龙蜥系统运维联盟：Kindling-OriginX 如何集成 DeepFlow 的数据增强网络故障的解释力

编者按：2023 年，龙蜥社区正式成立系统运维联盟，该联盟由信通院、阿里云、中兴通讯、复旦大学、清华大学、浙江大学、云观秋毫、乘云数字、云杉网络、浪潮信息、统信软件及联通软件院等 12 家单位共同发起。本文转自云观秋毫，介绍系统运维联盟成员 Kindling-OriginX 通过结合 DeepFlow 完备的网络数据能力，自动化生成可解释的故障根因报告。

DeepFlow 是基于 eBPF 的可观测性开源项目，旨在为复杂的云基础设施及云原生应用提供深度可观测性。DeepFlow 基于 eBPF 采集了精细的链路追踪数据和网络、应用性能指标，其在网络路径上的全链路覆盖能力和丰富的 TCP 性能指标能够为专业用户和网络领域专家提供充足的排障定界支撑。

Kindling-OriginX 是一款故障根因推导产品，目标是提供给用户一个可解释的故障根因报告，让用户能够直接了解故障根因，并附有根因的推理过程以便验证根因的准确性。网络故障是故障当中比较难以简单解释的，仅仅告知用户哪段网络有问题是不够的，用户需要更多指标以及图解，才能帮助用户更好的理解网络到底发生了什么故障，以及发生在哪个环节。

本文介绍 Kindling-OriginX 通过结合 DeepFlow 完备的网络数据能力，自动化生成可解释的故障根因报告。

soma-chaos 模拟网络故障

• 针对 seat-service 注入 200ms 延时的网络模拟故障。

• 接下来我们先使用 DeepFlow 来识别 200ms 的网络故障，并做出相应的 action。

人工最简化排障过程

步骤一：利用 Trace 系统缩小范围

在微服务场景中，某个接口突然慢了，排障的第一步骤应该是看 Tracing 系统，找到 Trace 慢在哪个环节，以及慢的具体表现是什么。

用户通过 Tracing 系统能够找到具体的 Trace，通过分析 Trace 能够发现 seat-service 执行时间很长，同时出现了一条非常长的 config-service 调用，但是 config-service 执行不慢。这个时候需要联动网络指标，来定位网络问题。

步骤二：利用 DeepFlow 火焰图确定故障发生在哪段网络

将故障代表 traceid 的输入 DeepFlow 在火焰图中，找到 Trace 在网络层面上的表现，然后深入分析这个火焰图，如果对火焰图比较了解，同时有具备网络知识的专家经验，是能够根据火焰图人为分析出：这个故障应该是发生在调用者也就是 seat-service 上，而且问题是发生了 syscall 到网卡的时间段，也就是容器网络时段出了问题（和故障注入是吻合的）。

（图/DeepFlow 网络火焰图）

步骤三：确定容器网络到底什么网络指标异常

根据故障排查经验，用户需要查看 seat-service 与 config-service 的 pod 的网络指标。这个时候用户需要跳转至 DeepFlow 的 Pod 级别的网络指标页面。通过该页面，用户能够查看出建连有 200ms 的延时突变以及 RTT 指标有突变。

（图/DeepFlow-pod 级别监控指标）

（图/DeepFlow-pod 级别监控指标）

步骤四：排除可能的干扰因素

根据经验，宿主机的 CPU 被打满和带宽被占满之时，虚拟网络也会出现丢包和时延，所以要排查当时 seat-service 与 config-service 所在 node 的 CPU 以及 node 级别的带宽，确保 Node 级别资源没有饱和。

通过 k8s 命令确认了两个 pod 所在的 node 节点，然后去 DeepFlow 的 node 指标监控页面查看相应指标，发现 node 的 bps、pps 等指标均在合理范围内。

（图/通过 k8s 命令查找 pod 所在的节点）

（图/DeepFlow-node 级别监控指标（client））

（图/DeepFlow-node 级别监控指标(server)）

由于 node 级别的网络指标没有出现明显异常，最终确定是 seat-service 的 pod 级别 rtt 指标异常。

人工排障总结

经过一系列的排查过程，最终用户是能够排查出故障的，但是对用户有以下要求：

• 网络知识非常丰富

• 深入理解网络火焰图

• 熟练使用相关工具

Kindling-OriginX 如何结合 DeepFlow 指标，生产可解释的故障报告

Kindling-OriginX 针对不同的用户需求和使用场景，Kindling-OriginX 对 DeepFlow 的数据进行了加工呈现。

类比人工最简化排障过程，利用 Kindling-OriginX 的排障过程如下：

自动化分析每一条 Trace

针对此时的故障，自动化分析每条 Trace，并按照故障节点对所列的 Trace 进行归集。Travel-service 是由于级联故障导致的，本文不重点论述级联故障，如果有兴趣可以参考微服务级联故障该如何处理。

Review 故障节点为 seat-service 的故障根报告

故障根因结论：

对于子请求 10.244.1.254:50332->10.244.5.79:15679 rtt 指标出现 200ms 左右的延时。

故障的推理验证

由于 Kindling-OriginX 已经识别出是 seat-service 调用 config-service 的网络有问题，所以不用完全把 DeepFlow 的火焰图所有数据呈现给用户，只需要与 DeepFlow 对接，仅仅拿到 seat-service 调用 config-service 那段网络调用的相关数据即可。

利用 DeepFlow 的 seat-service 调用 config-service 数据自动分析出了客户端 pod 的容器网络出现了 201ms 的延时。

Kindling-OriginX 会模拟专家分析经验，进一步关联 DeepFlow 的重传指标与 RTT 指标，从而确定到底是什么原因导致了 seat-service 调用 config-service 出现了延时的现象。

Kindling-OriginX 还会集成 node 的 CPU 利用率以及带宽指标，排除干扰因素。

Kindling-OriginX 将整个故障推理都在一页报告中完成，并且每个数据来源都是可信可查的。

总结

Kindling-OriginX 与 DeepFlow 都使用了 eBPF 技术，立求在不同的场景中为不同需求的用户提供灵活高效解决方案，也期待未来能看到国内有更多能力互补产品的出现。

DeepFlow 能提供非常完备的全链路网络基础数据，能够让云原生应用具有深度可观测性，对于排查网络问题非常有用。

Kindling-OriginX 是利用 eBPF 采集排障北极星指标、AI 算法和专家经验构建故障推理引擎，给用户提供可解释的根因报告。

—— 完 ——