[[360698]]

本文要介紹的是一個(gè)發(fā)生在我們線上環(huán)境的真實(shí)案例，問(wèn)題發(fā)生在某次大促期間，對(duì)我們的線上集群造成了比較大的影響，這篇文章簡(jiǎn)單復(fù)盤一下這個(gè)問(wèn)題。

為了方便大家理解，實(shí)際排查和解決過(guò)程可能和本文描述的并不完全一致，但是思路是一樣的。

問(wèn)題過(guò)程

某次大促期間，某一個(gè)線上應(yīng)用突然發(fā)生大量報(bào)警，提示磁盤占用率過(guò)高，一度達(dá)到了80%多。

這種情況我們第一時(shí)間登錄線上機(jī)器，查看線上機(jī)器的磁盤使用情況。使用命令：df查看磁盤占用情況。

$df 
 
Filesystem     1K-blocks    Used Available Use% Mounted on 
 
/               62914560 58911440 4003120  93% / 
 
/dev/sda2       62914560 58911440 4003120   93% /home/admin 

發(fā)現(xiàn)機(jī)器磁盤確實(shí)耗費(fèi)的比較嚴(yán)重，因?yàn)榇蟠倨陂g請(qǐng)求量比較多，于是我們最先開始懷疑是不是日志太多了，導(dǎo)致磁盤耗盡。

這里插播一個(gè)背景，我們的線上機(jī)器是配置了日志的自動(dòng)壓縮和清理的，單個(gè)文件達(dá)到一定的大小，或者機(jī)器內(nèi)容達(dá)到一定的閾值之后，就會(huì)自動(dòng)觸發(fā)。

但是大促當(dāng)天并沒(méi)有觸發(fā)日志的清理，導(dǎo)致機(jī)器磁盤一度被耗盡。

經(jīng)過(guò)排查，我們發(fā)現(xiàn)是應(yīng)用的某一些Log文件，占用了極大的磁盤空間，并且還在不斷的增大。

du -sm * | sort -nr 
 
512 service.log.20201105193331 
 
256 service.log 
 
428 service.log.20201106151311 
 
286 service.log.20201107195011 
 
356 service.log.20201108155838 

du -sm * | sort -nr ：統(tǒng)計(jì)當(dāng)前目錄下文件大小，并按照大小排序 

于是經(jīng)過(guò)和運(yùn)維同學(xué)溝通，我們決定進(jìn)行緊急處理。

首先采取的手段就是手動(dòng)清理日志文件，運(yùn)維同學(xué)登錄到服務(wù)器上面之后，手動(dòng)的清理了一些不太重要的日志文件。

rm service.log.20201105193331 

但是執(zhí)行了清理命令之后，發(fā)現(xiàn)機(jī)器上面的磁盤使用率并沒(méi)有減少，而且還是在不斷的增加。

$df 
 
Filesystem     1K-blocks    Used Available Use% Mounted on 
 
/               62914560 58911440 4003120  93% / 
 
/dev/sda2       62914560 58911440 4003120  93% /home/admin 

于是我們開始排查為什么日志被刪除之后，內(nèi)存空間沒(méi)有被釋放，通過(guò)命令，我們查到了是有一個(gè)進(jìn)程還在對(duì)文件進(jìn)行讀取。

lsof |grep deleted 
 
SLS   11526  root   3r   REG   253,0 2665433605  104181296 /home/admin/****/service.log.20201205193331 (deleted) 

lsof |grep deleted 的作用是：查看所有已打開文件并篩選出其中已刪除狀態(tài)的文件 

經(jīng)過(guò)排查，這個(gè)進(jìn)程是一個(gè)SLS進(jìn)程，在不斷的從機(jī)器上讀取日志內(nèi)容。

SLS是阿里的一個(gè)日志服務(wù)，提供一站式提供數(shù)據(jù)收集、清洗、分析、可視化和告警功能。簡(jiǎn)單點(diǎn)說(shuō)就是會(huì)把服務(wù)器上面的日志采集到，持久化，然后供查詢、分析等。

我們線上日志都會(huì)通過(guò)SLS進(jìn)行采集，所以，通過(guò)分析，我們發(fā)現(xiàn)磁盤空間沒(méi)釋放，和SLS的日志讀取有關(guān)。

到這里，問(wèn)題基本已經(jīng)定位到了，那么我們插播一下原理，介紹一下這背后的背景知識(shí)。

背景知識(shí)

Linux系統(tǒng)中是通過(guò)link的數(shù)量來(lái)控制文件刪除的，只有當(dāng)一個(gè)文件不存在任何link的時(shí)候，這個(gè)文件才會(huì)被刪除。

一般來(lái)說(shuō)，每個(gè)文件都有2個(gè)link計(jì)數(shù)器:i_count 和 i_nlink，也就是說(shuō)：Linux系統(tǒng)中只有i_nlink及i_count都為0的時(shí)候，這個(gè)文件才會(huì)真正被刪除。

• i_count表示當(dāng)前文件使用者(或被調(diào)用)的數(shù)量,
• i_nlink表示介質(zhì)連接的數(shù)量(硬鏈接的數(shù)量);
• 可以理解為i_count是內(nèi)存引用計(jì)數(shù)器，i_nlink是磁盤的引用計(jì)數(shù)器。

當(dāng)一個(gè)文件被某一個(gè)進(jìn)程引用時(shí)，對(duì)應(yīng)i_count數(shù)就會(huì)增加;當(dāng)創(chuàng)建文件的硬鏈接的時(shí)候，對(duì)應(yīng)i_nlink數(shù)就會(huì)增加。

在Linux或者Unix系統(tǒng)中，通過(guò)rm或者文件管理器刪除文件，只是將它會(huì)從文件系統(tǒng)的目錄結(jié)構(gòu)上解除鏈接(unlink)，實(shí)際上就是減少磁盤引用計(jì)數(shù)i_nlink，但是并不會(huì)減少i_count數(shù)。

如果一個(gè)文件正在被某個(gè)進(jìn)程調(diào)用，用戶使用rm命令把文件"刪除"了，這時(shí)候通過(guò)ls等文件管理命令就無(wú)法找到這個(gè)文件了，但是并不意味著這個(gè)文件真正的從磁盤上刪除了。

因?yàn)檫€有一個(gè)進(jìn)程在正常的執(zhí)行，在向文件中讀取或?qū)懭?，也就是說(shuō)文件其實(shí)并沒(méi)有被真正的"刪除"，所以磁盤空間也就會(huì)一直被占用。

而我們的線上問(wèn)題就是這個(gè)原理，因?yàn)橛幸粋€(gè)進(jìn)程正在對(duì)日志文件進(jìn)行操作，所以其實(shí)rm操作并沒(méi)有將文件真正的刪除，所以磁盤空間并未釋放。

問(wèn)題解決

在了解了線上的問(wèn)題現(xiàn)象以及以上的相關(guān)背景知識(shí)之后，我們就可以想到辦法來(lái)解決這個(gè)問(wèn)題了。

那就是想辦法把SLS進(jìn)程對(duì)這個(gè)日志文件的引用干掉，文件就可以真正的被刪除，磁盤空間就能真正的被釋放掉了。

kill -9 11526 
 
$df 
 
Filesystem     1K-blocks    Used Available Use% Mounted on 
 
/               62914560 50331648 12582912  80% / 
 
/dev/sda2       62914560 50331648 12582912  80% /home/admin 

特別提醒下，在執(zhí)行kill -9 之前，一定要考慮下執(zhí)行的后果是什么，背后原理可以參考：我到服務(wù)器執(zhí)行kill -9后，就被通知第二天別來(lái)了!

事后，我們經(jīng)過(guò)復(fù)盤，發(fā)現(xiàn)之所以出現(xiàn)這樣的問(wèn)題，主要有兩個(gè)原因：

• 1、線上日志打印太多，太頻繁
• 2、SLS日志拉取速度太慢

深入分析后我們發(fā)現(xiàn)，這個(gè)應(yīng)用打印了很多過(guò)程日志，最初日志打印是為了方便排查線上的問(wèn)題，或者做數(shù)據(jù)分析用的，但是大促期間日志量激增，導(dǎo)致磁盤空間占用極速上升。

另外，因?yàn)樵搼?yīng)用和幾個(gè)其他的大應(yīng)用共用了一份SLS的project，導(dǎo)致SLS拉取速度被拉低，進(jìn)而導(dǎo)致進(jìn)程一直無(wú)法結(jié)束。

事后，我們也總結(jié)了一些改進(jìn)項(xiàng)，對(duì)于第二個(gè)問(wèn)題，我們對(duì)于該應(yīng)用的SLS配置做拆分，獨(dú)立出來(lái)進(jìn)行管理。

對(duì)于第一個(gè)問(wèn)題，那就是大促期間引入日志降級(jí)的策略，一旦發(fā)生磁盤爆滿，就是將日志降級(jí)掉。

關(guān)于日志降級(jí)，我開發(fā)了一個(gè)通用的工具，就是通過(guò)配置的方式，動(dòng)態(tài)推送日志級(jí)別，動(dòng)態(tài)修改線上的日志輸出級(jí)別。并且把這份配置的修改配置到我們的預(yù)案平臺(tái)上，大促期間進(jìn)行定時(shí)或者緊急預(yù)案處理，即可避免這個(gè)問(wèn)題。

關(guān)于日志降級(jí)工具的開發(fā)思路和相關(guān)代碼，下一篇文章中給大家分享。

思考

每次大促之后我們復(fù)盤，都會(huì)發(fā)現(xiàn)其實(shí)大多數(shù)問(wèn)題都是由幾個(gè)不起眼的小問(wèn)題堆積到一起而引發(fā)的。

在問(wèn)題分析過(guò)程中往往會(huì)需要運(yùn)用到很多非開發(fā)技能相關(guān)的知識(shí)，如操作系統(tǒng)、計(jì)算機(jī)網(wǎng)絡(luò)、數(shù)據(jù)庫(kù)、甚至硬件相關(guān)的知識(shí)。

所以我一直認(rèn)為，判斷一個(gè)程序員是否牛X，就看他的解決問(wèn)題的能力!