質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.82%

稀にサーバが応答しない!何を調査すればよいか

受付中

回答 2

投稿

  • 評価
  • クリップ 1
  • VIEW 3,147

minmintt

score 38

あるサービスでまれにサーバが応答せずタイムアウトとなるケースがあります。
どのような調査を行えばよいか、アドバイスをお願いいたします。

 サーバ構成

 バランサー

KeepAlive+LVS(ipvs) DSR方式

 バランサー配下

Web/APサーバを数台配置

  • 静的コンテンツはnginxで80ポート
  • 動的コンテンツはTomcatで8080ポート

 症状

 クライアント

クライアントのSYNは要求を出していますが、サーバがこれに応答していないようです。
7回SYNを出した後、タイムアウトが発生。

 サーバ

各サーバ上で、tcpdumpを出力。
リクエスト元IP(src)で絞り込みを行っている。

通信可能な場合はパケットが流れてきていますが、接続できない場合はtcpdumpに何も出力されません。

 障害発生タイミング

Keep-Aliveが有効で、コネクションが残っている間は同じAPサーバにアクセスします。
クライアントからFを出して通信をクローズし、次回新たな接続を行う際にSYNを出してもサーバが応答しないという状態に陥ることがあります。

バランサのIPにpingを打ってみましたが、pingは通ってもSYNには応答しないという挙動も見られました。


「バランサが応答していないため、配下のAPサーバにもリクエストが流れない」のかと考えております。

ipvsのハッシュテーブルは 2500/4096程度でした。
また、ipvsadm -Lした場合、おおよそ以下のような数値が見られました。

  • ActiveConn 150/1サーバ
  • InActConn  200/1サーバ

Web/APサーバは4台あります。
1サーバで80/8080ポートを受け付けているので、上記だと350くらいのActiveConnがあります。

ポートの不足かと思い、net.ipv4.ip_local_port_rangeを変更してみましたが、あまり効果はないようでした。

net.ipv4.ip_local_port_range = 32768 65000
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

+3

発生した時間帯について各サーバのログを確認しているでしょうか?nginxなどのアプリケーションのログだけでは無く、syslogなどのシステムログについても、単にエラーや警告があるかを調べるのでは無く、現象が発生した時間帯にだけ現れているメッセージが無いかを確認してみて下さい。ログファイルだけで無く、dmesgも確認しておくことがお勧めです。

調査された内容から、ロードバランサーが犯人の可能性が高いですが、一応切り分けをした方が良いでしょう。切り分けの手段としては、ロードバランサーを使わず、直接Webサーバー等にアクセスできるかです(構成上、無理というのもあるかも知れませんが)。もし、アクセスできるのであれば、犯人はロードバランサーであると確定できると思います。

確認を忘れてはいけないことにスイッチなどネットワーク機器があります。ループ検出等でポートが一時的に閉じていたという可能性もあり得ます。経路にあるスイッチのログも全て確認して下さい。

他、詳しい構成と状況がわかれば、何かわかるかも知れません。現象もどれぐらいの頻度か、復旧は自然復旧なのか、何か再起動が必要だったのか、自然復旧でもどれぐらいの時間で戻ったのか、そういった情報もあるといいでしょう。ロードバランサーも1台なのか冗長構成なのか、冗長構成の場合は何を使っているのか、などです。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

+1

バックエンドの APサーバ側の同時接続数はいくつになっていますでしょうか。
APサーバ側の同時接続数に達すると、LVS/keepalived のヘルスチェックに失敗し、振り分け先からはずれると思います。
障害発生時、ipvsadm -Ln で振り分け先から消えていないか (inhibit_on_failure の場合は Weight が 0 になっていないか)、syslog (/var/log/messages など)に Keepalived_healthcheckers のログが出ていないか、確認ください。

可能であれば、keepalived.conf や障害発生時の ipvsadm -Lnipvsadm -Ln -cipvsadm -Ln --thresholdsipvsadm -Ln --persistent-conn などを提示していただけると、何か推測できるかもしれません。

OS のネットワークリソースを疑うのであれば、鉄板ロードバランサー LVS を10分で構築するCHEFクックブック の net.nf_conntrack_max や、net.ipv4.tcp_fin_timeout, net.ipv4.tcp_tw_recycle, net.ipv4.tcp_tw_reuse などを調整するといいと思います。

 (参考) persistence について

inhibit_on_failure の場合、Weight が 0 でも persistence が効きますので、persistence_timeout 以内のアクセスは他の APサーバには振り分けられません。
また、persistence_timeout の設定に合わせて、ipvsadm --set tcp tcpfin udp の tcpfin (default 120s) を persistence_timeout より短くした方がいいです。
例えば、persistence_timeout = 60 ならば、ipvsadm --set 0 59 0 などと。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.82%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る