华为云企业级redis揭秘第三期：一场由fork引发的超时，让我们重新探讨了redis抖动问题-4008云顶国际网站

gaussdb(for redis)服务团队在支撑某客户业务上云的过程中，发现一次由fork引发的时延抖动问题，本着对客户负责任的态度，我们详细探究了fork这个系统调用的性能影响，并且在最新的gaussdb(for redis)版本已解决了这个抖动问题，清零了内部的fork使用，与原生redis相比，彻底解决了fork的性能隐患。

• 华为云gaussdb(for redis) 服务在某客户上云线调测过程中发现，系统上量后规律性的出现每5分钟1次的时延抖动问题。
• 华为云gaussdb(for redis)团队经过攻关，最终确认抖动原因是fork导致并解决了这个问题。而fork是开源redis的一个重要依赖，希望通过本文的分享，能够帮助大家在使用开源redis的时候，充分认识fork的影响，从而选择更优的方案。

某客户业务接入gaussdb(for redis)压测发现，每5分钟系统出现一次规律性的时延抖动：

• 正常情况消息时延在1-3ms，抖动时刻时延达到300ms左右。
• 通常是压测一段时间后开始出现抖动；抖动一旦出现后就非常规律的保持在每5分钟1次；每次抖动的持续时长在10ms以内。

下图是从系统慢日志中捕获到的发生抖动的消息样例（对敏感信息进行了遮掩）：

1）排查抖动源：

• 由于故障的时间分布非常规律，首先排除定时任务的影响，主要包括：
• agent：和管控对接的周期性统计信息上报任务
• 内核：执行引擎（redis协议解析）和存储引擎（rocksdb）的周期性操作（包括rocskdb统计，wal清理等）

屏蔽上述2类定时任务后，抖动依然存在。

• 排除法未果后，决定回到正向定位的路上来。通过对数据访问路径增加分段耗时统计，最终发现抖动时刻内存操作（包括allocate、memcpy等）的耗时显著变长；基本上长出来的时延，都是阻塞在了内存操作上。

（截图为相关日志，单位是微秒）

• 既然定位到是系统级操作的抖动，那么下一步的思路就是捕获抖动时刻系统是否有异常。我们采取的方法是，通过脚本定时抓取top信息，分析系统变化。运气比较好，脚本部署后一下就抓到了一个关键信息：每次在抖动的时刻，系统中会出现一个frm-timer进程；该进程为gaussdb(for redis)进程的子进程，且为瞬时进程，持续1-2s后退出。

• 为了确认该进程的影响，我们又抓取了perf信息，发现在该进程出现时刻，kmalloc， memset_sse，memcopy_sse等内核系统调用增多。从上述信息推断，frm-timer进程应该是被fork出来的，抖动源基本可锁定在fork frm-timer这个动作上。

2）确定引发抖动的代码：

• 分析frm-timer的来历是下一步的关键。因为这个标识符不在我们的代码中，所以就需要拉通给我们提供类库的兄弟部门联合分析了。经过大家联合排查，确认frm-timer是日志库liblog中的一个定时器处理线程。如果这个线程fork了一个匿名的子进程，就会复用父进程的线程名，表现为redis进程创建出1个名为frm-timer的子进程的现象。
• 由于frm-timer负责处理liblog中所有模块的定时器任务，究竟是哪个模块触发了上述fork？这里我们采取了一个比较巧妙的方法，我们在定时器处理逻辑中增加了一段代码：如果处理耗时超过30ms，则调用std:: abort()退出，以生成core栈。
• 通过分析core栈，并结合代码排查，最终确认引发抖动的代码如下：

上述代码是用来周期性归档日志的，它每5分钟会执行1次 system系统调用来运行相关脚本，完成归档日志的操作。而linux system系统调用的源码如下，实际上是一个先fork子进程，再调用execl的过程。

• 分析至此，我们还需要回答最后一个问题：究竟是fork导致的抖动，还是脚本内容导致的抖动？为此，我们设计了一组测试用例：
• 用例1：将脚本内容改为最简单的echo操作
• 用例2：在redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行fork操作
• 用例3：在redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行先fork，再excel的操作
• 用例4：在redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行system的操作
• 用例5：在redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行先vfork，再excel的操作

最终的验证结果：

• 用例1：有抖动。
• 用例2：有抖动。
• 用例3：有抖动。
• 用例4：有抖动。
• 用例5：无抖动。

用例1结果表明抖动和脚本内容无关；用例2、3、4的结果表明调用system引发抖动的根因是因为其中执行了fork操作；用例5的结果进一步佐证了抖动的根因就是因为fork操作。最终的故障原因示意图如下：

3）进一步探究fork的影响：

• 众所周知，fork是linux（严格说是posix接口）创建子进程的系统调用，历史上看，主流观点大多对其赞誉有加；但近年间随着技术演进，也陆续出现了反对的声音：有人认为fork是上个时代遗留的产物，在现代操作系统中已经过时，有很多害处。激进的观点甚至认为它应该被彻底弃用。（参见附录1,2）
• fork当前被诟病的主要问题之一是它的性能。大家对fork通常的理解是其采用copy-on-wirte写时复制策略，因此对其的性能影响不甚敏感。但实际上，虽然fork时可共享的数据内容不需要复制，但其相关的内核数据结构（包括页目录、页表、vm_area_struc等）的复制开销也是不容忽视的。附录1、2中的文章对fork开销有详细介绍，我们这回遇到的问题也是一个鲜活的案例：对于redis这样的时延敏感型应用，1次fork就可能导致消息时延出现100倍的抖动，这对于应用来说无疑是不可接受的。

4）原生redis的fork问题：

4.1 原生redis同样被fork问题困扰（参见附录3，4，5），具体包括如下场景：

1）数据备份

备份时需要生成rdb文件，因此redis需要触发一次fork。

2）主从同步

全量复制场景（包括初次复制或其他堆积严重的情况），主节点需要产生rdb文件来加速同步，同样需要触发fork。

3）aof重写

当aof文件较大，需要合并重写时，也会产生一次fork。

4.2 上述fork问题对原生redis的影响如下：

1）业务抖动

原生redis采用单线程架构，如果在电商大促、热点事件等业务高峰时发生上述fork，会导致redis阻塞，进而对业务造成雪崩的影响。

2）内存利用率只有50%

fork时子进程需要拷贝父进程的内存空间，虽然是cow，但也要预留足够空间以防不测，因此内存利用率只有50%，也使得成本高了一倍。

3）容量规模影响

为减小fork的影响，生产环境上原生redis单个进程的最大内存量，通常控制在5g以内，导致原生redis实例的容量大大受限，无法支撑海量数据。

1. 修改日志库liblog中的周期性归档逻辑，不再fork子进程。
2. 系统排查并整改gaussdb(for redis)代码（包括使用的类库代码）中的fork调用。
3. 最终排查结果，实际只有本次的这个问题点涉及fork。当前修改后即可确保gaussdb(for redis)的时延保持稳定，不再受fork性能影响。

注：gaussdb(for redis)由华为云基于存算分离架构自主开发，因此不存在原生redis的fork调用的场景。

本文通过分析gaussdb(for redis)的一次由fork引发的时延抖动问题，探究了fork这个系统调用的性能影响。最新的gaussdb(for redis)版本已解决了这个抖动问题，并清零了内部的fork使用，与原生redis相比，彻底解决了fork的性能隐患。希望通过这个问题的分析，能够带给大家一些启发，方便大家更好的选型。

1.[]

2.[]

3.[]

4.[]

本文作者：华为云数据库gaussdb(for redis)团队

杭州/西安/深圳简历投递：yuwenlong4@huawei.com

gaussdb(for redis)产品4008云顶国际集团主页：

更多技术文章，关注gaussdb(for redis)官方博客：

https://bbs.huaweicloud.com/community/usersnew/id_1614151726110813