背景
原本穩定的環境也因爲請求量的上漲帶來了很多不穩定的因素，其中一直困擾我們的就是網卡丟包問題。起初線上存在部分Redis節點還在使用千兆網卡的老舊服務器，而緩存服務往往需要承載極高的查詢量，並要求毫秒級的響應速度，如此一來千兆網卡很快就出現了瓶頸。經過整治，我們將千兆網卡服務器替換爲了萬兆網卡服務器，本以爲可以高枕無憂，但是沒想到，在業務高峯時段，機器也竟然出現了丟包問題，而此時網卡帶寬使用還遠遠沒有達到瓶頸。
定位網絡丟包的原因
從異常指標入手
首先，我們在系統監控的net.if.in.dropped指標中，看到有大量數據丟包異常，那麼第一步就是要了解這個指標代表什麼。
image
這個指標的數據源，是讀取/proc/net/dev中的數據，監控Agent做簡單的處理之後上報。以下爲/proc/net/dev的一個示例，可以看到第一行Receive代表in，Transmit代表out，第二行即各個表頭字段，再往後每一行代表一個網卡設備具體的值。
image
其中各個字段意義如下：
| 字段 | 解釋 |
|---|---|
| bytes | The total number of bytes of data transmitted or received by the interface. |
| packets | The total number of packets of data transmitted or received by the interface. |
| errs | The total number of transmit or receive errors detected by the device driver. |
| drop | The total number of packets dropped by the device driver. |
| fifo | The number of FIFO buffer errors. |
| frame | The number of packet framing errors. |
| colls | The number of collisions detected on the interface. |
| compressed | The number of compressed packets transmitted or received by the device driver. (This appears to be unused in the 2.2.15 kernel.) |
| carrier | The number of carrier losses detected by the device driver. |
| multicast | The number of multicast frames transmitted or received by the device driver. |
通過上述字段解釋，我們可以瞭解丟包發生在網卡設備驅動層面；但是想要了解真正的原因，需要繼續深入源碼。
/proc/net/dev的數據來源，根據源碼文件net/core/net-procfs.c，可以知道上述指標是通過其中的dev_seq_show()函數和dev_seq_printf_stats()函數輸出的：
static int dev_seq_show(struct seq_file *seq, void *v)
{ if (v == SEQ_START_TOKEN) /* 輸出/proc/net/dev表頭部分 */
seq_puts(seq, "Inter-| Receive "
" | Transmit\n"
" face |bytes packets errs drop fifo frame "
"compressed multicast|bytes packets errs "
"drop fifo colls carrier compressed\n"); else
/* 輸出/proc/net/dev數據部分 */
dev_seq_printf_stats(seq, v); return 0;
}static void dev_seq_printf_stats(struct seq_file *seq, struct net_device *dev)
{
struct rtnl_link_stats64 temp; /* 數據源從下面的函數中取得 */
const struct rtnl_link_stats64 *stats = dev_get_stats(dev, &temp); /* /proc/net/dev 各個字段的數據算法 */
seq_printf(seq, "%6s: %7llu %7llu %4llu %4llu %4llu %5llu %10llu %9llu "
"%8llu %7llu %4llu %4llu %4llu %5llu %7llu %10llu\n",
dev->name, stats->rx_bytes, stats->rx_packets,
stats->rx_errors,
stats->rx_dropped + stats->rx_missed_errors,
stats->rx_fifo_errors,
stats->rx_length_errors + stats->rx_over_errors +
stats->rx_crc_errors + stats->rx_frame_errors,
stats->rx_compressed, stats->multicast,
stats->tx_bytes, stats->tx_packets,
stats->tx_errors, stats->tx_dropped,
stats->tx_fifo_errors, stats->collisions,
stats->tx_carrier_errors +
stats->tx_aborted_errors +
stats->tx_window_errors +
stats->tx_heartbeat_errors,
stats->tx_compressed);
}dev_seq_printf_stats()函數裏，對應drop輸出的部分，能看到由兩塊組成：stats->rx_dropped+stats->rx_missed_errors。
繼續查找dev_get_stats函數可知，rx_dropped和rx_missed_errors都是從設備獲取的，並且需要設備驅動實現。
/**
* dev_get_stats - get network device statistics
* @dev: device to get statistics from
* @storage: place to store stats
*
* Get network statistics from device. Return @storage.
* The device driver may provide its own method by setting
* dev->netdev_ops->get_stats64 or dev->netdev_ops->get_stats;
* otherwise the internal statistics structure is used.
*/struct rtnl_link_stats64 *dev_get_stats(struct net_device *dev,
struct rtnl_link_stats64 *storage)
{ const struct net_device_ops *ops = dev->netdev_ops; if (ops->ndo_get_stats64) {
memset(storage, 0, sizeof(*storage));
ops->ndo_get_stats64(dev, storage);
} else if (ops->ndo_get_stats) {
netdev_stats_to_stats64(storage, ops->ndo_get_stats(dev));
} else {
netdev_stats_to_stats64(storage, &dev->stats);
}
storage->rx_dropped += (unsigned long)atomic_long_read(&dev->rx_dropped);
storage->tx_dropped += (unsigned long)atomic_long_read(&dev->tx_dropped);
storage->rx_nohandler += (unsigned long)atomic_long_read(&dev->rx_nohandler); return storage;
}結構體 rtnl_link_stats64 的定義在 /usr/include/linux/if_link.h 中：
/* The main device statistics structure */struct rtnl_link_stats64 {
__u64 rx_packets; /* total packets received */
__u64 tx_packets; /* total packets transmitted */
__u64 rx_bytes; /* total bytes received */
__u64 tx_bytes; /* total bytes transmitted */
__u64 rx_errors; /* bad packets received */
__u64 tx_errors; /* packet transmit problems */
__u64 rx_dropped; /* no space in linux buffers */
__u64 tx_dropped; /* no space available in linux */
__u64 multicast; /* multicast packets received */
__u64 collisions; /* detailed rx_errors: */
__u64 rx_length_errors;
__u64 rx_over_errors; /* receiver ring buff overflow */
__u64 rx_crc_errors; /* recved pkt with crc error */
__u64 rx_frame_errors; /* recv'd frame alignment error */
__u64 rx_fifo_errors; /* recv'r fifo overrun */
__u64 rx_missed_errors; /* receiver missed packet */
/* detailed tx_errors */
__u64 tx_aborted_errors;
__u64 tx_carrier_errors;
__u64 tx_fifo_errors;
__u64 tx_heartbeat_errors;
__u64 tx_window_errors; /* for cslip etc */
__u64 rx_compressed;
__u64 tx_compressed;
};至此，我們知道rx_dropped是Linux中的緩衝區空間不足導致的丟包，而rx_missed_errors則在註釋中寫的比較籠統。有資料指出，rx_missed_errors是fifo隊列（即rx ring buffer）滿而丟棄的數量，但這樣的話也就和rx_fifo_errors等同了。後來公司內網絡內核研發大牛王偉給了我們點撥：不同網卡自己實現不一樣，比如Intel的igb網卡rx_fifo_errors在missed的基礎上，還加上了RQDPC計數，而ixgbe就沒這個統計。RQDPC計數是描述符不夠的計數，missed是fifo滿的計數。所以對於ixgbe來說，rx_fifo_errors和rx_missed_errors確實是等同的。
通過命令ethtool -S eth0可以查看網卡一些統計信息，其中就包含了上文提到的幾個重要指標rx_dropped、rx_missed_errors、rx_fifo_errors等。但實際測試後，我發現不同網卡型號給出的指標略有不同，比如Intel ixgbe就能取到，而Broadcom bnx2/tg3則只能取到rx_discards（對應rx_fifo_errors）、rx_fw_discards（對應rx_dropped）。這表明，各家網卡廠商設備內部對這些丟包的計數器、指標的定義略有不同，但通過驅動向內核提供的統計數據都封裝成了struct rtnl_link_stats64定義的格式。
在對丟包服務器進行檢查後，發現rx_missed_errors爲0，丟包全部來自rx_dropped。說明丟包發生在Linux內核的緩衝區中。接下來，我們要繼續探索到底是什麼緩衝區引起了丟包問題，這就需要完整地瞭解服務器接收數據包的過程。
瞭解接收數據包的流程
接收數據包是一個複雜的過程，涉及很多底層的技術細節，但大致需要以下幾個步驟：
網卡收到數據包。
將數據包從網卡硬件緩存轉移到服務器內存中。
通知內核處理。
經過TCP/IP協議逐層處理。
應用程序通過
read()從socket buffer讀取數據。
image
將網卡收到的數據包轉移到主機內存（NIC與驅動交互）
NIC在接收到數據包之後，首先需要將數據同步到內核中，這中間的橋樑是rx ring buffer。它是由NIC和驅動程序共享的一片區域，事實上，rx ring buffer存儲的並不是實際的packet數據，而是一個描述符，這個描述符指向了它真正的存儲地址，具體流程如下：
驅動在內存中分配一片緩衝區用來接收數據包，叫做
sk_buffer；將上述緩衝區的地址和大小（即接收描述符），加入到
rx ring buffer。描述符中的緩衝區地址是DMA使用的物理地址；驅動通知網卡有一個新的描述符；
網卡從
rx ring buffer中取出描述符，從而獲知緩衝區的地址和大小；網卡收到新的數據包；
網卡將新數據包通過DMA直接寫到
sk_buffer中。
image
當驅動處理速度跟不上網卡收包速度時，驅動來不及分配緩衝區，NIC接收到的數據包無法及時寫到sk_buffer，就會產生堆積，當NIC內部緩衝區寫滿後，就會丟棄部分數據，引起丟包。這部分丟包爲rx_fifo_errors，在/proc/net/dev中體現爲fifo字段增長，在ifconfig中體現爲overruns指標增長。
通知系統內核處理（驅動與Linux內核交互）
這個時候，數據包已經被轉移到了sk_buffer中。前文提到，這是驅動程序在內存中分配的一片緩衝區，並且是通過DMA寫入的，這種方式不依賴CPU直接將數據寫到了內存中，意味着對內核來說，其實並不知道已經有新數據到了內存中。那麼如何讓內核知道有新數據進來了呢？答案就是中斷，通過中斷告訴內核有新數據進來了，並需要進行後續處理。
提到中斷，就涉及到硬中斷和軟中斷，首先需要簡單瞭解一下它們的區別：
硬中斷： 由硬件自己生成，具有隨機性，硬中斷被CPU接收後，觸發執行中斷處理程序。中斷處理程序只會處理關鍵性的、短時間內可以處理完的工作，剩餘耗時較長工作，會放到中斷之後，由軟中斷來完成。硬中斷也被稱爲上半部分。
軟中斷： 由硬中斷對應的中斷處理程序生成，往往是預先在代碼裏實現好的，不具有隨機性。（除此之外，也有應用程序觸發的軟中斷，與本文討論的網卡收包無關。）也被稱爲下半部分。
當NIC把數據包通過DMA複製到內核緩衝區sk_buffer後，NIC立即發起一個硬件中斷。CPU接收後，首先進入上半部分，網卡中斷對應的中斷處理程序是網卡驅動程序的一部分，之後由它發起軟中斷，進入下半部分，開始消費sk_buffer中的數據，交給內核協議棧處理。
image
通過中斷，能夠快速及時地響應網卡數據請求，但如果數據量大，那麼會產生大量中斷請求，CPU大部分時間都忙於處理中斷，效率很低。爲了解決這個問題，現在的內核及驅動都採用一種叫NAPI（new API）的方式進行數據處理，其原理可以簡單理解爲 中斷+輪詢，在數據量大時，一次中斷後通過輪詢接收一定數量包再返回，避免產生多次中斷。
整個中斷過程的源碼部分比較複雜，並且不同驅動的廠商及版本也會存在一定的區別。 以下調用關係基於Linux-3.10.108及內核自帶驅動drivers/net/ethernet/intel/ixgbe：
image
注意到，enqueue_to_backlog函數中，會對CPU的softnet_data實例中的接收隊列（input_pkt_queue）進行判斷，如果隊列中的數據長度超過netdev_max_backlog ，那麼數據包將直接丟棄，這就產生了丟包。netdev_max_backlog是由系統參數net.core.netdev_max_backlog指定的，默認大小是 1000。
/*
* enqueue_to_backlog is called to queue an skb to a per CPU backlog
* queue (may be a remote CPU queue).
*/static int enqueue_to_backlog(struct sk_buff *skb, int cpu, unsigned int *qtail){ struct softnet_data *sd;
unsigned long flags;
sd = &per_cpu(softnet_data, cpu);
local_irq_save(flags);
rps_lock(sd); /* 判斷接收隊列是否滿，隊列長度爲 netdev_max_backlog */
if (skb_queue_len(&sd->input_pkt_queue) <= netdev_max_backlog) { if (skb_queue_len(&sd->input_pkt_queue)) {
enqueue: /* 隊列如果不會空，將數據包添加到隊列尾 */
__skb_queue_tail(&sd->input_pkt_queue, skb);
input_queue_tail_incr_save(sd, qtail);
rps_unlock(sd);
local_irq_restore(flags); return NET_RX_SUCCESS;
}
/* Schedule NAPI for backlog device
* We can use non atomic operation since we own the queue lock
*/
/* 隊列如果爲空，回到 ____napi_schedule加入poll_list輪詢部分，並重新發起軟中斷 */
if (!__test_and_set_bit(NAPI_STATE_SCHED, &sd->backlog.state)) { if (!rps_ipi_queued(sd))
____napi_schedule(sd, &sd->backlog);
}
goto enqueue;
} /* 隊列滿則直接丟棄，對應計數器 +1 */
sd->dropped++;
rps_unlock(sd);
local_irq_restore(flags);
atomic_long_inc(&skb->dev->rx_dropped);
kfree_skb(skb); return NET_RX_DROP;
}內核會爲每個CPU Core都實例化一個softnet_data對象，這個對象中的input_pkt_queue用於管理接收的數據包。假如所有的中斷都由一個CPU Core來處理的話，那麼所有數據包只能經由這個CPU的input_pkt_queue，如果接收的數據包數量非常大，超過中斷處理速度，那麼input_pkt_queue中的數據包就會堆積，直至超過netdev_max_backlog，引起丟包。這部分丟包可以在cat /proc/net/softnet_stat的輸出結果中進行確認：
其中每行代表一個CPU，第一列是中斷處理程序接收的幀數，第二列是由於超過 netdev_max_backlog而丟棄的幀數。 第三列則是在net_rx_action函數中處理數據包超過netdev_budge指定數量或運行時間超過2個時間片的次數。在檢查線上服務器之後，發現第一行CPU。硬中斷的中斷號及統計數據可以在/proc/interrupts中看到，對於多隊列網卡，當系統啓動並加載NIC設備驅動程序模塊時，每個RXTX隊列會被初始化分配一個唯一的中斷向量號，它通知中斷處理程序該中斷來自哪個NIC隊列。在默認情況下，所有隊列的硬中斷都由CPU 0處理，因此對應的軟中斷邏輯也會在CPU 0上處理，在服務器 TOP 的輸出中，也可以觀察到 %si 軟中斷部分，CPU 0的佔比比其他core高出一截。
到這裏其實有存在一個疑惑，我們線上服務器的內核版本及網卡都支持NAPI，而NAPI的處理邏輯是不會走到enqueue_to_backlog中的，enqueue_to_backlog主要是非NAPI的處理流程中使用的。對此，我們覺得可能和當前使用的Docker架構有關，事實上，我們通過net.if.dropped指標獲取到的丟包，都發生在Docker虛擬網卡上，而非宿主機物理網卡上，因此很可能是Docker虛擬網橋轉發數據包之後，虛擬網卡層面產生的丟包，這裏由於涉及虛擬化部分，就不進一步分析了。
驅動及內核處理過程中的幾個重要函數：
(1)註冊中斷號及中斷處理程序，根據網卡是否支持MSI/MSIX，結果爲：MSIX → ixgbe_msix_clean_rings，MSI → ixgbe_intr，都不支持 → ixgbe_intr。
/**
* 文件：ixgbe_main.c
* ixgbe_request_irq - initialize interrupts
* @adapter: board private structure
*
* Attempts to configure interrupts using the best available
* capabilities of the hardware and kernel.
**/static int ixgbe_request_irq(struct ixgbe_adapter *adapter)
{
struct net_device *netdev = adapter->netdev;
int err; /* 支持MSIX，調用 ixgbe_request_msix_irqs 設置中斷處理程序*/
if (adapter->flags & IXGBE_FLAG_MSIX_ENABLED)
err = ixgbe_request_msix_irqs(adapter); /* 支持MSI，直接設置 ixgbe_intr 爲中斷處理程序 */
else if (adapter->flags & IXGBE_FLAG_MSI_ENABLED)
err = request_irq(adapter->pdev->irq, &ixgbe_intr, 0,
netdev->name, adapter); /* 都不支持的情況，直接設置 ixgbe_intr 爲中斷處理程序 */
else
err = request_irq(adapter->pdev->irq, &ixgbe_intr, IRQF_SHARED,
netdev->name, adapter); if (err)
e_err(probe, "request_irq failed, Error %d\n", err); return err;
}/**
* 文件：ixgbe_main.c
* ixgbe_request_msix_irqs - Initialize MSI-X interrupts
* @adapter: board private structure
*
* ixgbe_request_msix_irqs allocates MSI-X vectors and requests
* interrupts from the kernel.
**/static int (struct ixgbe_adapter *adapter)
{
… for (vector = 0; vector < adapter->num_q_vectors; vector++) {
struct ixgbe_q_vector *q_vector = adapter->q_vector[vector];
struct msix_entry *entry = &adapter->msix_entries[vector]; /* 設置中斷處理入口函數爲 ixgbe_msix_clean_rings */
err = request_irq(entry->vector, &ixgbe_msix_clean_rings, 0,
q_vector->name, q_vector); if (err) {
e_err(probe, "request_irq failed for MSIX interrupt '%s' "
"Error: %d\n", q_vector->name, err); goto free_queue_irqs;
}
…
}
}(2)線上的多隊列網卡均支持MSIX，中斷處理程序入口爲ixgbe_msix_clean_rings，裏面調用了函數napi_schedule(&q_vector->napi)。
/**
* 文件：ixgbe_main.c
**/static irqreturn_t ixgbe_msix_clean_rings(int irq, void *data){ struct ixgbe_q_vector *q_vector = data;
/* EIAM disabled interrupts (on this vector) for us */
if (q_vector->rx.ring || q_vector->tx.ring)
napi_schedule(&q_vector->napi); return IRQ_HANDLED;
}(3)之後經過一些列調用，直到發起名爲NET_RX_SOFTIRQ的軟中斷。到這裏完成了硬中斷部分，進入軟中斷部分，同時也上升到了內核層面。
/**
* 文件：include/linux/netdevice.h
* napi_schedule - schedule NAPI poll
* @n: NAPI context
*
* Schedule NAPI poll routine to be called if it is not already
* running.
*/static inline void napi_schedule(struct napi_struct *n)
{ if (napi_schedule_prep(n)) /* 注意下面調用的這個函數名字前是兩個下劃線 */
__napi_schedule(n);
}/**
* 文件：net/core/dev.c
* __napi_schedule - schedule for receive
* @n: entry to schedule
*
* The entry's receive function will be scheduled to run.
* Consider using __napi_schedule_irqoff() if hard irqs are masked.
*/void __napi_schedule(struct napi_struct *n)
{ unsigned long flags; /* local_irq_save用來保存中斷狀態，並禁止中斷 */
local_irq_save(flags); /* 注意下面調用的這個函數名字前是四個下劃線，傳入的 softnet_data 是當前CPU */
____napi_schedule(this_cpu_ptr(&softnet_data), n);
local_irq_restore(flags);
}/* Called with irq disabled */static inline void ____napi_schedule(struct softnet_data *sd, struct napi_struct *napi)
{ /* 將 napi_struct 加入 softnet_data 的 poll_list */
list_add_tail(&napi->poll_list, &sd->poll_list); /* 發起軟中斷 NET_RX_SOFTIRQ */
__raise_softirq_irqoff(NET_RX_SOFTIRQ);
}(4)NET_RX_SOFTIRQ對應的軟中斷處理程序接口是net_rx_action()。
/*
* 文件：net/core/dev.c
* Initialize the DEV module. At boot time this walks the device list and
* unhooks any devices that fail to initialise (normally hardware not
* present) and leaves us with a valid list of present and active devices.
*
*//*
* This is called single threaded during boot, so no need
* to take the rtnl semaphore.
*/static int __init net_dev_init(void){
… /* 分別註冊TX和RX軟中斷的處理程序 */
open_softirq(NET_TX_SOFTIRQ, net_tx_action);
open_softirq(NET_RX_SOFTIRQ, net_rx_action);
…
}(5)net_rx_action功能就是輪詢調用poll方法，這裏就是ixgbe_poll。一次輪詢的數據包數量不能超過內核參數net.core.netdev_budget指定的數量（默認值300），並且輪詢時間不能超過2個時間片。這個機制保證了單次軟中斷處理不會耗時太久影響被中斷的程序。
/* 文件：net/core/dev.c */static void net_rx_action(struct softirq_action *h){ struct softnet_data *sd = &__get_cpu_var(softnet_data);
unsigned long time_limit = jiffies + 2; int budget = netdev_budget; void *have;
local_irq_disable(); while (!list_empty(&sd->poll_list)) { struct napi_struct *n;
int work, weight; /* If softirq window is exhuasted then punt.
* Allow this to run for 2 jiffies since which will allow
* an average latency of 1.5/HZ.
*/
/* 判斷處理包數是否超過 netdev_budget 及時間是否超過2個時間片 */
if (unlikely(budget <= 0 || time_after_eq(jiffies, time_limit))) goto softnet_break;
local_irq_enable(); /* Even though interrupts have been re-enabled, this
* access is safe because interrupts can only add new
* entries to the tail of this list, and only ->poll()
* calls can remove this head entry from the list.
*/
n = list_first_entry(&sd->poll_list, struct napi_struct, poll_list);
have = netpoll_poll_lock(n);
weight = n->weight; /* This NAPI_STATE_SCHED test is for avoiding a race
* with netpoll's poll_napi(). Only the entity which
* obtains the lock and sees NAPI_STATE_SCHED set will
* actually make the ->poll() call. Therefore we avoid
* accidentally calling ->poll() when NAPI is not scheduled.
*/
work = 0; if (test_bit(NAPI_STATE_SCHED, &n->state)) {
work = n->poll(n, weight);
trace_napi_poll(n);
}
……
}
}(6)ixgbe_poll之後的一系列調用就不一一詳述了，有興趣的同學可以自行研究，軟中斷部分有幾個地方會有類似if (static_key_false(&rps_needed))這樣的判斷，會進入前文所述有丟包風險的enqueue_to_backlog函數。 這裏的邏輯爲判斷是否啓用了RPS機制，RPS是早期單隊列網卡上將軟中斷負載均衡到多個CPU Core的技術，它對數據流進行hash並分配到對應的CPU Core上，發揮多核的性能。不過現在基本都是多隊列網卡，不會開啓這個機制，因此走不到這裏，static_key_false是針對默認爲false的static key的優化判斷方式。這段調用的最後，deliver_skb會將接收的數據傳入一個IP層的數據結構中，至此完成二層的全部處理。
/**
* netif_receive_skb - process receive buffer from network
* @skb: buffer to process
*
* netif_receive_skb() is the main receive data processing function.
* It always succeeds. The buffer may be dropped during processing
* for congestion control or by the protocol layers.
*
* This function may only be called from softirq context and interrupts
* should be enabled.
*
* Return values (usually ignored):
* NET_RX_SUCCESS: no congestion
* NET_RX_DROP: packet was dropped
*/int netif_receive_skb(struct sk_buff *skb){ int ret;
net_timestamp_check(netdev_tstamp_prequeue, skb); if (skb_defer_rx_timestamp(skb)) return NET_RX_SUCCESS;
rcu_read_lock();#ifdef CONFIG_RPS
/* 判斷是否啓用RPS機制 */
if (static_key_false(&rps_needed)) { struct rps_dev_flow voidflow, *rflow = &voidflow;
/* 獲取對應的CPU Core */
int cpu = get_rps_cpu(skb->dev, skb, &rflow); if (cpu >= 0) {
ret = enqueue_to_backlog(skb, cpu, &rflow->last_qtail);
rcu_read_unlock(); return ret;
}
}#endif
ret = __netif_receive_skb(skb);
rcu_read_unlock(); return ret;
}TCP/IP協議棧逐層處理，最終交給用戶空間讀取
數據包進到IP層之後，經過IP層、TCP層處理（校驗、解析上層協議，發送給上層協議），放入socket buffer，在應用程序執行read() 系統調用時，就能從socket buffer中將新數據從內核區拷貝到用戶區，完成讀取。
這裏的socket buffer大小即TCP接收窗口，TCP由於具備流量控制功能，能動態調整接收窗口大小，因此數據傳輸階段不會出現由於socket buffer接收隊列空間不足而丟包的情況（但UDP及TCP握手階段仍會有）。涉及TCP/IP協議的部分不是此次丟包問題的研究重點，因此這裏不再贅述。
網卡隊列
查看網卡型號
# lspci -vvv | grep Eth01:00.0 Ethernet controller: Intel Corporation Ethernet Controller 10-Gigabit X540-AT2 (rev 03) Subsystem: Dell Ethernet 10G 4P X540/I350 rNDC 01:00.1 Ethernet controller: Intel Corporation Ethernet Controller 10-Gigabit X540-AT2 (rev 03) Subsystem: Dell Ethernet 10G 4P X540/I350 rNDC# lspci -vvv07:00.0 Ethernet controller: Intel Corporation I350 Gigabit Network Connection (rev 01) Subsystem: Dell Gigabit 4P X540/I350 rNDC Control: I/O- Mem+ BusMaster+ SpecCycle- MemWINV- VGASnoop- ParErr- Stepping- SERR- FastB2B- DisINTx+ Status: Cap+ 66MHz- UDF- FastB2B- ParErr- DEVSEL=fast >TAbort- <TAbort- <MAbort- >SERR- <PERR- INTx- Latency: 0, Cache Line Size: 128 bytes Interrupt: pin D routed to IRQ 19 Region 0: Memory at 92380000 (32-bit, non-prefetchable) [size=512K] Region 3: Memory at 92404000 (32-bit, non-prefetchable) [size=16K] Expansion ROM at 92a00000 [disabled] [size=512K] Capabilities: [40] Power Management version 3 Flags: PMEClk- DSI+ D1- D2- AuxCurrent=0mA PME(D0+,D1-,D2-,D3hot+,D3cold+) Status: D0 NoSoftRst+ PME-Enable- DSel=0 DScale=1 PME- Capabilities: [50] MSI: Enable- Count=1/1 Maskable+ 64bit+ Address: 0000000000000000 Data: 0000 Masking: 00000000 Pending: 00000000 Capabilities: [70] MSI-X: Enable+ Count=10 Masked- Vector table: BAR=3 offset=00000000 PBA: BAR=3 offset=00002000
可以看出，網卡的中斷機制是MSI-X，即網卡的每個隊列都可以分配中斷（MSI-X支持2048箇中斷）。
網卡隊列
... #define IXGBE_MAX_MSIX_VECTORS_82599 0x40... u16 ixgbe_get_pcie_msix_count_generic(struct ixgbe_hw *hw)
{
u16 msix_count;
u16 max_msix_count;
u16 pcie_offset; switch (hw->mac.type) { case ixgbe_mac_82598EB:
pcie_offset = IXGBE_PCIE_MSIX_82598_CAPS;
max_msix_count = IXGBE_MAX_MSIX_VECTORS_82598; break; case ixgbe_mac_82599EB: case ixgbe_mac_X540: case ixgbe_mac_X550: case ixgbe_mac_X550EM_x: case ixgbe_mac_x550em_a:
pcie_offset = IXGBE_PCIE_MSIX_82599_CAPS;
max_msix_count = IXGBE_MAX_MSIX_VECTORS_82599; break; default: return 1;
}
...根據網卡型號確定驅動中定義的網卡隊列，可以看到X540網卡驅動中定義最大支持的IRQ Vector爲0x40(數值:64)。
static int ixgbe_acquire_msix_vectors(struct ixgbe_adapter *adapter)
{ struct ixgbe_hw *hw = &adapter->hw;
int i, vectors, vector_threshold; /* We start by asking for one vector per queue pair with XDP queues
* being stacked with TX queues.
*/
vectors = max(adapter->num_rx_queues, adapter->num_tx_queues);
vectors = max(vectors, adapter->num_xdp_queues); /* It is easy to be greedy for MSI-X vectors. However, it really
* doesn't do much good if we have a lot more vectors than CPUs. We'll
* be somewhat conservative and only ask for (roughly) the same number
* of vectors as there are CPUs.
*/
vectors = min_t(int, vectors, num_online_cpus());通過加載網卡驅動，獲取網卡型號和網卡硬件的隊列數；但是在初始化misx vector的時候，還會結合系統在線CPU的數量，通過Sum = Min(網卡隊列，CPU Core) 來激活相應的網卡隊列數量，並申請Sum箇中斷號。
如果CPU數量小於64，會生成CPU數量的隊列，也就是每個CPU會產生一個external IRQ。
我們線上的CPU一般是48個邏輯core，就會生成48箇中斷號，由於我們是兩塊網卡做了bond，也就會生成96箇中斷號。
驗證與復現網絡丟包
我們在測試環境做了測試，發現測試環境的中斷確實有集中在CPU 0的情況，下面使用systemtap診斷測試環境軟中斷分佈的方法:
global hard, soft, wq
probe irq_handler.entry {
hard[irq, dev_name]++;
}
probe timer.s(1) {
println("==irq number:dev_name")
foreach( [irq, dev_name] in hard- limit 5) {printf("%d,%s->%d\n", irq, kernel_string(dev_name), hard[irq, dev_name]);
}
println("==softirq cpu:h:vec:action")
foreach( [c,h,vec,action] in soft- limit 5) {printf("%d:%x:%x:%s->%d\n", c, h, vec, symdata(action), soft[c,h,vec,action]);
}
println("==workqueue wq_thread:work_func")
foreach( [wq_thread,work_func] in wq- limit 5) {printf("%x:%x->%d\n", wq_thread, work_func, wq[wq_thread, work_func]);
}
println("\n")
delete hard
delete soft
delete wq
}
probe softirq.entry {
soft[cpu(), h,vec,action]++;
}
probe workqueue.execute {
wq[wq_thread, work_func]++
}
probe begin {
println("~")
}下面執行i.stap的結果:
==irq number:dev_name87,eth0-0->169390,eth0-3->126395,eth1-3->74692,eth1-0->70389,eth0-2->654==softirq cpu:h:vec:action0:ffffffff81a83098:ffffffff81a83080:0xffffffff81461a00->89280:ffffffff81a83088:ffffffff81a83080:0xffffffff81084940->6260:ffffffff81a830c8:ffffffff81a83080:0xffffffff810ecd70->61416:ffffffff81a83088:ffffffff81a83080:0xffffffff81084940->22516:ffffffff81a830c8:ffffffff81a83080:0xffffffff810ecd70->224==workqueue wq_thread:work_funcffff88083062aae0:ffffffffa01c53d0->10ffff88083062aae0:ffffffffa01ca8f0->10ffff88083420a080:ffffffff81142160->2ffff8808343fe040:ffffffff8127c9d0->2ffff880834282ae0:ffffffff8133bd20->1
下面是action對應的符號信息：
addr2line -e /usr/lib/debug/lib/modules/2.6.32-431.20.3.el6.mt20161028.x86_64/vmlinux ffffffff81461a00 /usr/src/debug/kernel-2.6.32-431.20.3.el6/linux-2.6.32-431.20.3.el6.mt20161028.x86_64/net/core/dev.c:4013
打開這個文件，我們發現它是在執行static void net_rx_action(struct softirq_action *h)這個函數，而這個函數正是前文提到的，NET_RX_SOFTIRQ對應的軟中斷處理程序。因此可以確認網卡的軟中斷在機器上分佈非常不均，而且主要集中在CPU 0上。通過/proc/interrupts能確認硬中斷集中在CPU 0上，因此軟中斷也都由CPU 0處理，如何優化網卡的中斷成爲了我們關注的重點。
優化策略
CPU親緣性
前文提到，丟包是因爲隊列中的數據包超過了netdev_max_backlog造成了丟棄，因此首先想到是臨時調大netdev_max_backlog能否解決燃眉之急，事實證明，對於輕微丟包調大參數可以緩解丟包，但對於大量丟包則幾乎不怎麼管用，內核處理速度跟不上收包速度的問題還是客觀存在，本質還是因爲單核處理中斷有瓶頸，即使不丟包，服務響應速度也會變慢。因此如果能同時使用多個CPU Core來處理中斷，就能顯著提高中斷處理的效率，並且每個CPU都會實例化一個softnet_data對象，隊列數也增加了。
中斷親緣性設置
通過設置中斷親緣性，可以讓指定的中斷向量號更傾向於發送給指定的CPU Core來處理，俗稱“綁核”。命令grep eth /proc/interrupts的第一列可以獲取網卡的中斷號，如果是多隊列網卡，那麼就會有多行輸出：
image
中斷的親緣性設置可以在cat /proc/irq/${中斷號}/smp_affinity 或 cat /proc/irq/${中斷號}/smp_affinity_list中確認，前者是16進制掩碼形式，後者是以CPU Core序號形式。例如下圖中，將16進制的400轉換成2進制後，爲 10000000000，“1”在第10位上，表示親緣性是第10個CPU Core。
image
那爲什麼中斷號只設置一個CPU Core呢？而不是爲每一箇中斷號設置多個CPU Core平行處理。我們經過測試，發現當給中斷設置了多個CPU Core後，它也僅能由設置的第一個CPU Core來處理，其他的CPU Core並不會參與中斷處理，原因猜想是當CPU可以平行收包時，不同的核收取了同一個queue的數據包，但處理速度不一致，導致提交到IP層後的順序也不一致，這就會產生亂序的問題，由同一個核來處理可以避免了亂序問題。
但是，當我們配置了多個Core處理中斷後，發現Redis的慢查詢數量有明顯上升，甚至部分業務也受到了影響，慢查詢增多直接導致可用性降低，因此方案仍需進一步優化。
image
Redis進程親緣性設置
如果某個CPU Core正在處理Redis的調用，執行到一半時產生了中斷，那麼CPU不得不停止當前的工作轉而處理中斷請求，中斷期間Redis也無法轉交給其他core繼續運行，必須等處理完中斷後才能繼續運行。Redis本身定位就是高速緩存，線上的平均端到端響應時間小於1ms，如果頻繁被中斷，那麼響應時間必然受到極大影響。容易想到，由最初的CPU 0單核處理中斷，改進到多核處理中斷，Redis進程被中斷影響的機率增大了，因此我們需要對Redis進程也設置CPU親緣性，使其與處理中斷的Core互相錯開，避免受到影響。
使用命令taskset可以爲進程設置CPU親緣性，操作十分簡單，一句taskset -cp cpu-list pid即可完成綁定。經過一番壓測，我們發現使用8個core處理中斷時，流量直至打滿雙萬兆網卡也不會出現丟包，因此決定將中斷的親緣性設置爲物理機上前8個core，Redis進程的親緣性設置爲剩下的所有core。調整後，確實有明顯的效果，慢查詢數量大幅優化，但對比初始情況，仍然還是高了一些些，還有沒有優化空間呢？
image
通過觀察，我們發現一個有趣的現象，當只有CPU 0處理中斷時，Redis進程更傾向於運行在CPU 0，以及CPU 0同一物理CPU下的其他核上。於是有了以下推測：我們設置的中斷親緣性，是直接選取了前8個核心，但這8個core卻可能是來自兩塊物理CPU的，在/proc/cpuinfo中，通過字段processor和physical id 能確認這一點，那麼響應慢是否和物理CPU有關呢？物理CPU又和NUMA架構關聯，每個物理CPU對應一個NUMA node，那麼接下來就要從NUMA角度進行分析。
image
NUMA
SMP 架構
隨着單核CPU的頻率在製造工藝上的瓶頸，CPU製造商的發展方向也由縱向變爲橫向：從CPU頻率轉爲每瓦性能。CPU也就從單核頻率時代過渡到多核性能協調。
SMP(對稱多處理結構)：即CPU共享所有資源，例如總線、內存、IO等。
SMP 結構：一個物理CPU可以有多個物理Core，每個Core又可以有多個硬件線程。即：每個HT有一個獨立的L1 cache，同一個Core下的HT共享L2 cache，同一個物理CPU下的多個core共享L3 cache。
下圖(摘自內核月談)中，一個x86 CPU有4個物理Core，每個Core有兩個HT(Hyper Thread)。
image
NUMA 架構
在前面的FSB(前端系統總線)結構中，當CPU不斷增長的情況下，共享的系統總線就會因爲資源競爭(多核爭搶總線資源以訪問北橋上的內存)而出現擴展和性能問題。
在這樣的背景下，基於SMP架構上的優化，設計出了NUMA(Non-Uniform Memory Access)非均勻內存訪問。
內存控制器芯片被集成到處理器內部，多個處理器通過QPI鏈路相連，DRAM也就有了遠近之分。(如下圖所示：摘自CPU Cache)
CPU 多層Cache的性能差異是很巨大的，比如：L1的訪問時長1ns，L2的時長3ns…跨node的訪問會有幾十甚至上百倍的性能損耗。
image
NUMA 架構下的中斷優化
這時我們再回歸到中斷的問題上，當兩個NUMA節點處理中斷時，CPU實例化的softnet_data以及驅動分配的sk_buffer都可能是跨Node的，數據接收後對上層應用Redis來說，跨Node訪問的機率也大大提高，並且無法充分利用L2、L3 cache，增加了延時。
同時，由於Linux wake affinity特性，如果兩個進程頻繁互動，調度系統會覺得它們很有可能共享同樣的數據，把它們放到同一CPU核心或NUMA Node有助於提高緩存和內存的訪問性能，所以當一個進程喚醒另一個的時候，被喚醒的進程可能會被放到相同的CPU core或者相同的NUMA節點上。此特性對中斷喚醒進程時也起作用，在上一節所述的現象中，所有的網絡中斷都分配給CPU 0去處理，當中斷處理完成時，由於wakeup affinity特性的作用，所喚醒的用戶進程也被安排給CPU 0或其所在的numa節點上其他core。而當兩個NUMA node處理中斷時，這種調度特性有可能導致Redis進程在CPU core之間頻繁遷移，造成性能損失。
綜合上述，將中斷都分配在同一NUMA Node中，中斷處理函數和應用程序充分利用同NUMA下的L2、L3緩存、以及同Node下的內存，結合調度系統的wake affinity特性，能夠更進一步降低延遲。
