写点什么

一起变更引发的惨案

  • 2020-04-24
  • 本文字数:5054 字

    阅读完需:约 17 分钟

一起变更引发的惨案

公司某业务出现严重的线上故障,复盘发现原因竟是某接口的 Thrift IDL 变更,未及时同步所有上游,导致上游某服务 OOM 引发 Crash。看似操作不规范是本次故障的根因,但进一步思考:该接口非主流程接口,即使 IDL 版本不统一,带来“最坏”的后果不应该是“仅仅报错”吗,为什么会产生 OOM 导致整个服务 Crash?


实际上这样的例子并不少见,很多公司内部 RPC 使用 Thrift 协议,IDL 变更及版本不一致在所难免,极端情况下,安全团队扫描 thrift 端口也会出现类似故障。为了避免更多团队采坑,有必要研究 Thrift 何种情况下会触发,以及为什么会触发 OOM。

一. 从 IDL 的字段变更说起

化繁为简,该故障的发生可以这样描述:某 Thrift 服务的返回值是一个数组,数组中每个元素本来包含 5 个字段,某次调整后,在中间位置新增 1 个字段,其余保持不变。服务上线后,某上游调用方未收到变更通知,仍使用旧版本的 SDK。参照下图所示:



看到这里,有经验的同学已经瑟瑟发抖。在 Thrift 协议跨语言、高性能的背后,做了很多取舍,比如接收方在反序列化时,仅做了方法名等少量的校验,通过序号、字段类型认为该返回值属于哪个字段,而并未校验字段名,因此一旦上下游 IDL 版本不一致,极易产生字段错位的情况。以上述 IDL 为例,id、image 字段正确解析,而 bg_image 被错误解析为 link、link 被错误解析为 title:



字段增加时,考虑到字段位置及新旧版本不匹配的各种场景,我们枚举可能的后果:


  1. 新增字段放到中间位置

  2. A. 新 Server、旧 Client:容易字段错位,引发业务错误,不推荐

  3. B. 旧 Server、新 Client:容易字段错位,引发业务错误,不推荐

  4. 新增字段放到最后,并且是 required

  5. A. 新 Server、旧 Client:旧 Client 感知不到新增字段,会忽略

  6. B. 旧 Server、新 Client:新 Client 获取不到新增字段,会报错

  7. 新增字段放到最后,并且是 optional

  8. A. 新 Server、旧 Client:旧 Client 感知不到新增字段,会忽略

  9. B. 旧 Server、新 Client:新 Client 获取不到新增 Optional 字段,会忽略


再进一步,如果是删除字段呢?从删除字段的位置、是否 required,大家可自行思考,当然结果类似,轻则被忽略,重则字段错位,当然更严重的会导致服务 OOM。


小结:Thrift IDL 不要变更已有字段的序列号,上下游版本不一致极易发生错位现象。如需新增字段,应放到最后并设置为 optional。

二. OOM 问题复现

回到 IDL 变更上来,为什么会引发上游服务的 OOM 呢?我们用一段很短的 IDL 就可以重现。


namespace java  com.didiglobal.thrift.samplestruct Items{      1:required i64 id;      2:required list<Item> items;}struct Item {     1:required string name;     2:required string image; // 新增字段     3:required list<string> contents;} service Sample {     Items getItems(1:i64 id);}
复制代码


如果你也想尝试,可以下载项目代码,在本地搭建环境。


  1. Github 下载项目代码:https://github.com/aqingsao/thrift-oom

  2. 使用你喜欢的 IDE 导入工程,该项目基于 thrift 0.11.0 版本,依赖 JDK1.8+以及 Maven

  3. 运行包 com.didiglobal.thrift.sample1.sampleold 中 OldClientNewServerTest.java 类的这个测试用例:oldclient_should_oom_at_concurrency_10

  4. 该测试用例会启动一个简单的 Thrift 服务,客户端使用 10 个并发,很快触发 OOM(如果遇到问题,可联系作者)。


使用不同的 Thrift 版本,0.9.3 到最新的 0.13.0-snapshot 均可以重现。使用 jmap 命令,可以看到应用创建了大量的字节数组。


小结:只需要 10 个并发就可以重现 OOM,该问题广泛存在于 Thrift 版本 0.9.3 到最新的 0.13.0-snapshot。

三. 为什么会 OOM?

本次故障的根因是新增 String 字段,并且客户端进程创建了大量的字节数组,首先怀疑字段错位后 Thrift 未正确处理,但查看了下源码,thrift 对字段类型不匹配、多余字段均作了 skip 处理:



查看 skip 方法的实现,一度怀疑在类型为 String 时调用了错误的方法,但考虑 String 使用字节流传输,下图中直接调用 readBinary()方法也无不妥,测试后发现也不是该问题:



思考了几个其他方向,并做了多次尝试,均发现思路不对,而且始终无法解释的是,单个请求数据量只有上百字节,为什么只需要 10 个并发、几十个请求就会 OOM?这些请求的数据量累加起来也不过几十 K,一度陷入僵局。


下班的路上反复思考,是不是和 Thrift 抛出的异常有关,恰遇某个路口超长时间的红灯,每每感叹该路口浪费多少青春年华,此时却从容拿出电脑,对 Thrift 抛出的异常做了临时处理,运行测试,果然不再 OOM 了!


思路一下子清晰起来:虽然 Thrift 做了多余字段的 skip 处理,但由于抛出的异常,这些 skip 操作并未执行到,甚至,List 中第一个元素校验抛出异常后,后面所有字段都未继续消费!


按该思路重新阅读相关代码,果然找到了可疑点:Thrift 接受服务端响应时,会首先解析 TMessage 对象,前 4 个字节(I32)代表了某个字符串的长度,后面 readStringBody()方法会分配该长度的字节数组(byte[] buf = new byte[size]),该字符串实际上是 thrift 的方法名,而 debug 发现,长度值是 184549632,大约 176M,这合理解释了为什么 10 个并发就会触发 OOM。



小结:Thrift 接收到请求后首先读取 TMessage 结构,IDL 版本不一致的极端情况下,会分配 176M 的内存空间,导致 10 个并发就占用上 G 内存,触发 OOM。

四. 为什么会分配 176 兆的内存空间?

解决这个问题,有助于了解哪些场景下会触发 OOM,从而更好地避免。


参考 Thrift TServiceClient 的 receiveBase()方法,详细介绍了返回值的解析过程,参考下图可以更好地理解,基本上是一个从前到后类似堆栈的反序列化:



前面已经介绍过,如果返回值中多了参数、或者参数类型不对,Thrift 可以通过 skip()操作对该字段进行忽略。但 thrift 对 struct 结构体有个额外的操作,就是解析完成后的调用 validate()方法,如果结构不合法,会抛出异常:



正常情况下,这里抛出异常,请求失败,应该关闭该连接,或者想重用连接的话,要先把底层 Socket 的输入流做清零处理。但 Thrift 未对输入流做任何处理,直接重用了该 CLient 实例及其底层的 Socket 连接,导致下一次解析响应数据时,读取的是上一次请求失败未处理完的数据。由于连接及底层 Socket 被重用,下一次发出请求,很快收到响应,Thrift 惯例开始读取消息头:readMessageBegin→readI32(),由于存在未清空的脏数据,根据上图的堆栈分析,readI32()时读取的这 4 个字节,分别是:


byte type = TType.STRING; // 字节 0:Item 第一个字段(name)的类型,String,值为 11


short id = 1; // 字节 1 和 2:Item 第一个字段(name)的位置,值为 1


int size = 6; // 字节 3:Item 第一个字段(name)的 size 的首字节,值为 6


byte(1 个字节)+short(2 个字节)+int(第 1 个字节),按 big endian 编码,其值恰好等于 184549632:


小结:184549632 的出现有其必然性,不恰当的 IDL 变更,Thrift 客户端抛出异常后未做输入流清理,下一个请求会把之前的残留数据,错误解析成字符串大小,很快导致 OOM。

五. 没遇到 OOM,我是不是很幸运?

当然依 IDL 不同、异常抛出的位置不同,读取消息头时 readI32()读取的数字不一定恰好是 184549632。项目中提供了一个叫做 sample2 的 IDL,旧 Client 访问新 server 时,该值的大小是 8388864,大约等于 8M,因此 10 个并发甚至 100 个并发也不一定会触发 OOM。


所以当有不恰当的 IDL 变更,你没遇到 OOM,只是幸运而已。


但进一步分析,这种情况虽不会触发 OOM,但客户端一直等待服务端返回 8388864 个字节的数据,久等而不得,于是该连接被阻塞了,一直到超时。


小结:不恰当的 IDL 变更,不会全部导致 OOM,也有可能导致大量连接被阻塞,直到超时错误。

六. 如何修复 OOM?

参考 Thrift themissing guide 文档,IDL 变更要有规范,并在团队内反复宣导。


讽刺的是,“通过规范、最佳实践来避免 Crash 类问题”,本身就不是一种最佳实践,至少使用 Http 协议不用遇到这种问题。


这可以认为是 Thrift 自身的一个缺陷,作为当前广泛使用的 RPC 协议,需要优雅地处理用户必须遇到的 IDL 变更的问题。


思路一:读取任何 struct 类型的字段时,catch 住异常,保障 thrift 把输入流的所有数据读完


Thrift 在反序列化阶段,遇到任何 struct 类型的字段,读取结束后都会调用 validate()方法,因此在 struct 类型字段的读取时,可以添加 try-catch 校验异常,保证 thrift 读完所有的数据。


该思路经测试验证可以,但需要修改的地方较多,不具备可操作性。


思路二:无论是否抛出异常,从协议层面保证清空输入流的残留数据


该思路具备较好的收敛性,只需要修改 Thrift 源码的 2 个文件:TServiceClient 修改如下图


1,TSocket 类的修改如下图 2:



经压测验证,在 Macbook Air 上,使用 100 个并发进行验证,持续 15 分钟,累计发送~160 万次请求,单次请求响应数据量~0.5K,除了正常报错,客户端、服务端内存无任何异常。


小结:Thrift IDL 变更不可避免,上下游版本不一致也不可避免,协议其实可以做到优雅地去处理,而不是 OOM 了事。

七. 有没有临时方案?

思路一:使用严格读模式?


Thrift 众多的配置项中,有严格读(strictRead)、严格写(strictWrite)两个选项,由于严格读默认值为 False,改为 true 是否可以呢?如果 OK 的话,只需要修改配置而无需修改源码,这将会是最轻量级的方案。查看 Thrift 源码,如果命中严格读会提前报错,避免下方 readStringBody()方法分配太大的内存空间:


严格读(strictRead)的修改方式如下:


// 很多情况下大家如此使用 TProtocol 创建连接,此时 strictWrite 值为 true,而、strictRead 值为 false;


TProtocol protocol = new TBinaryProtocol(transport);


// 严格读:直接创建 TBinaryProtocol,传入参数


TProtocol protocol = new TBinaryProtocol(transport, true, true);


// 严格读:使用 Protocol 工厂模式,传入参数


TBinaryProtocol.Factory protFactory = new TBinaryProtocol.Factory(true, true);


经测试验证,使用严格读之后,客户端还会报错,但 OOM 问题消失了!“貌似”这也是我们想要的结果,压测效果如何呢?


在 MacbookAir 上,使用 100 个并发进行验证,5 分钟之后,发送大约 56 万请求,客户端出现大量的 SocketException(Broken pipe),甚至客户端开始宕死。


究其原因,strictRead 虽然避免了创建大量字节数组,但抛异常时 thrift 也未对输入流做任何清理,会产生误读取残余数据,甚至引起连接阻塞。


所以使用严格读,并不能解决这一问题,同样 thrift 提供了另外一个配置项“读取字符串或字节的最大长度(stringLengthLimit_)”,也不能解决该问题。


思路二:使用短连接?


每个请求创建一个短连接,用完就关闭?这样虽可以避免请求之间的数据污染,但毫无疑问也会带来较大的性能损失,通常不建议。


思路三:使用 TFramedTransport?


TFramedTransport 对整帧数据使用了缓存,一次性把底层 Socket 中 Inputstream 中的数据完全读到了 readBuffer,理论上不会出现 OOM 了。


验证了一把,很可惜还是会 OOM,原因是抛异常之后,TFramedTransport 中的 readBuffer 中的数据未做清理,下次请求会错误读取 readBuffer 中的残余数据。


如果你想验证,可以运行 OldClientNewServerTest 中的测试用例:oldclient_should_oom_if_use_TFramedTransport_at_concurrency_10


小结:使用严格读、限制字符串长度等配置方式,使用 TFramedTransport 都不能完美解决问题,要么 OOM,要么连接被阻塞。而短连接对性能影响较大,在 Thrift 中也很少使用。

八. 总结

Thrift IDL 不恰当地变更,当上下游 IDL 版本不一致时,极易引发字段错位、连接阻塞、甚至 OOM。Java、Go 等语言实现中均存在该问题,并广泛存在于 Thrift 0.9 到最新的 0.13.0-snapshot 等各个版本。


该问题触发的根本原因是:客户端接收数据后,对 struct 类型做 validate()时抛出异常,并未对底层的 socket 输入流做清零处理,后续请求误把残留数据读作字节长度,极易引发 OOM,或者导致 Socket 连接阻塞超时。


Thrift IDL 变更不可避免,上下游版本不一致也不可避免,从协议层面提供优雅支持是完全可能的。已向 Thrift 提交 Issue,以及部分语言实现的 Pull Request,但争吵几轮之后,Thrift 维护人员拒绝合并,认为“遵守最佳实践就够了”,他们敷衍的态度太让人 piss off 了。


本文转载自技术锁话公众号。


原文链接:https://mp.weixin.qq.com/s/aqHoM7-hKQOFHRzWipfa8g


2020-04-24 15:474039

评论 1 条评论

发布
用户头像
毛蛋,这个文章是我写的...
2021-11-11 16:11
回复
没有更多了
发现更多内容

HTML标准第二章总结:HTML的基础设施

水鱼兄

说说React-Router底层实现?-面试进阶

beifeng1996

React

现在啥软件都有开源,BI 呢?干货推荐

jiangxl

开发者 J 有意思|1024 开发者嘉年华活动正式启幕

Jina AI

人工智能 开源 开发者 工程师 1024

面试官:说说React-SSR的原理

beifeng1996

React

实时营销引擎在vivo营销自动化中的实践 | 引擎篇04

vivo互联网技术

服务器 架构设计 引擎

一次性学懂Excel中的Power Query和Power Pivot使用

博文视点Broadview

假如面试官问你Babel的原理该怎么回答

loveX001

JavaScript

找到字符串中所有字母异位词

掘金安东尼

算法 10月月更

【LeetCode】滑动窗口的最大值Java题解

Albert

LeetCode 10月月更

crossorigin属性:为什么它是避免tainted canvases的关键?

水鱼兄

Mybatis批量插入数据

源字节1号

软件开发 后端开发

一次磁盘占用率 100% 的排查记录

悟空聊架构

Docker 磁盘 悟空聊架构

js异步编程面试题你能答上来几道

loveX001

JavaScript

Python进阶(八)编写带参数decorator

No Silver Bullet

Python 10月月更 decorator

结构化克隆:浏览器的序列化机制

水鱼兄

详解数仓的锁相关参数及视图

华为云开发者联盟

数据库 后端 华为云 企业号十月 PK 榜

JS模块化—CJS&AMD&CMD&ES6-前端面试知识点查漏补缺

loveX001

JavaScript

Qt | 深入了解Qt的视图类

YOLO.

qt 10月月更 C++

Java中的常量和变量

共饮一杯无

Java 10月月更 常量与变量

手写一个Redux,深入理解其原理-面试进阶

beifeng1996

React

问:你是如何进行react状态管理方案选择的?

beifeng1996

React

Python进阶(九)Python陷阱:Nonetype

No Silver Bullet

Python 10月月更 Nonetype 实例定义方法

Java的八种基本数据类型

共饮一杯无

Java 基本数据类型 10月月更

以整数解析为例,如何读懂标准里的算法?

水鱼兄

聊聊面试中的过滤器与拦截器

TimeFriends

全球第一!新一代云原生实时数仓 SelectDB 登顶 ClickBench 榜单!

SelectDB

性能测试 Clickhouse 分析型数据库 数仓 SelectDB

Qt | 实现自定义验证码输入框控件

YOLO.

qt 10月月更 C++

智慧城市交通 Sovit3D打造智慧交通可视化决策系统

数据可视化平台

物联网 智慧交通 三维可视化 智慧城市交通 城市交通系统

一文读懂web标准的基石:web IDL

水鱼兄

2022云栖大会|EMAS专项嘉宾领票通道现已开启

移动研发平台EMAS

云计算 阿里云 低代码 云栖大会 行业峰会

一起变更引发的惨案_文化 & 方法_技术琐话_InfoQ精选文章