容器化 RDS：借助火焰图定位Kubernetes性能问题

容器化RDS系列文章：

• 容器化RDS：计算存储分离架构下的“Split-Brain”

• 容器化RDS：计算存储分离还是本地存储？

• 容器化RDS：你需要了解数据是如何被写"坏"的

• 容器化RDS：借助 CSI 扩展 Kubernetes 存储能力
  

借助 CSI（Container Storage Interface），加上对 Kubenetes 核心代码的少量修改，可以 out-tree 的方式高效且低耦合的方式扩展 Kubenetes 存储管理子模块。

如《 容器化 RDS：借助 CSI 扩展 Kubernetes 存储能力 》介绍，以 out-tree 方式添加 PVC 扩容（Resize）特性。

从可执行程序到可用编程产品，还需要设计结合业务需求的性能基准测试，并对发现的性能瓶颈进行优化。

经验数据表明，相同功能的编程产品的成本，至少是已经过测试的程序的三倍。     ——人月神话

本文将分享性能基准测试的优化案例：

• 发现性能瓶颈

• 确定问题组件

• 借助 CPU Profile 和 Flame Graph，快速缩小范围，定位到问题 code-path

• 有针对的优化

| 发现性能瓶颈

测试用例：

批量创建100个读写模式为RWO，容量为1GiB 的 PVC

期望测试结果：

180秒内全部创建成功并无报错

所有的编程人员都是乐观主义者，毕竟在可能出现问题的地方，一定都会遇到问题，在耗时 3600 秒后，95% 的 PVC 处于 Pending 状态，严格的说，在批量创建的场景，该功能不可用。

大量 PVC 处于 Pending 状态

| 定位问题组件

由于涉及组件众多：

• kube-apiserver

• kube-controller-manager

• kubelet

• external-provisioner

• external-attacher

• csi-driver

• qcfs-csi-plugin

组件之间调用复杂，再加上无处不在的协程（goroutine），如果直接查看日志或是 debug code 定位问题，犹如大海捞针，更不要说定位性能瓶颈。所以，首要工作是先定位到问题组件。

在测试过程中，我们记录了所有组件和系统的资源使用情况，运气不佳，从 CPU 使用情况，内存使用情况，网络 I/O 和磁盘 I/O 来看都没有异常数据。

通过梳理存储管理相关组件的架构图：

架构图

以及业务流程的梳理，kube-controller-manager、external-provisioner 和 csi-driver 嫌疑较大。

通过 kubelet logs 查看日志，可以在 external-provisioner 中发现可疑日志：

I0728 19:19:50.504069    1 request.go:480] Throttling request took 192.714335ms, request: POST:https://10.96.0.1:443/api/v1/namespaces/default/events
I0728 19:19:50.704033    1 request.go:480] Throttling request took 190.667675ms, request: POST:https://10.96.0.1:443/api/v1/namespaces/default/events

external-provisioner 访问 kube-apiserver 触发限流

external-provisioner 有重大嫌疑。

| 定位问题 code-path

我们可以立马进入调试环节：

1. 阅读 external-provisioner 代码，加入调试日志，理解逻辑

2. 不断缩小 code-path

步骤 1、2持续迭代，直到最终定位到问题函数，这是非常有效的办法。

或者采用 CPU profile：

1. 采集堆栈样本

2. 找到在采样手气内消耗 CPU 时间比率最高的函数，把该函数作为调试的起点

相比上一种，更高效的缩小问题的范围，节省更多的时间。

借助模块“net/http/pprof”，对 external-provisioner 进行 60 秒的 CPU 采样，可以获得如下信息：

生成堆栈使用百分比排序：

函数的调用关系以及采样周期内 CPU 耗时百分比：

针对“net/http/pprof”稍微啰嗦几句：

• 提供 CPU profile 和 Heap profile；

• 在采样时获得堆栈(几乎所有)信息, 以此为依据估算整个采样周期内堆栈的CPU占用百分比, 并不是 100% 准确；

• 采样成本并不低，100赫兹既可以采样够用的堆栈信息，又不会给应用程序带来过大开销；

• CPU 采样频率默认为 100 赫兹，并硬编码到模块中, 不建议调到 500 赫兹以上。

网上已经有大量的相关文章，这里不赘述。

配合获取的 CPU profile 信息生成火焰图（Flame Graph）：

这里针对火焰图再啰嗦下：

• 借助第三方工具 go-torch 绘制

• 每个矩形代表一个堆栈，采样时间内，CPU 占用百分比越高 Y 轴越长，X 轴表明了堆栈之间的调用关系

• 从左到右按照字母表排序

• 颜色随机选择，无具体含义

网上已经有大量的相关文章，这里不赘述。

可以发现函数 addClaim 和 lockProvisionClaimOperation 的 CPU 占用比率达到 36.23%。

来自于 external-provisioner 调用的第三方模块 kubenetes-incubator/external-storage

所以，只要引用例如了模块 Kubenetes-incubator/external-storage 实现卷创建功能，都可以复现 api throttling。

再针对性的加入调试日志到 code-path 中，理解逻辑，很快可以确定问题：

在创建卷时，external-storage 需要访问 API 资源（譬如 configmap、pvc、pv、event、secrets、storageclass 等），为减少 kube-apiserver 工作负荷，不建议直接访问 kube-apiserver，而应该利用本地缓存（由 informer cache 构建）。但 external-storage 恰好直接访问 kube-apiserver。通过下图可以看到，有18.84%的采样时间在 list event，这是导致 api throttling 的原因。

进一步分析，之所以有大量的 list event 是因为 Leader Election 的 Lock 实现粒度太细导致锁抢占严重。生产环境中，一个组件会启动多个实例，抢占到 Leader Lock 的实例即为 Leader 并对外提供服务，其他实例以 Slave 模式运行，一旦 Leader 出现问题，Slave 发现 Leader Lock 在租期内没有更新即可发起抢占成为新的 Leader 并接管服务。这样不仅提升了组件的可用性也避免了可能带来的 data race 问题。所以可以理解成是一个组件实例一把锁，并且只在 Leader 和 Slave 角色切换时才会重新选主，但 external-storage 原意为了提升并发度，运行多个实例同时为 Leader 提供服务，可以简单理解成一个 PVC 一把锁，100 PVC 就意味着多个实例要最少发生100次的 Lock 抢占。

最终定位到问题原因：

Lock 的抢占导致 api throttling，引发 Lock 抢占 timeout，timeout 后抢占重试，进一步恶化 api throttling。

从下图可以进一步得到验证，有 8.7% 的采样时间在进行 Leader Election。

| 解决问题

一旦发现问题的根源，解决它反而是件不难的事情。后面针对该问题做了修复：

• 采用 sharedinformer cache

• 修改 Leader Lock 粒度

再次生成运行，可以发现函数 addClaim 和 lockProvisionClaimOperation 的 CPU 占用百分比下降到 13.95%。

external-provisioner 日志中的 throttling 关键字消失

100 PVC 的时间缩短到60秒以内全部创建成功，无任何报错。

| 结语

对于终端用户而言，交互的界面越来越简单，但对于开发者而言，组件越来越多，编译一次的时间越来越久，加上无处不在的并发，导致定位问题的难度越来越大，尤其是性能问题。所以，对体系架构的理解能帮我们快速锁定问题组件，配合 Profile 工具和 Flame Graph 快速定位 code-path，再加上对业务逻辑的理解找到解决方案。

所有的编程人员都是乐观主义者，无论是什么样的程序，结果是勿庸置疑的："这次它肯定会运行。" 或者 "我刚刚找出了最后一个问题。"              ——人月神话

| 作者简介

熊中哲·沃趣科技联合创始人

曾就职于阿里巴巴和百度，超过10年关系型数据库工作经验，目前致力于将云原生技术引入到关系型数据库服务中。