系统和硬件故障导致的三次Redis“诡异”慢查询

2024年 6月 3日 91.5k 0

一、服务器电源故障造成Redis慢查询

1、发现问题:

我们和业务排查问题时候发现:

  • 每天时不时发生:一些小的get命令,耗时达到了40ms(正常是微秒级别)。
  • 慢查询集中在1台服务器的全部实例。

实例

角色

耗时(微秒)

命令

value大小

10.xx.xx.xx:yy

master

41,432

get rta_12345xxxx

15字节

10.xx.xx.xx:yy

master

41,613

get rta_6789yyyyy

15字节

2、定位问题:

(1) 快速定位:

快速定位为服务器问题,因为同机器的其他Redis集群均出现上述情况。

机器问题几板斧:

  • 分钟级核心指标:cpu、mem、网络、io一通查,没有异常。
  • 系统日志:dmesg日志一通查,没有异常。
  • 硬件问题:内存、网卡、CPU均正常,只有一台电源异常(当前是单路供电)

(2) 深入定位

因为之前定位过类似问题,单路供电能会导致CPU降频,但是查询监控未发现有降频:

系统和硬件故障导致的三次Redis“诡异”慢查询-1图片

中间又辗转怀疑了很多点,最后排查同学还是怀疑和电源故障有关。

  • 添加了CPU主频秒级监控:发现一瞬间降频(从2800MHz 降低到了 120 MHz)时间点和Redis慢查询时间点一致。

系统和硬件故障导致的三次Redis“诡异”慢查询-2图片

  • 电源故障开始时间和机器出现异常慢查询时间也是一致的。

3、后续优化:

  • 监控单服务器慢查询数量:基本上有多个集群都有慢查询,机器可能就有问题。
  • 对于单路电源故障,之前绝对非高优维修,后期需要对此磊故障增加优先级。
  • 添加对CPU频率告警和提供秒级诊断工具能力。

二、服务器MCE造成Redis慢查询

1、发现问题:

某周末晚上,某业务在21:55可用性突然报警,从100%->98%,经排查该分钟该集群的全部实例出现慢日志(均为小命令),并且集中在一台机器。

实例

角色

耗时(微秒)

命令

value大小

10.xx.xx.xx:yy

master

20,421

incr small_key1

10字节

10.xx.xx.xx:yy

master

21,324

get small_key2

10字节

系统和硬件故障导致的三次Redis“诡异”慢查询-3图片

2、定位问题:

(1) 快速定位:

快速定位为服务器问题,因为同机器的其他Redis集群均出现上述情况。

机器问题几板斧:

  • 分钟级核心指标:cpu、mem、网络、io一通查,没有异常。
  • 硬件问题:内存、网卡、CPU、电源均正常。
  • 系统日志:dmesg有异常日志,初步判断MCE在做内存故障纠错。
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]: Hardware error from APEI Generic Hardware Error Source: 4
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]: It has been corrected by h/w and requires no further action
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]: event severity: corrected
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:  Error 0, type: corrected
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:  fru_text: A2
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   section_type: memory error
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   error_status: 0x0000000000000400
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   physical_address: 0x00000009f7466ac0
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   node: 0 card: 1 module: 0 rank: 0 bank: 0 row: 18297 column: 936
May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   error_type: 2, single-bit ECC
May 18 21:55:04 机器名 kernel: core: [Hardware Error]: Machine check events logged
May 18 21:55:04 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7466 offset:0xac0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:04 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7467 offset:0x5c0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:04 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7441 offset:0xa40 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:04 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7447 offset:0x140 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:05 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7443 offset:0x640 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:05 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7444 offset:0x240 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:06 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f74e5 offset:0x3c0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:06 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7461 offset:0xac0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:06 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7460 offset:0x3c0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:06 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7464 offset:0x2c0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
May 18 21:55:07 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7440 offset:0x340 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)

(2) 一些基础知识(我也是临时学的,如果不对欢迎来喷)

  • 什么是MCE?

MCE全称Machine check exception,英文解释如下(论文:https://www.halobates.de/mce.pdf),简单说有硬件错误,需要中断当前的进程,调用一个专用的硬件异常处理handler进行处理。

A machine check exception happens when there is an error that the hardware cannot correct. It will cause the CPU to interrupt the current program and call a special exception handler.
With a silent machine check the hardware was abl
  • MCE什么时候触发

通过修改/sys/devices/system/machinecheck/machinecheck0/check_interval 的值,可以调整错误修复的初始和最大轮询间隔。

  • 硬件错误分类
  • CE,可纠正错误;(注意这里的CE和MCE也不是一个东西,corrected exception)
  • UE,不可纠正错误,但系统没有崩溃(通常进程coredump,异常退出);
  • Fatal,不可纠正错误,系统崩溃。
  • 从可用性角度看,似乎最应该关注的是2,3类错误,但实际上1类错误更具有欺骗性,在分布式系统中,确定性要好过不确定性。

    • x86处理硬件故障的方式
  • PCIe AER 是PCIe的新特性,发生故障时,通过中断报告故障详情;
  • APEI,先通过SMI进入BIOS/firmware,让BIOS/firmware先处理,其根据处理情况决定要不要通知OS继续处理;
  • BIOS/firmware 可以通过MCE中断,让OS继续处理。
  • 这里重点是SMI中断(SMI中断使CPU进入SMM),它是Linux无法感知的,如果BIOS/firmware 处理错误耗费了太长时间,可能导致延迟抖动,没有统一的方法从Linux测度量。而其它中断是Linux处理的,其耗时Linux总是有办法度量。

    (3) 日志分析,几个核心点:

    • CE Memory:可纠正的内存错误
    May 18 21:55:04 机器名 kernel: EDAC MC0: 0 CE memory read error on CPU_SrcID#0_Ha#0_Chan#1_DIMM#0 (channel:1 slot:0 page:0x9f7466 offset:0xac0 grain:32 syndrome:0x0 -  area:DRAM err_code:0000:009f socket:0 ha:0 channel_mask:2 rank:0)
    • 关键日志:
    Machine check events logged
    • 内存错误和内存信息:
    May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:  fru_text: A2
    May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   section_type: memory error
    May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   error_status: 0x0000000000000400
    May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   physical_address: 0x00000009f7466ac0
    May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   node: 0 card: 1 module: 0 rank: 0 bank: 0 row: 18297 column: 936
    May 18 21:55:04 机器名 kernel: {2}[Hardware Error]:   error_type: 2, single-bit ECC

    3、结论:

    系统发生硬件错误会导致机器进入 MCE中断,可能会将大部份内核时间用于处理 MCE中断(例如本例子CE Memory)。

    三、THP造成

    这个就是一个凑数的,很早之前遇到的,在《Redis开发与运维》一书也提过,原文如下:

    系统和硬件故障导致的三次Redis“诡异”慢查询-4图片

    四、其他案例

    1、不可纠正硬件错误:

    Uncorrected hardware memory error ,导致Redis直接core。

    May 27 15:48:58 机器名 kernel: core: Uncorrected hardware memory error in user-access at 1a1f914a80
    May 27 15:48:58 机器名 kernel: core: [Hardware Error]: Machine check events logged
    May 27 15:48:58 机器名 mcelog: Hardware event. This is not a software error.
    May 27 15:48:58 机器名 mcelog: MCE 0
    May 27 15:48:58 机器名 mcelog: CPU 15 BANK 1 TSC e7a1f64e03e47a
    May 27 15:48:58 机器名 mcelog: RIP 33:465af1
    May 27 15:48:58 机器名 mcelog: MISC 86 ADDR 1a1f914a80
    May 27 15:48:58 机器名 mcelog: TIME 1716796138 Mon May 27 15:48:58 2024
    May 27 15:48:58 机器名 mcelog: MCG status:RIPV EIPV MCIP LMCE
    May 27 15:48:58 机器名 mcelog: MCi status:
    May 27 15:48:58 机器名 mcelog: Uncorrected error
    May 27 15:48:58 机器名 mcelog: Error enabled
    May 27 15:48:58 机器名 mcelog: MCi_MISC register valid
    May 27 15:48:58 机器名 mcelog: MCi_ADDR register valid
    May 27 15:48:58 机器名 mcelog: SRAR
    May 27 15:48:58 机器名 mcelog: MCA: Data CACHE Level-0 Data-Read Error
    May 27 15:48:58 机器名 mcelog: STATUS bd80000000100134 MCGSTATUS f
    May 27 15:48:58 机器名 mcelog: MCGCAP f000c14 APICID 1e SOCKETID 0
    May 27 15:48:58 机器名 mcelog: PPIN 2c6b0193f6fb1bb7
    May 27 15:48:58 机器名 mcelog: CPUID Vendor Intel Family 6 Model 85
    May 27 15:48:58 机器名 mcelog: warning: 8 bytes ignored in each record
    May 27 15:48:58 机器名 mcelog: consider an update
    May 27 15:48:58 机器名 kernel: Memory failure: 0x1a1f914: Killing redis-server:44454 due to hardware memory corruption
    May 27 15:48:58 机器名 kernel: Memory failure: 0x1a1f914: recovery action for dirty LRU page: Recovered
    May 27 15:48:58 机器名 kernel: MCE: Killing redis-server:44454 due to hardware memory corruption fault at 7f392cb4a9c0

    2、CPU温度过高,导致可能降频:

    (1) 日志:

    Jun  2 20:13:29 机器名 kernel: CPU20: Core temperature above threshold, cpu clock throttled (total events = 176720)
    Jun  2 20:13:30 机器名 kernel: CPU48: Core temperature above threshold, cpu clock throttled (total events = 176498)
    Jun  2 20:17:30 机器名 kernel: CPU50: Core temperature above threshold, cpu clock throttled (total events = 177150)
    Jun  2 20:17:30 机器名 kernel: CPU22: Core temperature above threshold, cpu clock throttled (total events = 177136)
    Jun  2 20:20:57 机器名 kernel: CPU44: Core temperature above threshold, cpu clock throttled (total events = 269866)
    Jun  2 20:20:58 机器名 kernel: CPU16: Core temperature above threshold, cpu clock throttled (total events = 269730)
    Jun  2 20:37:29 机器名 kernel: CPU54: Core temperature above threshold, cpu clock throttled (total events = 33630)
    Jun  2 20:37:30 机器名 kernel: CPU26: Core temperature above threshold, cpu clock throttled (total events = 33635)
    Jun  2 20:45:29 机器名 kernel: CPU17: Core temperature above threshold, cpu clock throttled (total events = 214231)
    Jun  2 20:45:30 机器名 kernel: CPU45: Core temperature above threshold, cpu clock throttled (total events = 214140)

    (2) 基础知识

    关于CPU功耗管理,有以下几种模式:

    performance   运行于最大频率
        powersave     运行于最小频率
        userspace     运行于用户指定的频率
        ondemand      按需快速动态调整CPU频率, 一有cpu计算量的任务,就会立即达到最                   大频率运行,空闲时间增加就降低频率
        conservative  按需快速动态调整CPU频率, 比 ondemand 的调整更保守
        schedutil     基于调度程序调整 CPU 频率

    查看当前支持模式:

    $ cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_available_governors
    performance powersave

    查看当前使用模式:

    $ cat /sys/devices/system/cpu/cpu0/cpufreq/scaling_governor
    performance

    (3) 代码分析:

    内核代码:cpu温度超过阈值会打印系统日志,但是是否降频还和 /sys/devices/system/cpu/cpu0/cpufreq/scaling_governor模式有关。

    系统和硬件故障导致的三次Redis“诡异”慢查询-5图片

    五、总结:

    本文粗浅分析了在Redis使用过程中遇到的诡异慢查询问题,其中包含了硬件故障相关,系统参数错误优化等问题,当然实际在使用和运维过程中可能还有其他诡异情况,需要具体问题具体分析。

    相关文章

    Oracle如何使用授予和撤销权限的语法和示例
    Awesome Project: 探索 MatrixOrigin 云原生分布式数据库
    下载丨66页PDF,云和恩墨技术通讯(2024年7月刊)
    社区版oceanbase安装
    Oracle 导出CSV工具-sqluldr2
    ETL数据集成丨快速将MySQL数据迁移至Doris数据库

    发布评论