起因

最近有做一個Prometheus metrics代理的一個小項目，暫稱為prom-proxy，目的是為了解析特定的指標(如容器、traefik、istio等指標)，然后在原始指標中加入應用ID(當然還有其他指標操作，暫且不表)。經(jīng)過簡單的本地驗證，就發(fā)布到聯(lián)調(diào)環(huán)境，跑了幾個禮拜一切正常，以為相安無事。但自以為沒事不代表真的沒事。

昨天突然老環(huán)境和新上prom-proxy的環(huán)境都出現(xiàn)了數(shù)據(jù)丟失的情況，如下圖：

prom-proxy有一個自服務指標request_total，經(jīng)觀察發(fā)現(xiàn)，該指標增長極慢，因而一開始懷疑是發(fā)送端的問題(這是一個誤區(qū)，后面會講為何要增加緩存功能)。

進一步排查，發(fā)現(xiàn)上游發(fā)送端(使用的是victoriaMetrics的vmagent組件)出現(xiàn)了如下錯誤，說明是prom-proxy消費的數(shù)據(jù)跟不上vmagent產(chǎn)生的數(shù)據(jù)：

2022-03-24T09:55:49.945Z        warn    VictoriaMetrics/app/vmagent/remotewrite/client.go:277   couldn't send a block with size 370113 bytes to "1:secret-url": Post "xxxx": context deadline exceeded (Client.Timeout exceeded while awaiting headers); re-sending the block in 16.000 seconds

出現(xiàn)這種問題，首先想到的是增加并發(fā)處理功能。當前的并發(fā)處理數(shù)為8(即后臺的goroutine數(shù)目)，考慮到線上宿主機的core有30+，因此直接將并發(fā)處理數(shù)拉到30。經(jīng)驗證發(fā)現(xiàn)毫無改善。

另外想到的一種方式是緩存，如使用kafka或使用golang自帶的緩存chan。但使用緩存也有問題，如果下游消費能力一直跟不上，緩存中將會產(chǎn)生大量積壓的數(shù)據(jù)，且Prometheus監(jiān)控指標具有時效性，積壓過久的數(shù)據(jù)，可用性并不高又浪費存儲空間。

下面是使用了緩存chan的例子，s.reqChan的初始大小設置為5000，并使用cacheTotal指標觀察緩存的變更。這種方式下，數(shù)據(jù)接收和處理變?yōu)榱水惒?但并不完全異步)。

上面一開始有講到使用request_total查看上游的請求是個誤區(qū)，是因為請求統(tǒng)計和請求處理是同步的，因此如果請求沒有處理完，就無法接收下一個請求，request_total也就無法增加。

func (s *Server) injectLabels(w http.ResponseWriter, r *http.Request) {
    data, _ := DecodeWriteRequest(r.Body)
    s.reqChan <- data
    cacheTotal.Inc()
    w.WriteHeader(http.StatusNoContent)
}
func (s *Server) Start() {
    go func() {
        for data := range s.reqChan {
            cacheTotal.Dec()
            processor := s.pool.GetWorkRequest()
            go func() {
                processor.JobChan <- data
                res := <-processor.RetChan
                if 0 != len(res.errStr) {
                    log.Errorf("err msg:%s,err.code:%d", res.errStr, res.statusCode)
                    return
                }
            }()
        }
    }()
}

上線后觀察發(fā)現(xiàn)cacheTotal的統(tǒng)計增加很快，說明之前就是因為處理能力不足導致request_total統(tǒng)計慢。

至此似乎陷入了一個死胡同。多goroutine和緩存都是不可取的。

回顧一下，prom-proxy中處理了cadvisor、kube-state-metrics、istio和traefik的指標，同時在處理的時候做了自監(jiān)控，統(tǒng)計了各個類型的指標。例如：

prom-proxy_metrics_total{kind="container"} 1.0396728e+07
prom-proxy_metrics_total{kind="istio"} 620414
prom-proxy_metrics_total{kind="total"} 2.6840415e+07

在cacheTotal迅猛增加的同時，發(fā)現(xiàn)request_total增長極慢(表示已處理的請求)，且istio類型的指標處理速率很慢，，而container類型的指標處理速度則非?？?。這是一個疑點。

vmagent的一個請求中可能包含上千個指標，可能會混合各類指標，如容器指標、網(wǎng)關指標、中間件指標等等。

通過排查istio指標處理的相關代碼，發(fā)現(xiàn)有三處可以優(yōu)化：

• 更精確地匹配需要處理的指標：之前是通過前綴通配符匹配的，經(jīng)過精確匹配之后，相比之前處理的指標數(shù)下降了一半。
• 代碼中有重復寫入指標的bug：這一處IO操作耗時極大
• 將寫入指標操作放到獨立的goroutine pool中，獨立于標簽處理

經(jīng)過上述優(yōu)化，上線后發(fā)現(xiàn)緩存為0，性能達標！

一開始在開發(fā)完prom-proxy之后也做了簡單的benchmark測試，但考慮到是在辦公網(wǎng)驗證的，網(wǎng)速本來就慢，因此注釋掉了寫入指標的代碼，初步驗證性能還算可以就結(jié)束了，沒想到埋了一個深坑。

所以所有功能都需要覆蓋驗證，未驗證的功能點都有可能是坑！

總結(jié)

• 服務中必須增加必要的自監(jiān)控指標：對于高頻率請求的服務，增加請求緩存機制，即便不能削峰填谷，也可以作為一個監(jiān)控指標(通過Prometheus metric暴露的)，用于觀察是否有請求積壓；此外由于很多線上環(huán)境并不能直接到宿主機進行操作，像獲取火焰圖之類的方式往往不可行，此時指標就可以作為一個參考模型。
• 進行多維度度、全面的benchmark：代碼性能分為計算型和IO型。前者是算法問題，后者則涉及的問題比較多，如網(wǎng)絡問題、并發(fā)不足的問題、使用了阻塞IO等。在進行benchmark的時候可以將其分開驗證，即注釋掉可能耗時的IO操作，首先驗證計算型的性能，在計算型性能達標時啟用IO操作，進一步做全面的benchmark驗證。

后續(xù)

喜聞樂見的后續(xù)來了。。。

由于公司有兩個大的線上集群，暫稱為more集群和less集群，很不幸，性能達標的就是less集群的，其指標數(shù)據(jù)相比more集群來說非常less，大概是前者的十分之一。上到more集群之后服務內(nèi)存直接達到50G，多個副本一起吃內(nèi)存，直接將節(jié)點搞掛了。

迫不得已(又是那句話，感覺對了的點往往不對)，重新做了pprof壓力測試，發(fā)現(xiàn)內(nèi)存黑洞就是下面這個函數(shù)(來自Prometheus)，即便在辦公電腦下進行壓測，其內(nèi)存使用仍然達到好幾百M。該函數(shù)主要是讀取vmagent傳來的請求，首先進行snappy.Decode解碼，然后unmarshal到臨時變量wr中。低流量下完全沒有問題，但高流量下完全無法應對：

func DecodeWriteRequest(r io.Reader) (*ReqData, error) {
	compressed, err := ioutil.ReadAll(r)
	if err != nil {
		return nil, err
	}
	reqBuf, err := snappy.Decode(nil, compressed)
	if err != nil {
		return nil, err
	}
	var wr prompb.WriteRequest
	if err := proto.Unmarshal(reqBuf, &wr); err != nil {
		return nil, err
	}
	return &ReqData{
		reqBuf: reqBuf,
		wr:     &wr,
	}, nil
}

解決辦法就是拿出sync.pool大殺器，下面方式參考了victoriaMetrics的byteutil庫(代碼路徑lib/byteutil)，有興趣的可以去看下，經(jīng)過壓測，相同測試情況下內(nèi)存降到了不足100M。

func DecodeWriteRequest(r io.Reader, callback func(*prompb.WriteRequest)) error {
	ctx := getPushCtx(r)
	defer putPushCtx(ctx)
	if err := ctx.Read(); err != nil {
		return err
	}
	bb := bodyBufferPool.Get()
	defer bodyBufferPool.Put(bb)
	var err error
	bb.B, err = snappy.Decode(bb.B[:cap(bb.B)], ctx.reqBuf.B)
	if err != nil {
		return err
	}
	wr := getWriteRequest()
	defer putWriteRequest(wr)
	if err := wr.Unmarshal(bb.B); err != nil {
		return err
	}
	callback(wr)
	return nil
}

這樣一來性能完全達標，10core下單pod每秒可以處理250w個指標！

重新發(fā)布線上，自然又出問題了，這次prom-proxy服務一切正常，但導致后端vmstorage(victoriametrics的存儲服務)內(nèi)存爆滿。經(jīng)過初步定位，是由于出現(xiàn)了slow insert，即出現(xiàn)大量active time series導致緩存miss，進而導致內(nèi)存暴增(prom-proxy服務會在原始指標中增加標簽，并創(chuàng)建其他新的指標，這兩類指標數(shù)目非常龐大，都屬于active time series)。

最終的解決方式是將修改的指標作分類，并支持配置化啟用，即如果修改的指標類型有：A、B、C、D四類。首先上線A，然后上線B，以此類推，讓vmstorage逐步處理active time series，以此減少對后端存儲的瞬時壓力。

vmstorage有一個參數(shù)：--storage.maxDailySeries，它可以限制active time series的數(shù)目。但環(huán)境中正常情況下就有大量active time serials，如果設置了這個參數(shù)，新增的active time serials極有可能會擠掉老的active time serials，造成老數(shù)據(jù)丟失。

以上就是victoriaMetrics代理性能優(yōu)化問題解析的詳細內(nèi)容，更多關于victoriaMetrics代理性能優(yōu)化的資料請關注本站其它相關文章！

美國穩(wěn)定服務器

版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。