首页 > 代码库 > 从Linux 2.6.8内核的一个TSO/NAT bug引出的网络问题排查观点(附一个skb的优化点)
从Linux 2.6.8内核的一个TSO/NAT bug引出的网络问题排查观点(附一个skb的优化点)
梦中没有错与对，梦中没有恨和悔...最好闭上你的嘴。这样才算可爱...我不会说：这不公道，我不能接受。我会用朴素的文字记录点点滴滴，早上4点多起来，一气呵成最近的收获与评价，愤慨与忏悔。
四年多前的一个往事
大约在2010年的时候，我排查了一个问题。
问题描写叙述例如以下：
client：Windows XP/192.168.40.34
业务流程(简化版)：
1.client向服务端发起SSL连接
2.数据传输
现象：SSL握手的时候。服务端发送Certificate特别慢。
详细思路，也就是当时怎么想到的，我已经忘了，可是记住一个结论，那就是纠出了Linux 2.6.8的NAT模块的一个bug。
在抓取了好多数据包后。我发现本机总是发给自己一个ICMP need frag的报错信息，发现服务端的Certificate太大，超过了本机出网卡的MTU，下面的一步步的思路。终于纠出了bug：
1.证实服务端程序设置了DF标志。
这是显然的。由于仅仅有DF标志的数据包才会触发ICMP need frag信息。
2.疑问：在TCP往IP发送数据的时候。会检測MTU，进而确定MSS，明知道MSS的值。怎么还会发送超限的包呢？计算错误可能性不大。毕竟Linux也是准工业级的了。
TCP Segment Offload简称TSO，它是针对TCP的硬件分段技术，并非针对IP分片的，这二者差别应该明白。所以这与IP头的DF标志无关。
对于IP分片，仅仅有第一个分片才会有完整的高层信息(如 果头长能够包含在一个IP分片中的话)，而对于TSO导致的IP数据包，每个IP数据包都会有标准的TCP头，网卡硬件自行计算每个分段头部的校验值，序列号等头部字段且自己主动封装IP头。
它旨在提高TCP的性能。
4.印证：果然server启用了TSO
5.疑问：一个大于MTU的IP报文发送到了IP层，且它是的数据一个TCP段，这说明TCP已经知道自己所在的机器有TSO的功能，否则对于本机始发的数据包，TCP会严格依照MSS封装。它不会封装一个大包。然后让IP去分片的，这是由于对于本机始发而言。TCP MSS对MTU是能够感知到的。
对于转发而言，就不是这样了，然而，对于这里的情况，明显是本机始发，TCP是知道TSO的存在的。
6.推測：既然TCP拥有对TSO的存在感知，然而在IP发送的时候，却又丢失了这样的记忆，从TCP发往IP的入口。到IP分片决定的终点，中间一定发生了什么严重的事，迫使TCP丢失了TSO的记忆。
7.质疑：这样的故障情况是我在公司模拟的。通过报告人员的信息。我了解到并非全部的情况都会这样。其实。我一直不太承认是Linux协议栈本身的问题。不然早就被Fix了，我一直怀疑是外部模块或者一些外部行为比方抓包导致的。
8.可用的信息：到此为止，我另一个信息，那就是仅仅要载入NAT模块(其实这是分析出来的。报告人员是不知道所谓的NAT模块的，仅仅知道NAT规则)就会有这个现象，于是目标非常明白，死盯NAT模块。
9.開始debug：由于Linux Netfilter NAT模块比較简单。根本不须要高端的能够touch到内存级的工具，仅仅须要printk就可以，可是在哪里print是个问题。
if (skb->len > dst_pmtu(skb->dst) && !skb_shinfo(skb)->tso_size) {
return ip_fragment(skb, ip_finish_output);
}前一个推断显然为真。假设要想调用ip_fragment的话，后一个推断一定要是假，实际上。假设开启了TSO，就不该调用ip_fragment的。
11.查找tso_size字段：事情非常明显了，一定是哪个地方将tso_size设置成了0！
而且一定在NAT模块中(98%以上的可能性吧...)。于是在NAT模块中查找设置tso_size的地方。
12.跟踪ip_nat_fn：这是NAT的入口，进入这个入口的时候，tso_size不是0，可是调用了skb_checksum_help之后tso_size就是0了。问题一定在这个函数中，注意，调用这个help有一个前提。那就是硬件已经计算了校验和。在这个help函数中，有一个skb_copy的操作，正是在这个copy之后，tso_size变成了0。于是进一步看skb_copy，终于定位到，copy_skb_header的最后，并没有将原始skb的tso_size拷贝到新的skb中。这就是问题所在。
13.触发条件：什么时候会调用skb_copy呢？非常easy。假设skb不全然属于当前的运行流的情况下，依照写时拷贝的原则，须要复制一份。
故障现象就是慢。而数据为本机始发。且为TCP。我们知道。TCP在没有ACK之前。skb是不能被删除的，因此当前的skb肯定仅仅是一个副本。因此就须要拷贝一份了。
为什么旧事重提
提起那件事有两个原因，其一是当时没有记录下来整个过程，可是兴许的patch却一直在用。终于我自己都快不知其所以然了。其二。是通过那次的分析。依照如今的理解，就能够发现Linux协议栈的一个优化点，即TCP情况下，由于保留了数据skb队列直到ack，那么兴许向下的全部skb处理流程都至少要经过一次skb_copy，这样的复制操作难道就不能避开吗？假设载入了某些Netfilter钩子。须要对skb进行写操作，这样的串行化行为会严重影响Linux网络协议栈的处理效率，这是Netfilter的通病之中的一个。附：skb操作的优化点
1.假设把数据和元数据彻底分开是不是更好呢？2.进一步将写操作的粒度细分
有些写操作是针对每个数据包的。这些不得不复制，可是是否能局部复制，然后採取分散聚集IO进行拼接呢？尽量採用指针操作而不是复制数据本身，这正是借鉴了UNIX fork模型以及虚拟地址空间的COW。假设把skb的空间进行细粒度划分。那么就能够做到。须要COW哪部分就仅仅有那部分，不会导致全局复制。
前几天的一个TCP问题排查过程
现象与过程
早就习惯了那种惊心动魄的三规制度(规定的时间，规定的地点，和规定的人一起解决这个问题)，反而不习惯了按部就班了。
事情是这样的。
周末的时候。中午，正在跟朋友一起聊天吃饭。收到了公司的短信。说是有一个可能与TCP/IP有关的故障，须要定位，我没有随即回复，由于这样的事情往往须要大量的信息，而这些信息一般短信传来的时候早就经过了N手，所以为了不做无用功，等有关人员打电话给我再说吧。...
我方服务端：Linux/IP不确定(处在内网，不知道NAT策略以及是否有代理以及其他七层处理情况)
測试client：Windows/192.168.2.100/GW 192.168.2.1
中间链路：公共Internet
可用接入方式：3G/有线拨号
服务端设备：第三方负载均衡设备。防火器等
业务流程：client与服务端建立SSL连接
故障：
client连接3G网卡使用无线链路，业务正常；client使用有线链路，SSL握手不成功，SSL握手过程的Client Certificate传输失败。
分析：
1.通过抓包分析，在有线链路上。发送client证书(长度超过1500)后。会收到一条ICMP need frag消息，说是长度超限，链路MTU为1480，而实际发送的是1500。
通过无线链路，相同收到了这个ICMP need frag。仅仅是报告的MTU不同。无线链路相应的是1400。
2.有线链路，client接受ICMP need frag，又一次发送，仅仅是截掉了20字节的长度，然而抓包发现client会不断重传这个包，始终收不到服务端的ACK。其间。由于client久久不能发送成功数据到服务端，服务端会回复Dup ACK，以示催促。
3.猜想：起初。我以为是时间戳的原因，由于两端没有开启TCP时间戳，所以在RTT以及重传间隔估算方面会有误差，可是这不能解释100%失败的情形，假设是由于时间戳计算的原因，那不会100%失败，由于计算结果受波动权值影响会比較大。
4.对照无线链路，和有线链路的唯一差别就是ICMP报告的MTU不同。
5.1.此时。我并没有把思路往运营商链路上引导。由于我始终觉得那不会有问题，相同，我也不觉得是SSL的问题，由于错误总是在发送大包后呈现，其实。接受了ICMP need frag后，之前发的那个超限包已经被丢弃，又一次发送的是一个小一点的包，对于TCP另一端来讲，这是全然正常的。
5.2.根本无需查看服务日志。由于还没有到达那个层次。
抓包结果非常明白，就是大包传只是去，其实已经依照MTU发现的值传输了，还是过不去。而无线链路能过去。因此应该不是MTU的问题。
5.3.除了运营商链路，MTU，服务端处理之外。还会是哪的问题呢？其实。程序的bug也不是不可能的，或者说是一些不为人知的动作，无论如何。须要隔离问题。
6.推測是中间某台设备没法处理大包。这个和MTU没有关系，可能就是它处理不了或者根本上不想处理大包，多大呢？反正1480的包处理不了，减去IP头，TCP头，剩余的是1440的纯数据。
于是写一个简单的TCP client程序，在TCP握手完毕后立即发送(为了防止由于不是Client Hello而主动断开，因此必须立即发，仅仅是为了观察针对大包的TCP ACK情况，此时与服务无关)长度1440的数据，验证！
7.果然没有ACK迅速返回，client不断重试发送1440的包(之后10秒到20秒，会有ACK到来，但不是每次都会到来，这明显是不正常的)。为了证明这样的方式的合理性。发送无线链路上MTU限制的数据大小，即1400-20-20=1360的数据，ACK秒回。
因此推測中间设备的数据包处理的长度临界点在1360和1440之间。
8.经过不断的測试，二分法查询临界点。找到了1380是可处理长度临界点。发送1380的纯数据是正常的。发送1381的纯数据就不正常了。
抓包的目标地址是12.23.45.67，简称MA，如今不确定的是MA是什么，是我方的设备，还是它方的设备，假设是我方的设备，排错继续，假设不是，排错终止。总之，1380这个临界点是一个疑点，常规来讲是不正常的，但也不能排除有这么限制的正常理由。无线链路没有问题是由于无线链路的MTU比較小。最大纯数据长度1360小与临界值1380。
9.补充測试。模拟问题机器，将其本机的MTU改为1380+20+20=1420。传输也是正常的，然而改为1421，就不行了。
(注意。仅仅有本机的MTU改动才有效，由于仅仅有TCP数据始发设备，MSS才与MTU关联)
.....
对于该次排错的总结
这是一个典型的网络问题。涉及到IP和TCP，细节不多，但足够典型。其实这个问题与终于的业务逻辑没有关系，可是事实往往是，仅仅有在业务逻辑无法正常时，这类底层的问题才会暴露，这是TCP/IP协议栈的性质所致。此类问题的排查要点在于，你要用最快的速度把它与高层协议隔离开来，而且不能陷入不论什么细节。
TCP细节：为何不必考虑TCP细节？这类场景既不特殊。又不复杂，假设陷入TCP细节的话。会掩盖或者忽略大量横向的问题，比方你会死盯着TCP的重传机制做仔细研究，或者仔细地研究RTT计算方法，终于也不一定能得到什么结论。换句话说，你一定要相信TCP是正常的。
服务程序细节：这个也是要隔离的。由于server并没有真的開始服务，且故障是100%重现的。因此能够确定这不是什么复杂的问题所导致，真正复杂的问题往往不是100%重现，即便是你挖掘出其重现规律，也够你喝一壶的。
TCP问题和IP问题的相异：它们尽管都是网络协议栈的一员，可是使用方式却大不相同。
实际上TCP提高了使用者的门槛。一般而言，TCP是让程序去使用的，因此你要想TCP跑起来。起码要理解其大致原理，或者说懂socket机制。假设你上网浏览网页。尽管也是用的TCP，它确实跑起来了，可是使用者不是你。而是你的浏览器。
IP就不同，IP的配置者能够是小白，而且随意配置都不会报错。
再往下，布线问题，拓扑问题。差点儿没有什么门槛，可是却更加easy出错。
因此首先要排除的就是这类问题。
防火墙策略或者程序BUG：实际上，第一步就须要询问管理员，是不是防火墙上特殊的策略所致，然而对于无法得到这个消息的时候，你就不能从这儿開始了。接下来，与之平等的是怀疑程序的处理BUG，此时，隔离出原有的业务逻辑细节是重要的，现象是大包无法收到ACK。此时就要忽略掉这个大包的内容以及其上下文，直接发送一个随意大包进行測试。
因此。这类问题的排查是一个逐步隔离的过程，相对四年前的那次NAT bug的排查，这个故障在技术上要更easy些。全部的复杂性和时间的耽搁全部在人员协调交流上。人员之间信息的误传或者漏传也是一个难点，四年前的那个NAT bug，是一个技术上更加深入的问题，涉及到了内核协议栈代码级别。同一时候在此之前，我还要找到这个点，然而它的easy点在于。这个问题仅仅涉及到我一个人，而且也是100%重现。
天与地，贵在没有记忆，一切伤痕总是会被冲刷，一切荣耀，总是会了无痕迹......
从Linux 2.6.8内核的一个TSO/NAT bug引出的网络问题排查观点(附一个skb的优化点)