​

问题

在《消息服务单实例问题导致消息发送延迟》的故障中有一个很诡异的事情：

异常实例在 22 点 03 分隔离之后仍然在处理请求，但是从调用端的视角来看隔离之后就没有报错了。

经过再三核对监控和日志，可以确认隔离操作执行成功了，在隔离之后调用端就没有再调用异常实例，异常实例在 22 点 03 分之后处理的请求应该是之前积压的，持续时间长达 12 分钟，一时无法判断是积压在哪里。

另外通过 trace 信息可以确认，隔离之后处理的请求都是在隔离之前发送的。（请求中的 consumerStartTIme 记录了请求发送时间）

TCP 基础知识

1. 数据流中有很多的 buffer，例如 tcp receive buffer 和 netty 的 channelbuffer

​2. 即使是客户端发送 FIN 关闭连接了，服务端也可以继续读 receive buffer 中的数据

积压估算

根据监控来看 20:03 分隔离之后，处理了 261.7K 的请求。

在隔离之前有 6 分钟的处理报错，调用端使用一致性哈希路由，aft 的最大降权值为 1，不能完全摘除异常实例的流量，所以最糟糕的情况下 30 个调用端实例可以向异常实例发送 6 * 30 * 100 * 60 = 1080K 个请求。

而异常实例的 tcp receive buffer 配置是 1M，实际占用 2M，由于单个请求不大，以 200B 计算单个连接可以积压 10485 个请求，另外 netty3 还有个 64K 的 ChannelBuffer 也会积压一些数据，总共有 30 个调用端（也就是 30 个连接），所以积压的请求完全可以导致上面的现象。

tcp receive buffer 机制比较复杂，如果想深入理解可以参考：https://zhuanlan.zhihu.com/p/89620832https://zhuanlan.zhihu.com/p/276012061

模拟验证

正常情况下服务的处理能力不会这么差，即使有积压在 buffer 中的请求，也会很快返回错误信息（提交业务线程失败，返回 Threadpool is full）。

出现上面的积压现象主要受两个因素影响：

1. 异常实例所在的宿主机负载非常高

2. 异常实例自身 GC 很严重（主要也是受 1 的影响）

总而言之，就是故障期间异常实例的处理能力很低，所以可以通过主动睡眠处理线程模拟当时的情况。

在 netty3 将请求提交给 moa 业务线程池之前 sleep 2s，模拟负载高请求处理慢的情况，然后起一个 client 单连接发送请求，理论上会在 1s 超时后重新发送，发送 5 分钟，也就是 300 个请求后退出。

连接关闭时服务端视角看 receive buffer 还有量，并且程序还在正常读取：

处理的最后一条请求的时间是 15:58:24，积压了 3 分钟。

同宿主机其它实例的情况

xxx-service-65c9d4997-h6chd

最后收到请求的时间点 2021-04-07 22:05:42，而该请求发送的时间为 2021-04-07 22:04:41，也就是请求积压了 36s。

z 该实例请求积压时间没有那么长的原因是：调用端的路由策略不是一致性哈希，没有那么多重试请求过来。

​