dpdk-lvs的一次线上故障排查报告

我们内部基于dpdk自研的高性能负载均衡器dpdk-lvs已经在多个机房部署上线，运行正常，但近期有多个金融相关的业务反馈，服务数据包在经过dpdk-lvs转发后，会出现hang住的情况。

1、dpdk-lvs已经在多个机房上线，运行时间已超过半年，为何突然有业务反馈异常

2、反馈问题的业务多与金融区相关（金融区由于其特殊性，会额外增加安全方面的加固策略）

3、为什么问题表现均为服务hang住

首先，我们怀疑与dpdk-lvs或与金融的某些安全策略相关，因此我们做了如下测试（后端上跑的均是相同的测试代码，并模拟了服务端逻辑）：

1、client < ----- > dpdk-lvs < ----- > rs（金融区）                不正常

2、client < ----- > dpdk-lvs < ----- > rs（非金融区）             正常

3、client < ----- > lvs < ----- > rs（金融区）                          正常

4、client < ----- > lvs < ----- > rs（非金融区）                       正常

通过1、2组测试能够得出结论：该问题与金融区相关且dpdk-lvs转发正常

通过3、4组测试能够得出结论：该问题与金融区无关且kernel版lvs转发正常

通过1、3组测试能够得出结论：该问题与dpdk-lvs有关，经过dpdk-lvs的请求不正常

通过2、4组测试能够得出结论：该问题与dpdk-lvs/lvs无关，经过dpdk-lvs/lvs的请求均正常

以上4组结论两两冲突，无法定位问题是与dpdk-lvs相关还是与金融区相关，排查一度进入僵局，无法定位故障点。

为了进一步排查，我们在client和后端rs上抓包排查，发现client的请求均能够正常到达rs，而rs的大部分数据也能够正常回复给client，但有固定的几个包总是会被重传且直至超时，以下是抓包截图：

其中10.128.129.14是rs的ip，10.115.167.0/24是dpdk-lvs的local ip，通过在rs上的抓包结果可以清楚的看出rs发给dpdk-lvs的length为184的包正确传输，但length为2的包一直在重传，且直至超时都没有成功，同时在client上的抓包显示，client收到了这个length为2的包，但是由于tcp checksum error被丢掉了，并没有交给上层应用去处理，这样就解释了为什么异常时的表现是hang住，因为某个数据包一直在重传，直至timeout。

通过上面的分析，我们又产生了疑问：现在的硬件网卡一般都具有csum offload的功能，能够通过网卡硬件帮我们做checksum，难道是网卡的checksum offload功能出现了问题？如果真是网卡硬件的offload功能出现问题，那影响的应该不是某一个特定的数据包，而是所有经过这块网卡的数据包才对，因此我们怀疑是网卡在针对某个特定数据包的计算checksum的时候产生了错误，为了验证这个问题，我们在dpdk-lvs上进行抓包分析，以下是抓包截图：

这个包就是被不断重传的包，能够看到dpdk-lvs确实收到了这个包，并且处理逻辑也完全正常，剩下的步骤只有通过网卡做checksum并把这个数据包转发出去，问题似乎确实是出在了计算checksum这里，我们在分析这个包有什么特点，可以看到，这个包的初始大小=ethernet header length + ip header length + tcp header length + tcp data = 14 + 20 + 20 + 5 = 59，而我们知道，在网络中传输的数据帧最小长度为64字节，除去FCS的4字节（这部分也由网卡自行计算后添加在数据包末尾），最小长度应为60字节，也就是说，到达网卡的数据包如果不够60字节，那么网卡会在动在数据包末尾增加全0的padding来使数据包能够达到60字节，所以这个数据包也是需要网卡硬件来补充1字节的padding来达到最小传输长度。对此rfc894是这样规定的：

因此rs的网卡在数据包长度不足60字节时需要做两件事情：

1、补充1字节的padding达到最小长度60字节

2、补充的padding为全0

可以看到，在二层头中，确实有个补充的1字节的padding：ec，这个padding并没有按rfc894的规定填充成全0，而是填了非0值，这样就造成了dpdk-lvs的网卡在计算tcp checksum时把这个padding误当成了tcp data而计算了check sum，因此在client接收到这个数据包并根据ip伪头部和tcp头部计算出来的checksum与数据包tcp头部的checksum不一致，因此并没有把这个数据包交给上层应用处理而是直接drop。

 （网卡手册针对 TCP/UDP checksum部分的说明）

至此，问题的原因已经很明显了：部分机器的网卡在做padding时未按照rfc894的规定补充全0而是补充了其他值，导致dpdk-lvs的网卡在做checksum offload时padding的数据也参与了checksum的计算。

分析正常的rs和不正常的rs在网卡硬件上的差别，发现：网卡的硬件型号相同，驱动型号也相同，但不正常的网卡fireware与正常的网卡不相同，而fireware我们没有办法自行升级或降级。

整个故障的过程可以大概表示为：

client               dpdk-lvs                rs

         ---1--- > 

                                      < ---2---

        < ---3---

步骤1：数据包正常，请求数据

步骤2：部分数据包初始长度小于60字节，需要网卡补充padding，网卡先计算checksum填入tcp包头后补充padding至数据包末尾，此时checksum正常，但padding不为全0

步骤3：dpdk-lvs收到步骤2的包进行正常转发逻辑处理后转发至网卡，由网卡计算checksum并转发，但在计算新的checksum时由于padding非全0导致checksum计算错误，client收到后丢弃了这个包

ps：以上是rs的网卡在添加padding时补充的不是全0，另一种场景是client的网卡在添加padding时补充的不是全0，这两种情况都会导致上述问题的出现。

至此，我们已经能够解释最开始提出的三个问题：

1、dpdk-lvs已经在多个机房上线，运行时间已超过半年，为何突然有业务反馈异常
A：该业务是在某个核心机房上线了dpdk-lvs后出现了问题，其他机房很早上线了dpdk-lvs但由于其他机房是改业务的备份机房实际并未启用，因此半年多来一直没有发现问题

2、反馈问题的业务多与金融区相关（金融区由于其特殊性，会额外增加安全方面的加固策略）
A：排查发现是金融区的某一批次机器的fireware存在bug导致，与金融区本身的安全策略无关

3、为什么问题表现均为服务hang住
A：问题的实质是出现丢包，服务在等待响应，因此表现为hang住

接下来我们将解决该问题：

只要让dpdk-lvs在处理数据包时，忽略数据包以前的padding部分，而由dpdk-lvs的网卡重新去处理padding（由于网卡计算checksum是在补充padding之前，因此可以保证此时的checksum一定是正确的）。由于dpdk-lvs是基于dpdk开发的，数据包在dpdk-lvs中是以mbuf的结构保存和处理的，以下是mbuf的结构：

数据帧被存储在headroom和tailroom之间（与skb类似），pkt_len=data_len=整个数据帧的长度，我们要做的就是将padding从data中去除（放到tailroom中去），因此可以在数据包入口处添加以下代码：

int padding_length = mbuf->data_len - (mbuf->l2_len +rte_be_to_cpu_16(ipv4_hdr->total_length));
mbuf->data_len = mbuf->data_len - padding_length;
mbuf->pkt_len = mbuf->data_len;

添加以上代码后测试通过，本次故障解决。

参考资料

https://tools.ietf.org/html/rfc894

http://doc.dpdk.org/guides/prog_guide/mbuf_lib.html

https://www.intel.com/content/dam/www/public/us/en/documents/datasheets/82599-10-gbe-controller-datasheet.pdf