作者：shengdong
排查完全陌生的問題，完全不熟悉的系統元件，是售後工程師的一大工作樂趣，當然也是挑戰。今天借這篇文章，跟大家分析一例這樣的問題。排查過程中，需要了解一些自己完全陌生的元件，比如systemd和dbus。但是排查問題的思路和方法基本上還是可以複用了，希望對大家有所幫助。
問題一直在發生
I'm NotReady
阿裡雲有自己的Kubernetes容器叢集産品。随着Kubernetes叢集出貨量的劇增，線上使用者零星的發現，叢集會非常低機率地出現節點NotReady情況。據我們觀察，這個問題差不多每個月，就會有一兩個客戶遇到。在節點NotReady之後，叢集Master沒有辦法對這個節點做任何控制，比如下發新的Pod，再比如抓取節點上正在運作Pod的實時資訊。
需要知道的Kubernetes知識
這裡我稍微補充一點Kubernetes叢集的基本知識。Kubernetes叢集的“硬體基礎”，是以單機形态存在的叢集節點。這些節點可以是實體機，也可以是虛拟機。叢集節點分為Master和Worker節點。Master節點主要用來負載叢集管控元件，比如排程器和控制器。而Worker節點主要用來跑業務。Kubelet是跑在各個節點上的代理，它負責與管控元件溝通，并按照管控元件的訓示，直接管理Worker節點。
當叢集節點進入NotReady狀态的時候，我們需要做的第一件事情，肯定是檢查運作在節點上的kubelet是否正常。在這個問題出現的時候，使用systemctl指令檢視kubelet狀态，發現它作為systemd管理的一個daemon，是運作正常的。當我們用journalctl檢視kubelet日志的時候，發現下邊的錯誤。
什麼是PLEG
這個報錯很清楚的告訴我們，容器runtime是不工作的，且PLEG是不健康的。這裡容器runtime指的就是docker daemon。Kubelet通過直接操作docker daemon來控制容器的生命周期。而這裡的PLEG，指的是pod lifecycle event generator。PLEG是kubelet用來檢查容器runtime的健康檢查機制。這件事情本來可以由kubelet使用polling的方式來做。但是polling有其成本上的缺陷，是以PLEG應用而生。PLEG嘗試以一種“中斷”的形式，來實作對容器runtime的健康檢查，雖然實際上，它同時用了polling和”中斷”兩種機制。
基本上看到上邊的報錯，我們可以确認，容器runtime出了問題。在有問題的節點上，通過docker指令嘗試運作新的容器，指令會沒有響應。這說明上邊的報錯是準确的.
容器runtime
Docker Daemon調用棧分析
Docker作為阿裡雲Kubernetes叢集使用的容器runtime，在1.11之後，被拆分成了多個元件以适應OCI标準。拆分之後，其包括docker daemon，containerd，containerd-shim以及runC。元件containerd負責叢集節點上容器的生命周期管理，并向上為docker daemon提供gRPC接口。
在這個問題中，既然PLEG認為容器運作是出了問題，我們需要先從docker daemon程序看起。我們可以使用kill -USR1 指令發送USR1信号給docker daemon，而docker daemon收到信号之後，會把其所有線程調用棧輸出到檔案/var/run/docker檔案夾裡。
Docker daemon程序的調用棧相對是比較容易分析的。稍微留意，我們會發現大多數的調用棧都類似下圖中的樣子。通過觀察棧上每個函數的名字，以及函數所在的檔案（子產品）名稱，我們可以看到，這個調用棧下半部分，是程序接到http請求，做請求路由的過程；而上半部分則進入實際的處理函數。最終處理函數進入等待狀态，等待的是一個mutex執行個體。
到這裡，我們需要稍微看一下ContainerInspectCurrent這個函數的實作，而最重要的是，我們能搞明白，這個函數的第一個參數，就是mutex的指針。使用這個指針搜尋整個調用棧檔案，我們會找出，所有等在這個mutex上邊的線程。同時，我們可以看到下邊這個線程。
這個線程上，函數ContainerExecStart也是在處理具體請求的時候，收到了這個mutex這個參數。但不同的是，ContainerExecStart并沒有在等待mutex，而是已經拿到了mutex的所有權，并把執行邏輯轉向了containerd調用。關于這一點，我們可以使用代碼來驗證。前邊我們提到過，containerd向上通過gRPC對docker daemon提供接口。此調用棧上半部分内容，正是docker daemon在通過gRPC請求來呼叫containerd。
Containerd調用棧分析
與輸出docker daemon的調用棧類似，我們可以通過kill -SIGUSR1 指令來輸出containerd的調用棧。不同的是，這次調用棧會直接輸出到messages日志。
Containerd作為一個gRPC的伺服器，它會在接到docker daemon的遠端請求之後，建立一個線程去處理這次請求。關于gRPC的細節，我們這裡其實不用關注太多。在這次請求的用戶端調用棧上，可以看到這次調用的核心函數是Start一個程序。我們在containerd的調用棧裡搜尋Start，Process以及process.go等字段，很容易發現下邊這個線程。
這個線程的核心任務，就是依靠runC去建立容器程序。而在容器啟動之後，runC程序會退出。是以下一步，我們自然而然會想到，runC是不是有順利完成自己的任務。檢視程序清單，我們會發現，系統中有個别runC程序，還在執行，這不是預期内的行為。容器的啟動，跟程序的啟動，耗時應該是差不對的，系統裡有正在運作的runC程序，則說明runC不能正常啟動容器。
什麼是Dbus
RunC請求Dbus
容器runtime的runC指令，是libcontainer的一個簡單的封裝。這個工具可以用來管理單個容器，比如容器建立，或者容器删除。在上節的最後，我們發現runC不能完成建立容器的任務。我們可以把對應的程序殺掉，然後在指令行用同樣的指令嘗試啟動容器，同時用strace追蹤整個過程。
分析發現，runC停在了向帶有org.free字段的dbus寫資料的地方。那什麼是dbus呢？在Linux上，dbus是一種程序間進行消息通信的機制。
原因并不在Dbus
我們可以使用busctl指令列出系統現有的所有bus。如下圖，在問題發生的時候，我看到客戶叢集節點Name的編号非常大。是以我傾向于認為，dbus某些相關的資料結構，比如Name，耗盡了引起了這個問題。
Dbus機制的實作，依賴于一個元件叫做dbus-daemon。如果真的是dbus相關資料結構耗盡，那麼重新開機這個daemon，應該是可以解決這個問題。但不幸的是，問題并沒有這麼直接。重新開機dbus-daemon之後，問題依然存在。
在上邊用strace追蹤runC的截圖中，我提到了，runC卡在向帶有org.free字段的bus寫資料的地方。在busctl輸出的bus清單裡，顯然帶有這個字段的bus，都在被systemd使用。這時，我們用systemctl daemon-reexec來重新開機systemd，問題消失了。是以基本上我們可以判斷一個方向：問題可能跟systemd有關系。
Systemd是硬骨頭
Systemd是相當複雜的一個元件，尤其對沒有做過相關開發工作的同學來說，比如我自己。基本上，排查systemd的問題，我用到了四個方法，（調試級别）日志，core dump，代碼分析，以及live debugging。其中第一個，第三個和第四個結合起來使用，讓我在經過幾天的鏖戰之後，找到了問題的原因。但是這裡我們先從“沒用”的core dump說起。
沒用的Core Dump
因為重新開機systemd解決了問題，而這個問題本身，是runC在使用dbus和systemd通信的時候沒有了響應，是以我們需要驗證的第一件事情，就是systemd不是有關鍵線程被鎖住了。檢視core dump裡所有線程，隻有以下一個線程，此線程并沒有被鎖住，它在等待dbus事件，以便做出響應。
零散的資訊
因為無計可施，是以隻能做各種測試、嘗試。使用busctl tree指令，可以輸出所有bus上對外暴露的接口。從輸出結果看來，org.freedesktop.systemd1這個bus是不能響應接口查詢請求的。
使用下邊的指令，觀察org.freedesktop.systemd1上接受到的是以請求，可以看到，在正常系統裡，有大量Unit建立删除的消息，但是有問題的系統裡，這個bus上完全沒有任何消息。
gdbus monitor --system --dest org.freedesktop.systemd1 --object-path /org/freedesktop/systemd1
分析問題發生前後的系統日志，runC在重複的跑一個libcontainer_%d_systemd_test_default.slice測試，這個測試非常頻繁，但是當問題發生的時候，這個測試就停止了。是以直覺告訴我，這個問題，可能和這個測試，有很大的關系。
另外，我使用systemd-analyze指令，打開了systemd的調試日志，發現systemd有Operation not supported的報錯。
根據以上零散的知識，隻能做出一個大概的結論：org.freedesktop.systemd1這個bus在經過大量Unit建立删除之後，沒有了響應。而這些頻繁的Unit建立删除測試，是runC某一個checkin改寫了UseSystemd這個函數，而這個函數被用來測試，systemd的某些功能是否可用。UseSystemd這個函數在很多地方被調用，比如建立容器，或者檢視容器性能等操作。
代碼分析
這個問題線上上所有Kubernetes叢集中，發生的頻率大概是一個月兩例。問題一直在發生，且隻能在問題發生之後，通過重新開機systemd來處理，這風險極大。
我們分别給systemd和runC社群送出了bug，但是一個很現實的問題是，他們并沒有像阿裡雲這樣的線上環境，他們重制這個問題的機率幾乎是零，是以這個問題沒有辦法指望社群來解決。硬骨頭還得我們自己啃。
在上一節最後，我們看到了，問題出現的時候，systemd會輸出一些Operation not supported報錯。這個報錯看起來和問題本身風馬牛不相及，但是直覺告訴我，這，或許是離問題最近的一個地方，是以我決定，先搞清楚這個報錯因何而來。
Systemd代碼量比較大，而報這個錯誤的地方也比較多。通過大量的代碼分析（這裡略去一千字），我發現有幾處比較可疑地方，有了這些可疑的地方，接下來需要做的事情，就是等待。在等待了三周以後，終于有線上叢集，再次重制了這個問題。
Live Debugging
在征求客戶同意之後，下載下傳systemd調試符号，挂載gdb到systemd上，在可疑的函數下斷點，continue繼續執行。經過多次驗證，發現systemd最終踩到了sd_bus_message_seal這個函數裡的EOPNOTSUPP報錯。
這個報錯背後的道理是，systemd使用了一個變量cookie，來追蹤自己處理的所有dbus message。每次在在加封一個新的消息的時候，systemd都會先把cookie這個值加一，然後再把這個cookie值複制給這個新的message。
我們使用gdb列印出dbus->cookie這個值，可以很清楚看到，這個值超過了0xffffffff。是以看起來，這個問題是systemd在加封過大量message之後，cookie這個值32位溢出，新的消息不能被加封導緻的。
另外，在一個正常的系統上，使用gdb把bus->cookie這個值改到接近0xffffffff，然後觀察到，問題在cookie溢出的時候立刻出現，則證明了我們的結論。
怎麼判斷叢集節點NotReady是這個問題導緻的
首先我們需要在有問題的節點上安裝gdb和systemd debuginfo，然後用指令gdb /usr/lib/systemd/systemd 1把gdb attach到systemd，在函數sd_bus_send設定斷點，然後繼續執行。等systemd踩到斷點之後，用p /x bus->cookie檢視對應的cookie值，如果此值超過了0xffffffff，那麼cookie就溢出了，則必然導緻節點NotReady的問題。确認完之後，可以使用quit來detach調試器。
問題修複
這個問題的修複，并沒有那麼直截了當。原因之一，是systemd使用了同一個cookie變量，來相容dbus1和dbus2。對于dbus1來說，cookie是32位的，這個值在經過systemd三五個月頻繁建立删除Unit之後，是肯定會溢出的；而dbus2的cookie是64位的，可能到了時間的盡頭，它也不會溢出。
另外一個原因是，我們并不能簡單的讓cookie折返，來解決溢出問題。因為這有可能導緻systemd使用同一個cookie來加封不同的消息，這樣的結果将是災難性的。
最終的修複方法是，使用32位cookie來同樣處理dbus1和dbus2兩種情形。同時在cookie達到0xfffffff的之後下一個cookie傳回0x80000000，用最高位來标記cookie已經處于溢出狀态。檢查到cookie處于這種狀态時，我們需要檢查是否下一個cookie正在被其他message使用，來避免cookie沖突。
後記
這個問題根本原因肯定在systemd，但是runC的函數UseSystemd使用不那麼美麗的方法，去測試systemd的功能，而這個函數在整個容器生命周期管理過程中，被頻繁的觸發，讓這個低機率問題的發生成為了可能。systemd的修複已經被紅帽接受，預期不久的将來，我們可以通過更新systemd，從根本上解決這個問題。
https://github.com/lnykryn/systemd-rhel/pull/322