在内網環境中，逾時問題，網絡表示這個鍋我不背。
筆者對于逾時的了解，随着在工作中不斷實踐，其了解也越來越深刻，RocketMQ在生産環境遇到的逾時問題，已經困擾了我将近半年，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，實作共同成長與進步。
1、網絡逾時現象
時不時總是接到項目組回報說生産環境MQ發送逾時，用戶端相關的日志截圖如下：
今天的故事将從張圖開始。
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
網絡調用逾時
-
recive response,but not matched any request
這條日志非常之關鍵，表示盡管用戶端在擷取服務端傳回結果時逾時了，但用戶端最終還是能收到服務端的響應結果，隻是此時用戶端已經等待足夠時間後放棄處理了。
關于第二條日志，我再詳細闡述一下其運作機制，其實也是用一條連結發送多個請求的程式設計套路。一條長連接配接，向服務端先後發送2個請求，用戶端在收到服務端響應結果時，怎麼判斷這個響應結果對應的是哪個請求呢？如下圖所示：
用戶端多個線程，通過一條連接配接發送了req1,req2兩個請求，但在服務端通常都是多線程處理，傳回結果時可能會先收到req2的響應，那用戶端如何識别服務端傳回的資料是對應哪個請求的呢？
解決辦法是用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，将requestId與Future對象放入一個Map中，然後将reqestId放入請求體中，服務端在傳回響應結果時将請求ID原封不動的放入到響應結果中，當用戶端收到響應時，先界面出requestId，然後從緩存中找到對應的Future對象，喚醒業務線程，将傳回結構通知給調用方，完成整個通信。
故從這裡能看到，用戶端在指定時間内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，處理很慢導緻的。
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，通常會傳回各種各樣的Broker Busy，而且可以通過跟蹤Broker端寫入PageCache的資料名額來判斷Broker是否遇到了瓶頸。
grep "PAGECACHERT" store.log
得到的結果類似如下截圖：
溫馨提示:上圖是我本機中的截圖，當時分析問題的時候，MQ叢集中各個Broker中這些資料，寫入PageCache的時間沒有超過100ms的。
正是由于良好的pagecache寫入資料，根據如下粗糙的網絡互動特性，我提出将沖突點轉移到網絡方面：
并且我還和業務方确定，雖然消息發送傳回逾時，但消息是被持久化到MQ中的，消費端也能正常消費，網絡組同僚雖然從理論上來說區域網路不會有什麼問題，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：最後證明是被我帶偏了。
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檢視Recv-Q與Send-Q
我們可以通過netstat重點觀察兩個名額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：
- 用戶端調用網絡通道，例如NIO的Channel寫入資料，資料首先是寫入到TCP的發送緩存區，如果發送發送區已滿，用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，會傳回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式可以發消息。
- 資料進入到發送緩存區後，接下來資料會随網絡到達目标端，首先進入的是目标端的接收緩存區，如果與NIO挂鈎的化，通道的讀事件會繼續，應用從接收緩存區中成功讀取到位元組後，會發送ACK給發送方。
- 發送方在收到ACK後，會删除發送緩沖區中的資料，如果接收方一直不讀取資料，那發送方也無法發送資料。
網絡同僚分布在用戶端、MQ伺服器上通過每500ms采集一次netstat ，經過對采集結果進行彙總，出現如下圖所示：
從用戶端來看，用戶端的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用戶端從網絡中讀取位元組太慢導緻的，因為用戶端為虛拟機，從netstat 結果來看，疑似是用戶端的問題(備注，其實最後并不是用戶端的問題，請别走神)。
2.3.2 網絡轉包
網絡組同僚為了更加嚴謹，還發現了如下的包：
這裡有一個問題非常值得懷疑，就是用戶端與服務端的滑動視窗隻有190個位元組，一個MQ消息發送傳回包大概有250個位元組左右，這樣會已響應包需要傳輸兩次才能被接收，一開始以為這裡是主要原因，但通過其他對比，發現不是滑動視窗大于250的用戶端也存在逾時，進而判斷這個不是主要原因，後面網絡同僚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，畢竟是區域網路，那接下來我們根據netstat的結果，将目光放到了用戶端的讀性能上。
2.4 用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用戶端對于一個通道，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，說明一個通道中确實積壓了很多資料，網絡讀存在瓶頸。
但令人失望的是用戶端的網絡讀并不存在瓶頸，部分采集資料如下所示：
通過awk指令對其進行分析，發現一次讀事件觸發，大部分通道讀兩次即可将讀緩存區中的資料抽取成功，讀方面并不存在瓶頸，對awk執行的統計分析如下圖所示：
那矛頭又将指向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，次元将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，進而導緻并未及時寫入到TCP的發送緩沖區，進而造成逾時。
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，因為公司的伺服器都是64核心的，而Netty的IO線程預設都是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
預設值為3。
-
serverWorkerThreads
預設值為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，将資料寫到發送緩存區都在這個線程中執行。
我們的MQ伺服器的配置，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，預設情況下事件的傳播(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線程隻負責網絡讀、寫，讀取的資料進行解碼、寫入的資料進行編碼等操作，單獨放在一個獨立的線程池，線程池線程數量由serverWorkerThreads指定。
看到這裡，終于讓我心潮澎湃，感覺離真相越來越近了。參考Netty将IO線程設定為CPU核數的兩倍，我第一波參數優化設定為serverSelectorThreads=16，serverWorkerThreads=32，在生産環境進行一波驗證。
經過1個多月的驗證，在叢集機器數量減少(雙十一之後縮容)，隻出現過極少數的消息發送逾時，基本可以忽略不計。
溫馨提示：關于Netty線程模型的詳解，可以參考 圖解Netty線程模型
3、總結
本文詳細介紹了筆者排查MQ發送逾時的精力，最終定位到的是RocketMQ服務端關于網絡通信線程模型參數設定不合理。
之是以耗費這麼長時間，其實有值得反思的地方，我被我的“經驗”誤導了，其實以前我對逾時的原因直接歸根于網絡，理由是RocketMQ的寫入PageCache資料非常好，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。
好了，本文就介紹到這裡了，一鍵三連(關注、點贊、留言)是對我最大的鼓勵。
掌握一到兩門java主流中間件，是敲開BAT等大廠必備的技能，送給大家一個Java中間件學習路線，助力大家實作職場的蛻變。
Java進階之梯，成長路線與學習資料，助力突破中間件領域
最後分享筆者一個硬核的RocketMQ電子書，您将獲得千億級消息流轉的運維經驗。
擷取方式：RocketMQ電子書。