TCP close_wait 引发的血案

作者：云舒编程

2024-01-25
广东
本文字数：1229 字
阅读完需：约 4 分钟

大家好，我是「云舒编程」，今天我们来聊聊最近遇到的线上出现大量 close_wait 导致服务不可用的问题。

文章首发于微信公众号：云舒编程
关注公众号获取：1、大厂项目分享 2、各种技术原理分享 3、部门内推

一、问题

服务 A 调用服务 B，在服务 A 的机器上出现了大量的 close_wait 状态的 TCP 连接。

二、closed_wait

根据 TCP 四次挥手，理论上 close_wait 是一个非常短暂的状态，对应到下图：当服务端接收到客户端的 FIN 并且回复 ACK 后服务端就会进入 close_wait。然后该服务端继续发送 FIN 包后就会继续进入后续的流程，最终会正常关闭 TCP 连接。

如果服务端出现了大量的 close_wait 那就证明没有进行正常的 TCP 关闭，也就是服务端最终没有调用 close 或者 shutdown，导致最后一个 FIN 没有发出去。

IP 异常

通过排查发现服务 A 处于 closed_wait 状态的对应的服务 B 的 IP 都已经不在对方的服务列表中了。

同时同事反馈前天进行了一次压测，触发了下游的自动扩缩容。拿着这些 IP 跟运维确定，发现的确是前天扩容后又缩容了的 IP。

三、分析

出现大量 closed_wait 的条件：

大量的短 TCP 链接
未正确关闭 TCP(close 或者 shutdown)

前天压测满足了条件一，那就只剩下条件二了。

由于服务使用了连接池，猜测是不是这里导致的问题。连接池大致逻辑如下：

type ConnPool struct{    poolName string    connsMap map[string][]*net.Conn //key是对端ip+port,value是连接池列表}
func (cli *TcpClient) doSend(ctx context.Context,sendByte []byte)([]byte,error){    pool := getPool(TCP_POOL_NAME)
    //根据IP,PORT 分配conn ip port从服务注册中心获取    conn := pool.Alloc(cli.ip,cli.port)
    //放回连接池    defer pool.Put(conn)
    conn.Write()
    conn.Read()
    return }

复制代码

发现该连接池的管理比较坑，使用被调用方的 ip+port 作为 key 进行存储。如果对方的服务下线了，那么从服务注册中心就再也无法获取该 ip 了，其对应的 TCP 连接就再也无法释放，并且未对连接做探活处理，从而导致 TCP 状态会永远停留在 closed_wait 状态。

以前为什么没有出现

按照上述的连接池实现，只要下游的 IP 出现了变化，那么理论上我们的服务就会出现无法释放的 closed_wait 状态的连接才对。那这个问题应该早就暴露了才对？

通过排查就发现了极其狗血的事情：下游服务的发布窗口在每周四的下午，我们的服务发布是在每周五的下午。通过狗血的发布窗口就把这个事情给自然解决了。

问题解决

TCP 连接设置 keepalive
单独使用一个协程定时去检测连接是否可用
读取到了 io.EOF，这种就说明对端（服务端）关闭了这个连接，该连接可以释放了。
拿 ip、port 询问注册中心是否可用，不可用则关闭。

创作场景