正常消費，網絡組同事雖然從理論上來說局域網不會有什么問題，但鑒于上述現象，網絡組還是開啟了網絡方面的排查。

溫馨提示：最后證明是被我帶偏了。

2.3 網絡分析

通常網絡分析有兩種手段，netstat 與網絡抓包。

2.3.1 netstat查看Recv-Q與Send-Q

我們可以通過netstat重點觀察兩個指標Recv-Q、Send-Q。

• Recv-Q

tcp通道的接受緩存區

• Send-Q

tcp通道的發送緩存區

在TCP中，Recv-Q與Send-Q的作用如下圖所示：

• 客戶端調用網絡通道，例如NIO的Channel寫入數據，數據首先是寫入到TCP的發送緩存區，如果發送發送區已滿，客戶端無法繼續向該通道發送請求，從NIO層面調用Channel底層的write方法，會返回0，表示發送緩沖區已滿，需要注冊寫事件，待發送緩存區有空閑時再通知上層應用程序可以發消息。
• 數據進入到發送緩存區后，接下來數據會隨網絡到達目標端，首先進入的是目標端的接收緩存區，如果與NIO掛鉤的化，通道的讀事件會繼續，應用從接收緩存區中成功讀取到字節后，會發送ACK給發送方。
• 發送方在收到ACK后，會刪除發送緩沖區中的數據，如果接收方一直不讀取數據，那發送方也無法發送數據。

網絡同事分布在客戶端、MQ服務器上通過每500ms采集一次netstat ，經過對采集結果進行匯總，出現如下圖所示：

從客戶端來看，客戶端的Recv-Q中會出現大量積壓，對應的是MQ的Send-Q中出現大量積壓。

從上面的通訊模型來看，再次推斷是否是因為客戶端從網絡中讀取字節太慢導致的，因為客戶端為虛擬機，從netstat 結果來看，疑似是客戶端的問題(備注，其實最后并不是客戶端的問題，請別走神)。

2.3.2 網絡抓包

網絡組同事為了更加嚴謹，還發現了如下的包：

這里有一個問題非常值得懷疑，就是客戶端與服務端的滑動窗口只有190個字節，一個MQ消息發送返回包大概有250個字節左右，這樣會已響應包需要傳輸兩次才能被接收，一開始以為這里是主要原因，但通過其他對比，發現不是滑動窗口大于250的客戶端也存在超時，從而判斷這個不是主要原因，后面網絡同事利用各種工具得出結論，網絡不存在問題，是應用方面的問題。

想想也是，畢竟是局域網，那接下來我們根據netstat的結果，將目光放到了客戶端的讀性能上。

2.4 客戶端網絡讀性能瓶頸分析

為此，我為了證明讀寫方面的性能，我修改了RocketMQ CLient相關的包，加入了Netty性能采集方面的代碼，其代碼截圖如下：

我的主要思路是判斷客戶端對于一個通道，每一次讀事件觸發，一個通道會進行多少次讀取操作，如果一次讀事件觸發，需要觸發很多次的讀取，說明一個通道中確實積壓了很多數據，網絡讀存在瓶頸。

但令人失望的是客戶端的網絡讀并不存在瓶頸，部分采集數據如下所示：

通過awk命令對其進行分析，發現一次讀事件觸發，大部分通道讀兩次即可將讀緩存區中的數據抽取成功，讀方面并不存在瓶頸，對awk執行的統計分析如下圖所示：

那矛頭又將指向Broker，是不是寫到緩存區中比較慢呢?

2.5 Broker端網絡層面瓶頸

經過上面的分析，Broker服務端寫入pagecache很快，維度將響應結果寫入網絡這個環節并未監控，是不是寫入響應結果并不及時，大量積壓在Netty的寫緩存區，從而導致并未及時寫入到TCP的發送緩沖區，從而造成超時。

筆者本來想也對其代碼進行改造，從Netty層面去監控服務端的寫性能，但考慮到風險較大，暫時沒有去修改代碼，而是再次認真讀取了RocketMQ封裝Netty的代碼，在此次讀取源碼之前，我一直以為RocketMQ的網絡層基本不需要進行參數優化，因為公司的服務器都是64核心的，而Netty的IO線程默認都是CPU的核數，但在閱讀源碼發現，在RocketMQ中與IO相關的線程參數有如下兩個：

• serverSelectorThreads

默認值為3。

• serverWorkerThreads

默認值為8。

serverSelectorThreads，在Netty中，就是WorkGroup，即所謂的IO線程池，每一個線程池會持有一個NIO中的Selector對象用來進行事件選擇，所有的通道會輪流注冊在這3個線程中，綁定在一個線程中的所有Channel，會串行進行讀寫操作，即所有通道從TCP讀緩存區，將數據寫到發送緩存區都在這個線程中執行。

我們的MQ服務器的配置，CPU的核屬都在64C及以上，用3個線程來做這個事情，顯然有點太“小家子氣”，該參數可以調優。

serverWorkerThreads，在Netty的線程模型中，默認情況下事件的傳播(編碼、解碼)都在IO線程中，即在上文中提到的Selector對象所在的線程，為了降低IO線程的壓力，RocketMQ單獨定義一個線程池，用于事件的傳播，即IO線程只負責網絡讀、寫，讀取的數據進行解碼、寫入的數據進行編碼等操作，單獨放在一個獨立的線程池，線程池線程數量由serverWorkerThreads指定。

看到這里，終于讓我心潮澎湃，感覺離真相越來越近了。參考Netty將IO線程設置為CPU核數的兩倍，我第一波參數優化設置為serverSelectorThreads=16，serverWorkerThreads=32，在生產環境進行一波驗證。

經過1個多月的驗證，在集群機器數量減少(雙十一之后縮容)，只出現過極少數的消息發送超時，基本可以忽略不計。

3、總結

本文詳細介紹了筆者排查MQ發送超時的精力，最終定位到的是RocketMQ服務端關于網絡通信線程模型參數設置不合理。

之所以耗費這么長時間，其實有值得反思的地方，我被我的“經驗”誤導了，其實以前我對超時的原因直接歸根于網絡，理由是RocketMQ的寫入PageCache數據非常好，基本都沒有超過100ms的寫入請求，以為RocketMQ服務端沒有性能瓶頸，并沒有從整個網絡通信層考慮。

本文轉載自微信公眾號「中間件興趣圈」，可以通過以下二維碼關注。轉載本文請聯系中間件興趣圈公眾號。