1          问题背景

    在GaussDB各类问题场景中，网络故障是最难定位及恢复的问题之一，其不仅可能影响着数据库的性能，甚至在一定程度上会阻塞业务的正常运行，造成严重后果。网络问题牵连着应用侧（即GaussDB）、操作系统、交换机以及硬件资源等，本文将介绍几种常用手段，用于梳理其间可能存在的问题，从而快速定位恢复。文中涉及的参数、视图详情可参考产品文档。

2          问题现象

附件：gsar4.sh

图1. gsar脚本运行结果

    对于性能慢、数据库连接异常等情况，建议使用gsar脚本检查网络状态，若重传率或丢包率超过0.01%，如图1最后一列红色框，则说明网络存在问题，需进一步分析定位。

    gsar.sh脚本后需指定业务名称，可初始化环境变量后，使用命令：ip route | grep `cm_ctl query -Cvi | awk '{print $2,$3}' | grep \`hostname\` | awk '{print $2}' | sort -u` | awk -F ' ' '{print $3}' 查询得到，如图：

3          排查一：TaiShan服务器网卡加固

    对于TaiShan服务器(100/200)，均需要使用兼容的网卡及驱动，否则很有可能产生此类网络问题。

附件：GaussDB A加固配置指南04.pdf

    须严格按照加固配置指南进行定位，包括透明大页等均需核查。

4          排查二：MTU一致性

    MTU即最大传输单元，整条数据链路要保证MTU的一致性，否则可能由于数据包大小不匹配导致丢包。使用ifconfig命令即可查看和修改各个网卡的MTU值：

图2. ifconfig修改MTU

    如图2，其缺点是重启后失效，想长久保留还需修改配置文件，不同操作系统修改方法不同，可谷歌查找。

5          排查三：网络重传情况

1.     netstat查看重传次数

    使用gsar脚本观察到明显的重传现象后，可根据netstat命令具体查看重传状态：

图3. netstat查看重传状态

    若重传次数达到12次（图3红色框中，第一列表示距离下一次重传的时间，第二列为已经发生重传的次数，理论上重传达到9分钟，keepalive就会检测到连接异常，将其断开），则说明此时网络不通，可进一步排查对端进程状态以及网络环境（ping）。

2.     netstat查看缓存区状态

    当发送缓存区严重阻塞时，可明显看到重传现象，仍然使用netstat命令查看缓存区情况：

图4. netstat查看发送缓存区状态

    图4红色框为发送端缓存区状态，可以看到阻塞较为严重且接收端均为192.168.2.101，此时可以根据端口号查看对端接收情况：

图5. netstat查看对端接收缓存区状态

    图5红色框为44112端口的接收端缓存区，阻塞现象同样明显。此时，可以根据GaussDB相关视图获取各线程状态，进而分析阻塞原因，以一条阻塞的连接为例：

图6. DN上根据client_port查到query_id

    根据GaussDB节点端口登录数据库，利用对端连接端口号查找到query_id；

图7. CN上根据query_id查到各线程状态

    登录GaussDB的CN节点，根据query_id找到CN线程id，此时DN均在向CN传输数据，可以使用gstack打印此时CN的堆栈等。

        1.  打印线程堆栈：gstack lwtid  

        2.  监控线程与内核交互：strace -p lwtid -tt -T -o strace.log  

        3.  查看线程使用的CPU资源：top -p pid -d 0.2 

3.     已知语句gather慢

    个别语句执行慢，打印执行计划发现主要耗时在gather上，此时可根据要执行的sql语句找到对应CN和DN的状态，找到慢因所在节点及线程id，再打印堆栈信息等进一步分析。

图8. 根据sql查到CN线程状态

6          排查四：网络丢包情况

1.     内存不足

    内存不足是引发丢包的一大原因，但是一般会出现其他的直观表现，可使用free、top等命令查看内存情况，也可使用pv_total_memory_detail视图观察具体的进程状况。

2.     CPU软中断不足

    网卡接收到数据后，数据进入到TCP缓存区的过程需要进行CPU中断处理，若此时相关CPU繁忙、软中断使用较高，CPU处理网卡的数据不及时，造成丢包。

图9. speed_test压测接收端

图10. speed_test压测发送端

图11. speed_test压测时网络状况

图12. speed_test压测时CPU软中断状况

    使用speed_test工具压测观察，两台机器分别作为接收和发送端，如图9~12，此时测试集群无背景压力，可以看到网络流量达到网卡上限，偶发出现丢包现象，查看对应的CPU软中断，一直处在高于70的水平。

附件：get_irq_affinity2.sh、smart_irq_affi.sh

    此外，软中断也与IO相关，可使用iostat命令查看对应时刻的IO状态。对一些场景，网卡与业务分开绑核可以有一定的缓解，使用get_irq_affinity2.sh脚本查看当前网卡绑核情况：

图13. 查看网卡绑核情况

    使用smart_irq_affi.sh对网卡进行绑核：

图14. 对网卡进行绑核

    使用gs_cgroup对GaussDB进行绑核：

图15. 对GaussDB进行绑核

7          排查五：交换机

    作为整个数据传输链路的重要一环，针对交换机的拓扑结构、流控、接口带宽等，需联系相关专家进行逐一排查。

8          常用命令

1.     网络压测工具：speed_test/iperf

    ./speed_test_xxx recv/send ip port

    iperf -s / iperf -c ip -t time -p thread_num

2.     网卡工具：ethtool

    ethtool ethx      // speed

    ethtool -i ethx    // driver

    ethtool -k ethx    // gro gso tso

    ethtool -l ethx    // channel

    ethtool -S ethx    // 统计信息

3.     抓包工具：tcpdump

    tcpdump tcp -i ethx and host ip1 and ip2 and port port1 -w target.pcap

9         总结

    由于数据传输链路的复杂性，重传丢包问题定位较为困难，但学会掌握一定的手段方法，理清思路，从源头开始排查，终究会找到根因。