一场由 fork 引发的超时，让我们重新探讨了 Redis 的抖动问题

关注

发布于: 2021 年 03 月 02 日

摘要：高斯 Redis，彻底解决原生 Redis 的 fork 抖动问题!

背景介绍

在一次支撑客户业务上云的过程中，发现一次由 fork 引发的时延抖动问题，通过详细探究了 fork 这个系统调用的性能影响，并且在最新的 GaussDB(for Redis)版本已解决了这个抖动问题，清零了内部的 fork 使用，与原生 Redis 相比，彻底解决了 fork 的性能隐患。

问题焦点

· 华为云 GaussDB(for Redis)服务在某客户上云线调测过程中发现，系统上量后规律性的出现每 5 分钟 1 次的时延抖动问题。

· 华为云 GaussDB(for Redis)团队经过攻关，最终确认抖动原因是 fork 导致并解决了这个问题。而 fork 是开源 Redis 的一个重要依赖，希望通过本文的分享，能够帮助大家在使用开源 Redis 的时候，充分认识 fork 的影响，从而选择更优的方案。

问题现象

客户业务接入 GaussDB(for Redis)压测发现，每 5 分钟系统出现一次规律性的时延抖动：

· 正常情况消息时延在 1-3ms，抖动时刻时延达到 300ms 左右。

· 通常是压测一段时间后开始出现抖动；抖动一旦出现后就非常规律的保持在每 5 分钟 1 次；每次抖动的持续时长在 10ms 以内。

下图是从系统慢日志中捕获到的发生抖动的消息样例（对敏感信息进行了遮掩）：

问题分析

1）排查抖动源：

· 由于故障的时间分布非常规律，首先排除定时任务的影响，主要包括：

· agent：和管控对接的周期性统计信息上报任务

· 内核：执行引擎（Redis 协议解析）和存储引擎（rocksdb）的周期性操作（包括 rocskdb 统计，wal 清理等）

屏蔽上述 2 类定时任务后，抖动依然存在。

· 排除法未果后，决定回到正向定位的路上来。通过对数据访问路径增加分段耗时统计，最终发现抖动时刻内存操作（包括 allocate、memcpy 等）的耗时显著变长；基本上长出来的时延，都是阻塞在了内存操作上。

（截图为相关日志，单位是微秒）

· 既然定位到是系统级操作的抖动，那么下一步的思路就是捕获抖动时刻系统是否有异常。我们采取的方法是，通过脚本定时抓取 top 信息，分析系统变化。运气比较好，脚本部署后一下就抓到了一个关键信息：每次在抖动的时刻，系统中会出现一个 frm-timer 进程；该进程为 GaussDB(for Redis)进程的子进程，且为瞬时进程，持续 1-2s 后退出。

· 为了确认该进程的影响，我们又抓取了 perf 信息，发现在该进程出现时刻，Kmalloc， memset_sse，memcopy_sse 等内核系统调用增多。从上述信息推断，frm-timer 进程应该是被 fork 出来的，抖动源基本可锁定在 fork frm-timer 这个动作上。

2）确定引发抖动的代码：

· 分析 frm-timer 的来历是下一步的关键。因为这个标识符不在我们的代码中，所以就需要拉通给我们提供类库的兄弟部门联合分析了。经过大家联合排查，确认 frm-timer 是日志库 liblog 中的一个定时器处理线程。如果这个线程 fork 了一个匿名的子进程，就会复用父进程的线程名，表现为 Redis 进程创建出 1 个名为 frm-timer 的子进程的现象。

· 由于 frm-timer 负责处理 liblog 中所有模块的定时器任务，究竟是哪个模块触发了上述 fork？这里我们采取了一个比较巧妙的方法，我们在定时器处理逻辑中增加了一段代码：如果处理耗时超过 30ms，则调用 std:: abort()退出，以生成 core 栈。

· 通过分析 core 栈，并结合代码排查，最终确认引发抖动的代码如下：

上述代码是用来周期性归档日志的，它每 5 分钟会执行 1 次 system 系统调用来运行相关脚本，完成归档日志的操作。而 Linux system 系统调用的源码如下，实际上是一个先 fork 子进程，再调用 execl 的过程。

· 分析至此，我们还需要回答最后一个问题：究竟是 fork 导致的抖动，还是脚本内容导致的抖动？为此，我们设计了一组测试用例：

· 用例 1：将脚本内容改为最简单的 echo 操作

· 用例 2：在 Redis 进程里模拟 1 个类似 frm-timer 的线程，通过命令触发该线程执行 fork 操作

· 用例 3：在 Redis 进程里模拟 1 个类似 frm-timer 的线程，通过命令触发该线程执行先 fork，再 excel 的操作

· 用例 4：在 Redis 进程里模拟 1 个类似 frm-timer 的线程，通过命令触发该线程执行 system 的操作

· 用例 5：在 Redis 进程里模拟 1 个类似 frm-timer 的线程，通过命令触发该线程执行先 vfork，再 excel 的操作

最终的验证结果：

· 用例 1：有抖动。

· 用例 2：有抖动。

· 用例 3：有抖动。

· 用例 4：有抖动。

· 用例 5：无抖动。

用例 1 结果表明抖动和脚本内容无关；用例 2、3、4 的结果表明调用 system 引发抖动的根因是因为其中执行了 fork 操作；用例 5 的结果进一步佐证了抖动的根因就是因为 fork 操作。最终的故障原因示意图如下：

3）进一步探究 fork 的影响：

· 众所周知，fork 是 Linux（严格说是 POSIX 接口）创建子进程的系统调用，历史上看，主流观点大多对其赞誉有加；但近年间随着技术演进，也陆续出现了反对的声音：有人认为 fork 是上个时代遗留的产物，在现代操作系统中已经过时，有很多害处。激进的观点甚至认为它应该被彻底弃用。（参见附录 1,2）

· fork 当前被诟病的主要问题之一是它的性能。大家对 fork 通常的理解是其采用 copy-on-wirte 写时复制策略，因此对其的性能影响不甚敏感。但实际上，虽然 fork 时可共享的数据内容不需要复制，但其相关的内核数据结构（包括页目录、页表、vm_area_struc 等）的复制开销也是不容忽视的。附录 1、2 中的文章对 fork 开销有详细介绍，我们这回遇到的问题也是一个鲜活的案例：对于 Redis 这样的时延敏感型应用，1 次 fork 就可能导致消息时延出现 100 倍的抖动，这对于应用来说无疑是不可接受的。

4）原生 Redis 的 fork 问题：

4.1 原生 Redis 同样被 fork 问题困扰（参见附录 3，4，5），具体包括如下场景：

1）数据备份

备份时需要生成 RDB 文件，因此 Redis 需要触发一次 fork。

2）主从同步

全量复制场景（包括初次复制或其他堆积严重的情况），主节点需要产生 RDB 文件来加速同步，同样需要触发 fork。

3）AOF 重写

当 AOF 文件较大，需要合并重写时，也会产生一次 fork。

4.2 上述 fork 问题对原生 Redis 的影响如下：

1）业务抖动

原生 Redis 采用单线程架构，如果在电商大促、热点事件等业务高峰时发生上述 fork，会导致 Redis 阻塞，进而对业务造成雪崩的影响。

2）内存利用率只有 50%

Fork 时子进程需要拷贝父进程的内存空间，虽然是 COW，但也要预留足够空间以防不测，因此内存利用率只有 50%，也使得成本高了一倍。

3）容量规模影响

为减小 fork 的影响，生产环境上原生 Redis 单个进程的最大内存量，通常控制在 5G 以内，导致原生 Redis 实例的容量大大受限，无法支撑海量数据。

解决方法

修改日志库 liblog 中的周期性归档逻辑，不再 fork 子进程。
系统排查并整改 GaussDB(for Redis)代码（包括使用的类库代码）中的 fork 调用。
最终排查结果，实际只有本次的这个问题点涉及 fork。当前修改后即可确保 GaussDB(for Redis)的时延保持稳定，不再受 fork 性能影响。

注：GaussDB(for Redis)由华为云基于存算分离架构自主开发，因此不存在原生 Redis 的 fork 调用的场景。

总结

本文通过分析 GaussDB(for Redis)的一次由 fork 引发的时延抖动问题，探究了 fork 这个系统调用的性能影响。最新的 GaussDB(for Redis)版本已解决了这个抖动问题，并清零了内部的 fork 使用，与原生 Redis 相比，彻底解决了 fork 的性能隐患。希望通过这个问题的分析，能够带给大家一些启发，方便大家更好的选型。