[系统运维]线上502问题居然是它导致的！

记一次线上502问题排查过程。

现象

article-go微服务有请求502，之前稀稀拉拉有少量的502（有同学排查过，未果），但是运维同学最近升级了ingress，502变多了。

信息收集

大量的TW

登录article-go容器，使用lsof -p 1查看进程的fd信息，发现大量的TIME_WAIT。查询了下目标地址，都是ingress pod的地址。

首先TIME_WAIT就非常可疑，先看下TCP的四次挥手过程：

发现只有客户端的连接状态才可能是TIME_WAIT，我们article_go明明是服务端，怎么会有TIME_WAIT状态呢（这个是（我）一个认知错误，后面会提到）？

抓包

随便找了一次接口请求，发现是正常的，先3次握手建立连接，然后request、response都很正常。

想到http 1.1里面服务端response的时候是可以加一个 connection: closeheader头来主动断开链接的，看下请求header信息：

发现正常，服务端没有设置header头主动断开链接。

那是咋回事？脱发中。。。

查疑解惑

第一个疑惑

为什么服务端会有TIME_WAIT状态？

这其实是我的一个认知错误（也是下面这个图有歧义的地方，不知道你们有没有，如果有，请点赞👍）。

先说结论：

• 一个链接，并不是只有客户端可以主动断开链接，服务端也可以
• 主动断开链接的一方，主动发起断开链接请求（FIN），就是对应上图左边这块（最上面写的是客户端，就是这个地方有歧义，其实服务端也可以）

本地实验下：

客户端在建立连接之后，等待5秒之后关闭连接，服务端在接受到请求之后，立即调用close方法关闭链接。以此来模拟服务端主动关闭链接的场景。

抓包看下：

在5秒内，server发布fin，并且已经得到了client的ACK

• 服务端进入FIN_WAIT_2

• 客户端因为还没有CLOSE，状态是CLOSE_WAIT

5秒后，client close，服务端状态变成TIME_WAIT，客户端完全释放

小结：

服务端主动断开链接确实会有TIME_WAIT状态，和线上现象一致。所以问题排查方向就改成为什么服务端会断开链接？

第二个疑惑

为什么服务端要主动断开链接？

这个问题问得好，看代码没有可疑的地方，一时间不知道如何排查了（此处掉了2根头发）。

但是有一个现象可疑是——只有article-go服务会502，api-go服务不会。

我本地分别启动了api-go服务和article-go服务，分别请求并抓包：

• Article-go response之后有一次TCP Keep-Alive，然后就close链接了
  
• Api-go response之后有很多次TCP Keep-Alive发现不同，就对比下代码（因为是服务端主动断开链接，所以重点关注的是http server启动的配置）：
  Article_go的：

s := &http.Server{
   Addr:              addr,
   Handler:           engine,
   ReadTimeout:       2 * time.Second,
   MaxHeaderBytes:    1 << 20,
}

fmt.Println("Server listen on", addr)
err := s.ListenAndServe()

Api-go的：

s := &http.Server{
   Addr:        ":" + port,
   Handler:     router,
   ReadTimeout: timeout * time.Second,
   // WriteTimeout:   timeout * time.Second,
   MaxHeaderBytes: 1 << 20,
}

// graceful restart
err := gracehttp.Serve(s)

唯一的区别是ReadTimeout参数设置的不太一样，api-go设置的是10s，article-go是2s。三板斧第四招（😊），改下ReadTimeout参数试试，结果行了，请求之后会有多次TCP Keep-Alive了。

而且我发现（书读少了），ReadTimeout设置成几秒，TCP Keep-Alive就会有几次（每间隔1秒，一次TCP Keep-Alive）。

网上找了一个图，描述了ReadTimeout的计算范围。但是不太可能啊，这个过程不太可能会超过2s。

然后无意间看到这段段代码，原来go http server在没有设置IdleTimeout的情况下，会使用ReadTimeout作为IdleTimeout。

// net/conn/server.go
func (s *Server) idleTimeout() time.Duration {
   if s.IdleTimeout != 0 {
      return s.IdleTimeout
   }
   return s.ReadTimeout
}

终于，我，停.止.了.脱.发。。。

总结

问题总结

• 502现象是因为服务端主动关闭了链接，（正常情况下应该由客户端主动断开链接）
• 服务端主动断开链接，是因为设置了ReadTimeout，而net包把这个参数当成了IdleTimeout
• 一个链接在IdleTimeout时间内，就会一直Keep-Alive，超过这个时间，就会主动断开链接。另外一端如果没有没有及时释放，就会有问题。

改进代码

• 单独设置IdleTimeout，ingress设置的时间是300s，服务端设置IdleTimeout超过300s就行了。
• 个人建议可以不用特别指定ReadTimeout、WriteTimeout和IdleTimeout的这些参数，默认值就是不限，然后让ingress来完全掌握链接的建立和关闭。安全问题，也是由ingress来控制

这次问题发现了自己很多认知错误

• 认知问题一：502现象多数是客户端和服务端设置的超时时间不一致导致的

认知不准确，超时时间是指什么？read超时？write超时？ 其实链接的问题，主要是idle链接的问题。再直白点，就是idle链接的超时时间设置（对应nginx就是keepalive_timeout参数，对应go http就是idleTimeout参数）。此外服务端的WriteTimeout也会有影响。

• 认知问题二：链接断开一般都是客户端发起断开链接请求

一般情况下是这样，但是服务端也是可以主动断开链接的，重新学了下TCP4次挥手过程，有了深刻认识。

• 认知问题三：Http想要长链接需要再header里面加个connection： keep-alive

认知不准确，再http 1.0里面是需要显示的增加这个header头，但是在http 1.1里面这个header是默认值，可以不用加。

另外Connection: close这个header头在http 1.0里面是默认值（默认是短链接），在http 1.1里面需要手动增加该header头（通常用于服务端发布过程中，老服务响应时让客户端断开链接，然后和新服务建立连接）。

https://developer.mozilla.org/zh-CN/docs/Web/HTTP/Headers/Connection

如果再有502的问题，应该如何快速定位？

• 客户端和服务端的idleTimeout参数的设置是否匹配，原则是：客户端的idletimeout要比服务端设置的小。
• 直接看服务端的writeTimeout设置是否合理。

事后发现了一篇文章总结的非常到位，推荐所有人都看下。