可观测性实战：快速定位 Redis 应用高时延问题

经验丰富的工程师都知道，在一个应用软件中，连接外部数据库的过程中，创建、获取、销毁连接是一个非常耗时的过程，如果极端情况下有几百毫秒的时延，软件整体性能就会大打折扣。所以我们一般会使用连接池来管理连接，使用连接池有以下几个优势：1. 提前创建连接，在应用真正需要连接数据库时无需耗费额外的建连时间，使高频操作节省了一大部分时间；2. 统一内存管理，如果每个开发人员都需要手动创建、手动销毁连接，如果某个地方出错，没有正确销毁连接，不仅会产生潜在的内存泄露风险、产生长连接也会消耗服务端可用的资源数量，应用服务长久运行之下会导致负荷越来越大，最终不得不重启应用，造成可用性降低。但使用连接池同时也会带来弊端：一个连接池组件通常会引入很多繁杂的配置，不合理的配置往往会造成性能隐患，并进而导致生产故障，而这样的问题也往往难以排查，在本文中，我们将从一个应用高时延问题入手，体验使用 DeepFlow 层层分析并定位根因，帮助团队找到隐患。

0x0: 背景介绍

某日，应用团队正在对一个基础服务做压测，但是性能表现不尽如人意，在没有用较大 QPS 压测的情况下时延仍然比较高，经过初步排查我们发现其中一个请求的客户端时延较高，但由于Redis 没法插桩，缺少了 Redis 服务端的响应时间做对比，难以判断问题点，于是我们打开 DeepFlow ，使用 DeepFlow 零侵扰、全栈的可观测体系来分析问题。

0x1: 使用全景图分析

先对应用做个简单了解：首先，我们打开服务列表，可以看到这个应用做了 OTel 插桩，从集群中得到的采集数据来自三个信号源：DeepFlow 采集的 Packet 数据、eBPF 数据、应用插桩的 OTel 数据。概览请求，发现在过去一段时间内，P99 达到500 多毫秒，这个服务部署在一个三节点 8C16G 配置的集群中，这样的性能表现不太理想。

服务列表

打开服务拓扑，先查看一下这个应用的流量走向。从客户端视角的业务拓扑，我们了解到这个业务包含三个服务，一个客户端（IP: 10.X.X.X）从集群外访问到集群内，拓扑如下：

业务拓扑-客户端视角

从服务端视角的业务拓扑，我们了解到这个业务还访问了 MySQL(ticket-mysql-757b796cf9-jdnrm)、Redis(redis-master-0) 服务作为外部存储，拓扑如下：

业务拓扑-服务端视角

其次，从服务拓扑的链路指标来看，我们发现访问 bar-svc 与 bar-svc 访问 Redis 两者的请求量有较大差异，每个业务请求都会对 Redis 产生大量请求，应用上或许是个设计不合理的地方，这可能是一个瓶颈点。从 Redis 服务的平均时延表现来看，瓶颈基本集中在 bar-svc 与 Redis 这段链路。

To-bar

To-Redis

把我们需要的信息简化后，应用拓扑和问题点整理为下图：

拓扑

0x2: 使用分布式追踪定界

从上面的信息初步了解之下，我们猜测瓶颈可能发生在访问 Redis 的这段链路上。先看一下 Redis 整体情况：打开 Redis Monitoring 面板，查看这段时间 Redis 服务的请求量及响应时延分布，我们发现，Redis 的请求量维持在 4k 上下，但平均时延只有 1~2ms：

Redis-请求量与时延分布

平均时延指标与我们之前看到的请求时延不一致，初步分析有可能是某些较高的时延被拉平了，说明这可能是在某些场景下才能触发，而不是所有请求都慢，才导致高时延占比不大。

我们继续下钻分析：查看调用链追踪，从火焰图中得到了更多的信息：有些请求的整体时延达到 800ms，光是 Redis 的请求也有将近 150ms，这可能就是我们想要找的慢请求，但 Redis 服务自身的时延不高，整个请求的时延基本集中在客户端进程，说明问题就发生在客户端应用处，也就是 bar-svc 这个应用，和 Redis 服务没有关系。

Redis-调用链追踪

0x3: 使用持续剖析定位根因

我们还能继续往下分析吗？当然，得益于 DeepFlow 实现了基于 eBPF 的 Continuous Profile 功能（企业版），可以层层下钻继续进行分析：选择 bar-svc 应用，查看它的完整调用堆栈，找到了消耗时间最大的函数，这个函数消耗的 CPU 时间在过去几分钟内达到了 65%。

bar-svc 堆栈分析

继续下钻，最下方的函数由非常多内核函数调用组成，而属于用户代码的部分，我们发现核心瓶颈就是请求 Redis 获取数据的函数，这更是进一步证明了我们上述的分析，通过几个简单的步骤，我们快速定位到了根因：核心访问瓶颈集中在 bar-svc 业务应用内，且就是访问 Redis 获取数据的这个函数。

bar-svc 堆栈函数分析

得到这个结论之后，我们把内存对象 dump 出来检查，发现与曾经看到过的一篇文章 的案例有相似之处，二者问题点是一致的。场景是：应用客户端使用了连接池管理 Redis 连接，当客户端突发大量请求时，就会频繁从连接池中获取、归还连接对象，当归还连接到连接池中时，连接池需要检查空闲连接数是否大于最大允许值，也即统计 idle 数量是否大于 max-idle，如果大于则直接销毁对象。而由于应用把 max-idle 参数设置得较小，导致客户端创建、销毁连接太频繁了，没有充分利用机器性能资源，CPU 浪费在创建对象、建连、销毁上，终致应用性能表现不佳。

HeapDump

明确问题之后，我们迅速调整了连接池配置，扩大 max-idle 参数，调整与 max-active 一致为 100。作用是减少连接的创建与销毁，保持连接池中有稳定数量的对象，这样即使应用突发大量请求，也不会让时延剧增。

更新了应用后，在测试维持同样压力水平的情况下重新测试，我们找出核心链路的请求时延 P99 进行对比，发现 P99 得到了大幅降低：

服务列表-修改连接池配置后

经此一役，应用团队体验到了使用 DeepFlow 快速分析、定界、定位的丝滑，并继续以 DeepFlow 作为统一入口观测实时压测结果，开启下一轮优化之路。

0x4: 什么是 DeepFlow

DeepFlow 是云杉网络开发的一款可观测性产品，旨在为复杂的云基础设施及云原生应用提供深度可观测性。DeepFlow 基于 eBPF 实现了应用性能指标、分布式追踪、持续性能剖析等观测信号的零侵扰（Zero Code）采集，并结合智能标签（SmartEncoding）技术实现了所有观测信号的全栈（Full Stack）关联和高效存取。使用 DeepFlow，可以让云原生应用自动具有深度可观测性，从而消除开发者不断插桩的沉重负担，并为 DevOps/SRE 团队提供从代码到基础设施的监控及诊断能力。

GitHub 地址：https://github.com/deepflowio/deepflow

访问 DeepFlow Demo，体验零插桩、全覆盖、全关联的可观测性。