腾讯云负载均衡connect reset by peer的问题

叁歲伎倆 2022-12-15 06:28 141阅读 0赞

# 背景： #

基于zuul2开发的网关项目在阿里云上试运行3个月后开始在腾讯云部署，在单机测试过程中没发现任何问题，但是部署网关的实例挂在LB下每次客户端请求都会在网关层打印connect reset by peer的错误，可是客户端并没有任何感知，所以可以确定是腾讯云的lb到lb后面的机器这一段报文出了问题，具体原因是什么？为什么客户端没有感知？请见我后面一步步分析。

# 知识准备： #

## TCP标识： ##

SYN(建立联机) ACK(确认) PSH(传送) FIN(结束) RST(重置) URG(紧急)，一般能了解前四种就够用了，后两种是异常处理。

## 三次握手： ##

第一次握手  
      客户端向服务器发出连接请求报文SYN，这是三次握手中的开始，表示客户端想要和服务端建立连接。  
第二次握手  
      TCP服务器收到请求报文后，如果同意连接，则发出确认报文ACK，同时询问客户端是否准备好SYN。  
第三次握手  
      TCP客户进程收到确认后，还要向服务器给出确认ACK，客户端表示我已经准备好。

## 四次挥手： ##

第一次挥手  
    TCP发送一个FIN(结束)，用来关闭客户到服务端的连接，这个FIN可以由客户端发起，也可以由服务端发起，为了方便解释说明，此处拿客户端发起来举例。  
第二次挥手  
    服务端收到这个FIN，他发回一个ACK(确认)，服务端就进入了CLOSE-WAIT（关闭等待）状态，这时候处于半关闭状态，即客户端已经没有数据要发送了，但是服务器若发送数据，客户端依然要接受。  
第三次挥手  
      服务端发送一个FIN(结束)到客户端，服务端关闭客户端的连接，服务器就进入了LAST-ACK（最后确认）状态，等待客户端的确认。  
第四次挥手  
     客户端发送ACK(确认)报文确认，关闭完成。

## Http的connection头 ##

http的connection有close和keep-alive两种，网上有大量介绍两者区别的资料，我这里就不再搬砖了。简单理解就是前者是服务端发完数据就直接关闭，后者是发完数据后必须要等着主动来关闭，结合前面的知识点就是挥手的时机不同。

connect reset by peer：

这个异常产生的原因就是一端异常导致另一端的重连，两个方向（服务器到客户端，客户端到服务器）都有可能。例如服务端还没传送完返回信息客户端就已经关闭连接了，服务端就会报这个错误。

# 错误分析： #

有了这么多知识储备后回到本次案例，调用链路是客户端先到lb再到lb后的服务器，因为从表象来看客户端对这个异常没有任何感知，是成功完成了通信的，所以可以排除握手和服务器内容返回这部分有问题，基本锁定是服务端把数据传送完毕后的阶段，那就只剩下四次挥手这一块了。要彻底排查这种网络上的异常，只能抓包看下。  
先看下正常的包，没有经过lb，客户直接请求到服务器：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llamluZ3RhbzcwMw_size_16_color_FFFFFF_t_70][]

可以清楚的看到握手、传递信息、挥手搞别的过程。  
再看下经过lb的包：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llamluZ3RhbzcwMw_size_16_color_FFFFFF_t_70 1][]

明显没有看到四次挥手，而且注意看最后两行，lb给后端服务发送ack=397后31微秒后就认为后端没有收到直接发送了RST重试，这很不科学。第一：31微妙时间太短，网络上一来一回还是需要点时间的；第二：TCP协议里有套接字RTO（Retransmission TimeOut）规定了超时时长，我从报文中也可以看到这个时长，大好几个数量级呢。所以基本可以肯定lb没有认真遵循tcp协议要求。  
我后来还尝试过客户端请求时强制把connection配置为close，可抓到的包仍然是keep-alive，可以确定是lb强制用keep-alive方式对后端服务器做的请求。  
而阿里云的设计却恰恰相反，lb强制用close方式对后端做请求，以下是阿里云抓包情况：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llamluZ3RhbzcwMw_size_16_color_FFFFFF_t_70 2][]

#    总结： #

腾讯云的负载均衡在设计上应该是追求快速释放，收完服务器的信息简单暴力关闭了，并没有严格遵循挥手协议，所以对客户端没有任何影响，对于服务端就不够友好了。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llamluZ3RhbzcwMw_size_16_color_FFFFFF_t_70]: /images/20221123/5cfa44e905974d07aa7f01f7cd561001.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llamluZ3RhbzcwMw_size_16_color_FFFFFF_t_70 1]: /images/20221123/c36667699da94a1894908bbfafcfcd4e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llamluZ3RhbzcwMw_size_16_color_FFFFFF_t_70 2]: /images/20221123/a8ab580adfb444afa2c0074f22e4e6b6.png