技术

下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论及实践 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 LLM部分技术源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

大模型推理服务框架 模型服务化(未完成) 大模型RHLF 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 LLM工具栈 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 容器和CPU那些事儿 kubevela源码分析 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 helm 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件

系统故障排查汇总及教训

2018年07月07日

简介(未完成)

源代码级的debug

系统级的debug

基本现象及通常原因

从用户角度看

  1. 数据错误
  2. 页面刷不出来

    • 请求超时

从报警角度看

  1. tomcat 线程池打满
  2. 大量异常

    • 本身异常
    • 依赖服务异常
  3. 大量gc
  4. mysql 大量超时

    通常原因是 耗时查询的sql 过多

  5. redis 大量超时

    通常原因是网卡被打满,包括入宽打满和出宽打满。前者因为大量写入(通常是代码逻辑错误),后者通常因为服务负载较大,需要扩容。

排查故障的基本知识

jvm 基本组成,gc的原因分析 等

曾经作为一个coder,笔者虽然很热心的学习了这些知识,但实际用的少,

完备的系统感知能力

感知什么?

一个示例。

完备的监控,笔者曾碰到一次事故,tomcat 线程池满了,可以判断出来某个请求的处理很慢。报警系统同时反馈redis 连接池连接获取超时,进而可以定位是redis 的原因。然后运维说,redis 网卡打满了,但尚未定位是入宽打满还是出宽打满,我当时觉得自己的系统缓存用的少,应该是别人的原因,因此回去睡觉了。但后来 确实我这边 大量的写入导致的。

我自己的代码肯定是有问题,锅甩不掉。换个较角度看,如果 监控系统 监控redis 的带宽,并设定阈值报警,同时能够分析入宽来源方的数据量,则可以极大的减少定位问题的时间,并找到相关的开发解决问题。

此外,从中我们还可以看到:

  1. 从运维的角度看,redis 资源的分配 应设定几条基本原则,其中重要的原则之一就是方便定位问题。
  2. 大部分时候 我们还是在受限的资源下做事情,监控/报警系统不完备或者没有,这都不是出现事故的理由。还以上述问题 为例,仅以完成代码功能来说,业务 ==> db 即可。为了挺高性能:业务 ==> 缓存 ==> db。 缓存是共用的,那么为了减少依赖提高可靠性。可以: 业务 ==> local cache ==> 缓存 ==> db。 同时根据业务做好降级熔断措施。
  3. 所以,为了提高一段代码,功能实现、高性能、可靠性、可扩展性,你的脑子里一共有几个维度? 根据项目的发展阶段,各个维度的重要性如何取舍?

案例分析

缓存穿透的例子

现象

  1. 报警层面,大量的请求 timeout
  2. 日志层面,大量的Broken pipe
  3. 监控层面,数据库连接池耗尽
  4. 运维反馈,mysql并发太高

问题原因

一个qps 很高的业务,但因为数据量很少,我只加了本地缓存(guava cache),重启的时候,本地缓存失效,大量的qps 直接穿透去访问数据库了。虽然guava cache 有请求合并,但只针对了相同的key 做了合并,如果业务的key 都很不一样,那其实还是缓存穿透。这时看着报警也没办法,随着本地缓存 数据逐渐覆盖所有的key, 本地缓存就可以处理,较少访问数据库,数据库负载才会降下来。

公司内的nginx 一般设置了2s 断开连接,假设web 服务是2000qps,一共有50个数据库连接池,每个sql 处理耗费10ms,来回网络通信耗费10ms,即一个sql的处理耗费20ms,一个 guava cache loader 执行2个sql,综合起来假设业务从数据库拿回数据并处理一共耗费 50ms。假设从t0 开始处理请求

正在处理的请求编号 等待请求数 第一个批次到t0时间偏移 第二个批次到t0+1s时间偏移
1~50 1950 50ms  
51~100 1900 100ms  
951~1000 1000 + 2000 1000ms 0m
1001~1050 950 + 2000 1050ms 50ms
 
1951~2000 0 + 2000 + 2000 2000ms 1000ms
 
2951~3000 0 + 1000 + 2000   2000ms

可以看到,第一个批次在2s 内处理了所有请求。但对于第二批次的后1000个 请求来说,即便拿到数据库响应,因时间已超过2秒,web服务与nginx的连接被nginx 断开,web 服务写回数据时会抛出Broken pipe异常。也就是当一个请求要50ms 才能处理完毕时,其qps 只能是(1000ms / 数据请求与处理耗费50ms * jdbc连接池连接数)以下,才不会累积,进而对后续的请求处理造成影响。

一般情况下,web 项目都配置有jdbc 连接池,在qps 较低时只会维持一个较低的连接数。qps 猛增时,建立连接也需要 增加时间,会更加恶化上表的时间进度。

自己先前的误区及教训

  1. 过于迷信请求合并,认为请求合并就可以解决 缓存穿透问题。
  2. dba 会定期排查慢请求,自己的sql 不是慢请求,觉得不是慢请求就没事。但实际上,高并发的请求 同样会 增大mysql 的负载,进而影响mysql 上的其它业务。单是查询请求还好,若是update/delete(会对行加锁,影响其它对该行数据读写的sql) 突然的高并发 对mysql 的影响会更大。高并发和慢请求一样危险。
  3. 两个高qps 的业务 不适合部署在一个数据库、redis 甚至服务器中。应能够掌握 所有服务的 并发强度,并有针对的隔离其依赖的资源,两个高并发的服务 尽量不要依赖同一个redis、db、甚至服务器。
  4. 对于高并发项目,要谨慎控制对外界资源的依赖。比如,我一看报警,第一反应是增加连接池,然后增加了服务器,但在原因未查明之前,这些操作立刻增加了数据库负载,进而影响到了共用mysql的其它服务。
  5. 高并发的服务,重启不可随意,最好是分批重启,尤其是依赖本地缓存的服务。

系统实现

  1. 系统层面的三高

    • 设计计划 找多个人过一下
  2. 代码层面上

    1. 对while循环、递归等保持警惕
    2. 感觉这块儿会出问题,就通常会出问题
    3. 测试类、代码review 等层面上 提高代码的正确性

tips

  1. 如果普遍报问题,那可能是代码逻辑问题。如果偶尔error log,那么基本是跟输入参数有关系,此时排查错误需要 打印更多的输入信息。