一个疑难故障，坑了我半年青春-----知识就是生产力
作者介绍 林伟壕，网易游戏资深运维工程师。现任职于网易游戏，从事游戏运维相关工作；曾就职于中国电信，负责数据网络维护、网络安全防御等工作。深入研究Linux运维、虚拟化等，现致力于企业级网络安全防护自动化体系构建。 相对物理环境，虚拟化环境更加错综复杂。之前弄KVM虚拟化时经常遇到好多次莫名其妙的网络故障，查出来的原因要么是操作系统内核bug，要么是KVM与操作系统内核版本不兼容，最后是通过升级操作系统内核或者KVM版本修复了。没想到，转型到Docker后，又重蹈覆辙了。 本文将介绍一个困扰笔者近半年的虚拟化环境下的疑难故障，最后排查出来的故障原因和修复手段也让人啼笑皆非。并非因为这个过程有多复杂，而是分享一个心理历程，思考在遇到故障时如何兼顾业务和技术，如何正确使用搜索引擎。 故障现象 我们有一套高性能代理集群，之前内测阶段运行稳定，结果等正式上线后不到半个月，提供代理服务的宿主突然接二连三死机，导致宿主上的所有服务全部中断。 故障分析 故障时宿主直接死机，无法远程登录，机房现场敲键盘业务反应。由于宿主syslog已接入ELK，所以我们采集了当时死机前后的各种syslog。 报错日志 通过查看死机宿主的syslog发现机器死机前有以下kernel报错： Nov 12 15:06:31 hello-worldkernel: [6373724.634681] BUG: unable to handle kernel NULL pointer dereferenceat 0000000000000078Nov 12 15:06:31 hello-world kernel: [6373724.634718] IP: []pick_next_task_fair+0x6b8/0x820Nov 12 15:06:31 hello-world kernel: [6373724.634749] PGD 10561e4067 PUDffdb46067 PMD 0Nov 12 15:06:31 hello-world kernel: [6373724.634780] Oops: 0000 [#1] SMP 显示访问了内核空指针后触发系统bug，然后引起一系列调用栈报错，最后死机。 为进一步分析故障现象，首先需要理解这套高性能代理集群的架构。 架构介绍 单个节点，是在万兆网卡的宿主机上跑Docker容器，然后在容器中跑Haproxy实例，每个节点、实例的配置信息、业务信息都托管在调度器上。 特别之处在于：宿主使用Linux Bridge直接给Docker容器配置IP地址，所有对外服务的IP，包括宿主自己的外网IP都绑在Linux Bridge上。 应用介绍 每台宿主的操作系统、硬件、Docker版本全部一致，其中操作系统和Docker版本如下： [操作系统] System : LinuxKernel : 3.16.0-4-amd64Version : 8.5Arch : x86_64 [Docker版本] Docker version 1.12.1, build 6b644ec 初步分析 该集群的宿主配置一致，故障现象也一致，疑点有三个： 1、Docker版本与宿主内核版本不兼容 三台宿主的环境本来一致，但1台稳定跑服务2个月才死机，1台跑服务1个月后死机，另外1台上线跑服务一周便会死机。发现每台宿主除了死机的异常日志，平时也有相同报错日志： time=”2016-09-07T20:22:19.450573015+08:00″level=warning msg=”Your kernel does not support cgroup memory limit” time=”2016-09-07T20:22:19.450618295+08:00″ level=warningmsg=”Your kernel does not support cgroup cfs period”time=”2016-09-07T20:22:19.450640785+08:00″ level=warningmsg=”Your kernel does not support cgroup cfs quotas”time=”2016-09-07T20:22:19.450769672+08:00″ level=warningmsg=”mountpoint for pids not found” 根据上面提示，应该是操作系统内核版本对该版本的Docker不支持某些功能所导致。不过在搜索引擎上搜索这并不影响Docker的功能，更不加影响系统稳定性。 比如： time=”2017-01-19T18:16:30+08:00″level=error msg=”containerd: notify OOM events” error=”openmemory.oom_control: no such file or directory” time=”2017-01-19T18:22:41.368392532+08:00″level=error msg=”Handler for POST /v1.23/containers/338016c68da6/stopreturned error: No such container: 338016c68da6″ 是Docker 1.9以来就有的问题，1.12.3修复了。参考https://github.com/docker/docker/issues/24211 比如Github上有人回复： “I have been update my docker from 1.11.2 to 1.12.3, This issue is fixed. BTW, this error message can be ignored, it should really just be a warning.” 但这里所说的都只是v1.12.2版本就能修复的问题，我们升级Docker版本后发现死机依旧。 于是，我们接着通过各种Google确认了很多与我们存在相同故障现象的问题，初步确认故障与Docker的相关性： http://serverfault.com/questions/709926/bug-unable-to-handle-kernel-null-pointer-dereference-at-on-google-compute-eng https://support.mayfirst.org/ticket/10872 又根据以下官方issue初步确认Docker版本与系统内核版本不兼容可引发宕机的关联性： https://github.com/docker/docker/issues/19910 接着，通过官方的changelog和issue确认宿主所使用Docker版本与系统内核版本不兼容问题： https://github.com/docker/docker/blob/v1.12.2-rc1/CHANGELOG.md 出于尝试心理，我们把Docker版本升级到1.12.2后，未出意外仍出现死机。 2.使用Linux bridge方式改造宿主网卡可能触发bug 找了那台宿主跑服务一周就会死机的宿主，停止运行Docker，只改造网络，稳定跑了一周未发现异常。 3.使用pipework给Docker容器配置IP可能触发bug 由于给容器分配IP时我们采用了开源的pipework脚本，因此怀疑pipework的工作原理存在bug，所以尝试不使用pipework分配IP地址，发现宿主仍出现死机。 于是初步排查陷入困境，眼看着宿主每月至少死机一次，非常郁闷。 故障定位 因为还有线上业务在跑，所以没有贸然升级所有宿主内核，而是期望能通过升级Docker或者其它热更新的方式修复问题。但是不断的尝试并没有带来理想中的效果。 直到有一天，在跟一位对Linux内核颇有研究的老司机聊起这个问题时，他三下五除二，Google到了几篇文章，然后提醒我们如果是这个 bug，那是在 Linux 3.18 内核才能修复的。 参考： https://lists.gt.net/linux/kernel/2256803 https://lkml.org/lkml/2014/2/15/217 https://github.com/docker/docker/issues/21081 https://github.com/torvalds/linux/commit/eeb61e53ea19be0c4015b00b2e8b3b2185436f2b 原因： 从sched: Fix race between task_group and sched_task_group的解析来看，就是parent 进程改变了它的task_group，还没调用cgroup_post_fork()去同步给child，然后child还去访问原来的cgroup就会null。 不过这个问题发生在比较低版本的Docker，基本是Docker 1.9以下，而我们用的是Docker1.11.1/1.12.1。所以尽管报错现象比较相似，但我们还是没有100%把握。 但是，这个提醒却给我们打开了思路：去看内核代码，实在不行就下掉所有业务，然后全部升级操作系统内核，保持一个月观察期。 于是，我们开始啃Linux内核代码之路。先查看操作系统本地是否有源码，没有的话需要去Linux kernel官方网站搜索。 “` apt-cache search linux-image-3.16.0-4-amd64 apt-get source linux-image-3.16.0-4-amd64 “` 下载了源码包后，根据报错syslog的内容进行关键字匹配，发现了以下内容。由于我们的机器是x86_64架构，所以那些avr32/m32r之类的可以跳过不看。结果看下来，完全没有可用信息。 /kernel/linux-3.16.39#grep -nri “unable to handle kernel NULL pointer dereference” * arch/tile/mm/fault.c:530: pr_alert(“Unable to handlekernel NULL pointer dereference\n”); arch/sparc/kernel/unaligned_32.c:221: printk(KERN_ALERT “Unable to handle kernel NULL pointerdereference in mna handler”); arch/sparc/mm/fault_32.c:44: “Unable to handle kernel NULL pointer dereference\n”); arch/m68k/mm/fault.c:47: pr_alert(“Unable tohandle kernel NULL pointer dereference”); arch/ia64/mm/fault.c:292: printk(KERN_ALERT “Unable tohandle kernel NULL pointer dereference (address %016lx)\n”, address); debian/patches/bugfix/all/mpi-fix-null-ptr-dereference-in-mpi_powm-ver-3.patch:20:BUG:unable to handle kernel NULL pointer dereference at (null) 最后，我们还是下线了所有业务，将操作系统内核和Docker版本全部升级到最新版。这个过程有些艰难，当初推广这个系统时拉的广告历历在目，现在下线业务，回炉重造，挺考验勇气和决心的。 故障处理 下面是整个故障处理过程中，我们进行的一些操作。 升级操作系统内核 对于Docker 1.11.1与内核4.9不兼容的问题，可以删除原有的Docker配置，然后使用官方脚本重新安装最新版本Docker “` /proxy/bin#ls /var/lib/dpkg/info/docker-engine. docker-engine.conffiles docker-engine.md5sums docker-engine.postrm docker-engine.prerm docker-engine.list docker-engine.postinst docker-engine.preinst #Getthe latest Docker package. $curl -fsSL https://get.docker.com/ | sh #启动 nohupdocker daemon -H tcp://0.0.0.0:2375 -H unix:///var/run/docker.sock-s=devicemapper& “` 这里需要注意的是，Docker安装方式在不同操作系统版本上不尽相同，甚至相同发行版上也有不同，比如原来我们使用以下方式安装Docker： “` apt-get install docker-engine “` 然后在早些时候，还有使用下面的安装方式： “` apt-get install lxc-docker “` 可能是基于原来安装方式的千奇百怪导致问题丛出，所以Docker官方提供了一个脚本用于适配不同系统、不同发行版本Docker安装的问题，这也是一个比较奇怪的地方，所以Docker生态还是蛮乱的。 验证 16:44:15 up 28 days, 23:41, 2 users,load average: 0.10, 0.13, 0.15 docker30320 1 0 Jan11 ? 00:49:56 /usr/bin/docker daemon -p/var/run/docker.pid Docker内核升级到1.19，Linux内核升级到3.19后，保持运行至今已经2个月多了，都是ok的。 总结 这个故障的处理时间跨度很大，都快半年了，想起今年除夕夜收到服务器死机报警的情景，心里像打破五味瓶一样五味杂陈。期间问过不少研究Docker和操作系统内核的同事，往操作系统内核版本等各个方向进行了测试，但总与正确答案背道而驰或差那么一点点。最后发现原来是处理得不够彻底，比如升级不彻底，环境被污染；比如升级的版本不够新，填的坑不够厚。回顾了整个故障处理过程，总结下来大概如下： 回归运维的本质 运维要具有预见性、长期规划，而不能仅仅满足于眼前： 应急预案：针对可能系统上线后可能发生的故障类型进行总结，并提供应急预案。 抢通业务：优先抢通业务，再处理故障。 应用版本选择等技术选型问题：在环境部署和应用选型时需要特别注意各种版本，最好采用社区通用或者公司其他同学已经测试或验证可行的版本。 操作系统内核：要合理升级内核，只有定位到确定版本存在的问题，才能有针对性的升级内核版本，不然一切徒劳。 在我们原来的设计中，不同用户调度器针对同一个容器同时操作没有加锁机制，也没有按照对源判断原则，也曾出现过迁移失败的情况。迁移时判断迁往的目的地址是否就是本地地址，如果是本地地址应该拒绝操作的。这个问题不知你是否觉得眼熟。我倒是发现，很多人程序开发过程中，就经常不对输入源或者操作的源状态进行判断，结果出现了各种bug。 Google的能力 在处理这个故障的过程中，会发现不同人使用Google搜出来的东西并不一样，为什么呢？我觉得这就是搜索引擎槽点满满，或者说灵活之处。像这次的故障，我用Linux Docker Unable to handle kernel NULL pointer dereference去搜索，与别人用”Unable to handle kernel NULL pointer dereference”结果就不同。原因在于增加了””之后，搜索更加精确了。关于Google的正确打开方式，建议参考： https://www.zhihu.com/question/20161362?rf=19798921 http://www.yunweipai.com/archives/18950.html
