云计算之路-黎明前的黑暗：20130424网站故障经过

一、背景

4月18日的访问高峰扛过去之后，我们和阿里云一直在努力寻找问题的真正原因。是问题，躲不去的，不找到根源，随时会突然袭击。

压力测试未能重现问题，只能进行大海捞针般的猜测：SLB（均衡均衡）、Web服务器（虚拟机）、应用程序、缓存服务器（虚拟机）、SLB与Web服务器之间的网络通信，Web服务器与缓存服务器之间的网络通信、Web服务器与RDS（关系型数据库服务）之间的网络通信？

我们怀疑的对象是：SLB（请求分配有问题）、SLB与Web服务器之间的网络通信（TCP连接）、VM与RDS之间的网络通信（TCP连接）。

阿里云怀疑的对象是：我们的应用程序、缓存服务器。

对于我们怀疑的对象，我们没有任何侦测手段，只能将我们的怀疑抛给阿里云。

对于阿里云怀疑的对象，我们一万个不认同应用程序会引起这个问题（应用程序的问题不会引起SLB中的所有Web服务器同时出问题）。对于缓存服务器，存在可能，但我们没有特别重视。因为在之前出问题期间，缓存的命中率在正常范围，即使缓存服务器down掉，也会直接走RDS，访问速度也不会有大的影响。我们有两种类型的缓存服务器memcached与NoSQL，都用的是couchbase。阿里云建议我们memcached与NoSQL都进行负载均衡，昨天我们只对NoSQL进行了负载均衡（负载比较高）。并将memcached与NoSQL客户端的连接超时设置修改为1秒，也就是说只要缓存服务器有问题，1秒钟连接超时后就会直接走RDS从数据库中获取数据。具体设置如下：

<couchbase>
    <servers bucket="default">
        <add uri="http://ip1:8091/pools" />
        <add uri="http://ip2:8091/pools" />            
    </servers>
    <socketPool minPoolSize="20" maxPoolSize="200" connectionTimeout="00:00:01" deadTimeout="00:00:02" />
</couchbase>
<enyim.com>
    <memcached protocol="Binary">
        <servers>
            <add address="ip1" port="11211" />        
        </servers>
        <socketPool minPoolSize="20" maxPoolSize="200" connectionTimeout="00:00:01" deadTimeout="00:00:02" />
    </memcached>
</enyim.com>

今天出故障之前，服务器的部署情况是：SLB+4台Web服务器+1台Memcached服务器+2台NoSQL服务器+RDS。

二、故障经过

上午出现了波动情况，见下图（负载均衡中波动最严重的一台）

（红色曲线是博客IIS站点的Current Connections，绿色曲线是ASP.NET的Reqeust Execution Time）

下午2点开始，故障开始全面爆发，Windows性能监视器中的表现是Current Connections急剧增加、Reqeust Execution Time严重变慢、Requests/s大大减小。

当时采取的解决方法是向负载均衡中增加云服务器，如果加云服务器能解决问题，那就说明是云服务器的负载能力问题。但是加了后发现，刚加之后有些缓解，但很快就故障如初。

后来采取限制每台云服务器的IIS的并发连接数缓解故障的影响面。如果不限制，大家都无法正常访问；限制之后，未被拒绝的请求的访问速度会好些，但被拒绝的请求会出现503错误。在正常期间，来自SLB的并发连接在100以内，但故障期间并发连接在1000之上（因为很多请求得不到正常响应，连接越积越多），我们将IIS的最大连接限制在500才缓解了故障。

但后来即使Current Connections在200多，访问速度也很慢。我们继续加云服务器，有1台云服务器一上去，500的连接限制立即跑满。我们当时还以为是SLB分配请求有问题，实际是SLB给云服务器的请求得不到响应，像堵车一样堵在那，越堵越多。

期间，阿里云技术人员发现memcached那台云服务器磁盘IO高（这也是奇怪情况，memcached只在内存中进行缓存），问题可能与memcached服务器有关，但从couchbase控制台看memcached的缓存命中率正常。我们在一台Web服务器上试了不走memcached，但从测试情况看，那台服务器的响应速度还是慢（可能当时是因为很多请求继续在那堵着）。

后来，阿里云技术人员发现memcached那台云服务器内网接口流量波动很大（这个监视数据我们看不到）。

于是，我们想到重启memcached服务器（操作系统是CentOS 6.2 64位）试试。结果reboot命令发出不久（17:00左右），故障竟然消失了，Current Connections立即下降，打开网站速度飞快（在memcached服务器重启阶段，memcached客户端连接超时，程序会直接从数据库取数据）。等memcached服务器启动好之后，故障又立即出现。

于是，我们关闭那台memcached服务器，故障又立即消失。然后重新购买了一台云服务器，操作系统是CentOS 6.3 64位，安装同样版本的couchbase，切换上去，故障没有出现。网站就这么恢复了正常。晚上我们又加了一台memcached服务器，用2台组建了负载均衡。

忙完之后，就写了这篇博客。

我们已经无颜向大家道歉了，我们只有一个选择：全力以赴彻底解决这个问题，战胜困难，度过难关！

故障原因分析见：云计算之路-柳暗花明：为什么memcached会堵车