快杰云主机 SSH 登录缓慢的排查和解决

快杰云主机是 UCloud 推出的具备优秀性能与极高性价比的新一代主机，网络最高可达 1000 万 PPS，存储最高可达 120 万 IOPS。为了提升产品综合表现，Host 内核、KVM 和 Guest 内核等做了大量调优。“高内核 Ubuntu18.04” 镜像就是其中一款经优化的云主机镜像，集成了官方 linux 5.0.1 主线版本内核。

今年 7 月，有一位用户反馈，使用该镜像创建出的快杰云主机每次启动时，第一次 SSH 登录会很慢，有时候需几十秒甚至几分钟才能登录成功，影响了使用体验。

经过排查，定位到是 Linux 内核随机数熵池初始化慢的原因，且在多个条件组合下才会触发。更深入调查则发现因为内核 bug，凡使用了 libssl 1.1.1 的进程（如开启了 https 的 nginx）都有类似问题，会对系统安全产生不少潜在影响。

最终我们通过升级自主维护的内核，很快妥善修复了该问题，保证了快杰云主机的体验和安全性。

cdn.xitu.io/2019/11/21/16e8d0e0b784bc28?w=640&h=374&f=jpeg&s=19194">

本文对排查过程加以梳理。

初步排查

该问题只在单个用户上出现过，且只影响启动后的首次 SSH 登录，一旦登录成功便恢复正常。现场捕获不易，不过我们设法将其复现。
ssh -v

打开 ssh 用户端的冗余日志模式尝试登录问题主机，发现总是会卡在 “debug1: pledge: network” 处，根据提示，sshd 已经完成了用户的身份认证过程。

可以看出，问题应当是发生在身份鉴定刚完成后，由此判断，问题有较大可能是发生在 /etc/pam.d/sshd 定义的 PAM 过程中。

motd

检视 /etc/pam.d/sshd 文件，根据现象以及直觉，决定尝试先屏蔽几段配置，其中就包括 motd 行，motd (message of the day) 是 Ubuntu 登录后呈现给用户看到的部分 banner 内容。随后重启主机，发现 ssh 登录变快，不再卡住。

查阅资料可知，motd 机制下，pam_motd.so 会依次执行 /etc/update-motd.d/ 目录下的全部脚本，而这些脚本的输出则会被拼凑输出到文件 /run/motd.dynamic 中，最终呈现在 banner 中。

因此，怀疑是这些脚本的执行过程中产生的卡顿，阅读这些脚本，执行断点 echo 调试，最后发现，位于”50-landscape-sysinfo”脚本中的 “/usr/bin/landscape-sysinfo” 命令执行时就会造成卡顿。

landscape-sysinfo

该命令仅仅是一个用来搜集显示 banner 中系统资源使用情况的工具，出现此问题有点难以置信，可实际上登录进入后多次执行此命令也没有出现卡顿。

尝试进一步追踪此命令的执行，使用 strace 追踪此命令的执行，并记录日志。

分析日志可以发现，启动时，该命令被卡在了 getrandom 系统调用上，解除阻塞时间点为 23:10:48。

getrandom

点击查看参考资料 http://man7.org/linux/man-pages/man2/getrandom.2.html

getrandom 封装了对 /dev/urandom 字符设备文件的读取操作，用于获取高质量的随机数，/dev/urandom 会以 /dev/random 的值做为 seed 参考，/dev/random 值则来自硬件运行的噪音 (随机质量很高)。这种机制也决定了 /dev/urandom 在操作系统刚启动时生成的随机数质量不高（刚启动，/dev/random 中噪音不足，生成慢，随机性差，容易被预测，间接导致了 /dev/urandom 的起始 seed 质量低下），所以 /dev/urandom 内部对其质量设置了三种状态：

0 = 未初始化，但是 /dev/urandom 已经可用；
1 = 快速初始化，使用了少量熵数进行了快速初始化，在刚启动时就尽快可以被用起来，质量还行，但是仍然不被建议用于加密场景，通常发生在操作系统启动后的几秒内；
2 = 完全初始化，随机数的质量达到最高，可以用于加密场景，操作系统启动后约几十秒 – 几分钟的时间才能达到。
在默认情况下，getrandom 读取 /dev/urandom 前会去检测 /dev/urandom 的质量状态，如果尚未完全初始化，则会阻塞，直到其完全初始化，以此来保障通过此接口获得到的随机数质量高且速度快，为安全领域提供可靠的依赖。

了解了 getrandom 接口的作用和表现后，再去翻看内核的启动日志，找到了时间相关性极高的点。

可以看到，23:10:48 时 /dev/urandom 完全初始化后，随即 getrandom 的调用阻塞也被解除了，再多次重复验证后，关联性被确认。此时的结论以及建议解决办法为：原因：操作系统初始化随机数熵池速度较慢，导致 ssh 登录时使用到随机数的一条命令时被阻塞。
建议：禁用 motd 或者删除 landscape-sysinfo 来达到加速 ssh 登录的目的。

深入调查

初步调查的结论有点违反常理，禁用或者删除的措施也需谨慎。为此，我决定找出更多的证据，此外，也需要解释为什么旧版本的 Ubuntu 并没有此现象。

尝试查看表现正常的主机上 landscape-sysinfo 的 strace 表现，查阅日志后注意到，此环境下的 strace 记录与问题主机中 strace 记录在调用模式上存在不同，表现正常的主机上 landscape-sysinfo 中没有这样的调用 “getrandom (“xxx”, 32, 0) ”，注意第三个 flag 参数值，此 flag 用于表明使用 getrandom 的默认行为，即 /dev/urandom 未完全初始化时则阻塞。所有 getrandom 的地方都使用了 flag GRND_NONBLOCK，即如果没有初始化完成不要阻塞，返回错误就好。
至此，怀疑是 landscape-sysinfo 版本问题。

landscape-sysinfo

对比两台主机上的 landscape-sysinfo 版本，发现版本号确实不同，有问题的版本号较高，没问题的版本号较低。

将没问题的主机执行 apt-get update & apt-get upgrade，升级后发现问题果然重现。得出临时结论：landscape-sysinfo 新版本使用了 getrandom 的阻塞模式获取随机数，不要升级 landscape-sysinfo 的版本即可。
开始尝试在其它主机上进行复现和验证，却发现，在另一个高内核版本的镜像中，低版本的 landscape-sysinfo 也能复现此问题，strace 追踪调用，发现其调用行为与高版本的 landscape-sysinfo 表现相似，鉴于此命令实际上是 python3 脚本，怀疑是其依赖的库升级导致。检查 apt-get upgrade 升级的 package，找出与随机数关联度较大的几个包，几次排除尝试后，定位发现，其实是由于 libssl1.1 这个库的升级导致的问题，getrandom 的调用也是源自于 libssl1.1。

libssl1.1

翻阅

libssl1.1 的 release note https://www.openssl.org/news/openssl-1.1.1-notes.html

。

可以看到，的确，libssl1.1.1 的升级，重写了内部随机数的生成器，也符合前面的表现，更新为使用 getrandom 读取更加安全的随机数（代价是刚开机时使用就容易被阻塞）。
继续尝试在其它主机上进行复现和验证，又发现，在某个低内核版本的 Ubuntu 主机上，安装的正是 libssl1.1.1，却不能复现问题。按照预期，libssl1.1.1 的升级就是为了更安全，而如果一开机就能立刻得到随机数，这根本就违背的 getrandom 接口的设计初衷，此时倾向于怀疑内核可能存在 bug。

内核 bug

以 libssl 调用 getrandom 被阻塞为关键主题查阅资料，最终找到相关性较强的资料

点击查看相关资料 https://unix.stackexchange.com/questions/442698/when-i-log-in-it-hangs-until-crng-init-done

，其中 CRNG 指密码学强度的随机数发生器。
根据此资料，证实了内核 bug 的猜测，内核在 4.16 时修正过这样一个 bug：getrandom 在快速初始化完成后就不再阻塞，这与 getrandom 的接口设计违背，容易造成安全问题（CVE-2018-1108）

内核 bug fix commit https://git.kernel.org/pub/scm/linux/kernel/git/torvalds/linux.git/commit/?id=43838a23a05fbd13e47d750d3dfd77001536dd33

验证主机的内核版本为 4.15.0，与此情况符合，即很有可能是 bug 没有被修复，此时，开始尝试升级低内核版本主机的内核版本，如果此猜测正确，那么升级到高版本后应当同样会发生卡顿问题。
在 apt 源上挑选了一个 5.0 版本的内核，升级后发现，居然也没有问题。
翻阅内核日志，发现了一个新的现象，此前看到对于 /dev/urandom 的初始化，一般是会有一条 “fast init done” 日志，较长时间后会跟随一个 “crng init done” 日志，正好对应着 /dev/urandom 的两种质量状态。

而此内核版本下，则是在刚启动就立即出现了 “crng done (trusting CPU’s manufacturer) ” 的日志，明显表明熵池被极速的初始化了，自然不会出现卡顿问题。

查询此现象相关资料，找到了一个内核编译选项：CONFIG_RANDOM_TRUST_CPU。

CONFIG_RANDOM_TRUST_CPU

点此查看详细选项说明 https://lwn.net/Articles/760121/

首次出现于 4.19 版本：https://cateee.net/lkddb/web-lkddb/RANDOM_TRUST_CPU.html

检查高版本内核的两台主机，的确，有问题的主机此 flag 并没有 enable，无问题的主机此 flag 显式的 enable 了。

而有问题主机使用的内核版本，取自于 Ubuntu 官方的最新主线分支编译，默认没有启动此 flag 做优化。

结论

此问题的出现需要同时满足以下几个条件：1. linux 内核版本在 4.17 及以上 2. linux 内核编译选项 CONFIG_RANDOM_TRUST_CPU is not set，或者 CPU 非 IVB 及以上的 x863. linux 内核 bug 未被社区 revert（4.x 的最新社区版本几乎都被 revert，5.x 没有 https://www.mail-archive.com/debian-bugs-dist@lists.debian.org/msg1602769.html）

）4. libssl 版本在 1.1.1 及以上

影响面

事实上，SSH 登录卡顿仅仅是一种表象，这个问题的真实影响范围，可以扩展得非常大。凡是使用了 libssl1.1.1 来生成随机数的进程全都会受影响，导致重启后 3-5 分钟内会被随机数 block。比如，服务器上跑着 nginx（开启 https），一般认为机器启动后，nginx 马上启动就能提供服务了，但是受此问题影响，nginx 会被卡住三五分钟。就是说，前三五分钟内的用户 https 请求全部会出现访问失败的现象。

问题修复

为了做到性能与安全兼顾，在编译 4.19 及更高版本的内核时，启用 CONFIG_RANDOM_TRUST_CPU 选项，我们采用此方法，enable 选项并确保虚拟机可以访问 RDRAND 指令集，很快重新发布了云主机镜像。如果用户使用自定义内核，应尽量避开 4.17-4.19 之间的版本，或者妥善处理好 CVE-2018-1108。

总结

提起云主机，首先会想到计算、存储、网络，甚少有人关注内核。然而，内核构建也是云主机的核心工作，对性能和稳定性至关重要。

SSH 登录缓慢起初是单一用户的反馈，且限于 Ubuntu 启动后的首次登录，但通过坚持排查和顺藤摸瓜，我们发现了潜在的影响面并予以修复，防患于未然。
UCloud 团队通过自主维护云主机的内核源码，一方面可以不断调优性能来匹配产品的发展；另一方面保证了遇到现网各种问题时，有能力迅速排查和解决，并及时预防更大的系统安全风险。