线上故障，这次是kube-proxy的锅

# 现象 k8s环境，假设调用链路是A调用B。 - A调用B报超时错误 - 服务B接口监控发现延迟正常（就好像A并没有调用B一样） - B是`php`服务，阶段性出现`php_network_getaddresses: getaddrinfo failed`报错 # 分析 ## DNS问题？ 先从这个报错查起`php_network_getaddresses: getaddrinfo failed` 搜索这个错误，谷歌、百度会告诉你`dns`解析的问题，解析失败会报这个错。  但实际上，我们不论在`pod`里面还是在`node`机器上`ping`对应访问的域名，都是可以成功解析的。 排查陷入尴尬的境地，**感觉是网络问题**，为什么呢？ - 上游请求下游，大量超时，但是下游却响应正常，感觉因为网络有问题，请求没有到达下游，或者下游返回的时候上游没有收到。 - `getaddrinfo failed`表示有时候`dns`解析有问题，但是能排除`dns`本身的问题，可能还是网络的问题，但是请求或者响应有问题。 ## 网络问题？ 网络问题可能是哪些问题呢？ - 带宽满了？ - 不是，检查过`node`的带宽，虽然带宽占用挺高的，但是远没有达到上限  - `LB`超载了？ - 不是，虽然问题期间链接数上升了不少，但是还是没有到达上限。目前主要问题是请求超时，因为请求不能快速结束，所以需要更多的链接，链接数上升也说得通。  ## 机器问题？ - CPU、内存、负载高了？ - 不是，指标正常  - 看看`node`主机有没有报错？ - `demsg`，看到有如下报错:`dropping packet`不就是丢包的意思么？  # 问题浮现 现在定位的问题是`conntrack table`满了，导致丢包。那`conntrack`是什么呢？ `conntrack`即[连接跟踪](https://arthurchiao.art/blog/conntrack-design-and-implementation-zh/)，大概意思是Linux为每一个经过网络堆栈的数据包，生成一个新的连接记录项 （Connection entry）。此后，所有属于此连接的数据包都被唯一地分配给这个连接，并标识连接的状态。 查看`conntrack`的上限和当前值，上线是52.4w，当前已经是`52.2w`，已经接近上限了。  执行命令`sysctl -w net.netfilter.nf_conntrack_max=2310720`，提高上限，此时问题收敛。 **问题复盘期间**，运维同学提到`net.netfilter.nf_conntrack_max`这个值在去年的时候已经调整到`231w`了，为啥现在又变回来了？ 考虑到`k8s`的`kube_proxy`组件和`conntrack`有绝对关系，然后谷歌了下，看到`kube-proxy`有几个相关的参数。  看了下我们`kube-proxy`的启动命令`/usr/local/bin/kube-proxy --config=/var/lib/kube-proxy/config.conf --hostname-override=cn-beijing-xxx`，配置文件是空的，也就是都是使用这些参数的默认值，`--conntrack-max-per-core`代表每个cpu核跟踪的最大NAT数量，默认值是`32768`。我们是`16核`的机器，16*32768=`524288，524288`和系统中的`net.netfilter.nf_conntrack_max`值是一致的。 **net.netfilter.nf_conntrack_max为啥变化了呢** 运维同学很确定这个参数值在去年就修改过，这个事情我也有印象。继续谷歌，看到了这边文章[《kube-proxy conntracker设置》](https://blog.csdn.net/weixin_39961559/article/details/81637023)，大概意思是，`kube-proxy`的启动参数中如果没有设置--conntrack-max参数，则对比--`conntrack-min`和--conntrack-max-per-core的值与`cpu`核数的大小取其大者返回`max`值，默认值是`32768 * CPU` 核数，**最后调用SetMax设置conntrack-max的值**。 所以是`kube-proxy`重启的时候修改了系统的`net.netfilter.nf_conntrack_max`值。这是一个坑，不踩真的不知道。 再回想，昨天运维确实升级重启过`kube-proxy`.... # 总结 - 上游请求下游，上游超时，下游响应正常，大概率是网络的问题。 - 网络的问题，是`node`主机conntrack达到上限，导致丢包，丢包导致微服务请求超时。 - `net.netfilter.nf_conntrack_max`这个参数在kube-proxy启动的时候会重新设置，所以要设置好kube-proxy启动参数。 - 再看到`php_network_getaddresses: getaddrinfo failed`报错，排除`dns`本省的问题，很可能就是网络丢包导致的 - 阿里云已经有相关监控和告警了