tcp socket文件句柄泄漏

今天发现有台redis机器上出现socket个数告警，这是很奇怪的现象。因为一台redis服务器上就部署了几个redis实例，打开的端口应该是有限。

1、netstat显示的tcp连接数正常

netstat -n | awk '/^tcp/ {++state[$NF]} END {for(key in state) print key,"\t",state[key]}'TIME_WAIT        221ESTABLISHED      103netstat  -nat |wc -l368

建立的tcp连接数并不是很多。

2、ss -s显示大量的closed连接

ss -sTotal: 158211 (kernel 158355)TCP:   157740 (estab 103, closed 157624, orphaned 0, synrecv 0, timewait 173/0), ports 203Transport Total     IP        IPv6*         158355    -         -        RAW       0         0         0        UDP       9         6         3        TCP       116       80        36       INET      125       86        39       FRAG      0         0         0        

closed 157624，很多socket是处于closed状态。

而我的系统监控取值方法是:

cat /proc/net/sockstat | grep sockets | awk '{print $3}'158391cat /proc/net/sockstatsockets: used 158400TCP: inuse 89 orphan 2 tw 197 alloc 157760 mem 16UDP: inuse 6 mem 0UDPLITE: inuse 0RAW: inuse 0FRAG: inuse 0 memory 0

很多socket处于alloc状态，已经分配sk_buffer,而且处于closed。
redis的file discriptes存在泄漏，没有被内核回收。

3、追查真凶
上面信息说明存在socket fd泄漏，那么用lsof命令检查系统sock的文件句柄。

lsof | grep sockjava        4684      apps *280u     sock                0,6       0t0 675441359 can't identify protocoljava        4684      apps *281u     sock                0,6       0t0 675441393 can't identify protocoljava        4684      apps *282u     sock                0,6       0t0 675441405 can't identify protocoljava        4684      apps *283u     sock                0,6       0t0 675441523 can't identify protocoljava        4684      apps *284u     sock                0,6       0t0 675441532 can't identify protocoljava        4684      apps *285u     sock                0,6       0t0 675441566 can't identify protocol

可以发现，Name列的值为“an’t identify protocol”，socket找不到打开的文件，。

这个显示，是java进程（pid=4684）出现了socket fd泄漏的状况。

ps auxww | grep 4684

发现是redis机器上日志收集工具flume。

4、解决方案
没有很好的的方法，简单粗暴的kill占有scoket fd的进程。
<更新于2015年3月11日 20:05:30>
今天发现，重启flume agent之后，仍然会出现这种大量的closed socket现象。
strace flume进程，发现flume进程已经挂起了。

sudo strace -p 36111Process 36111 attached - interrupt to quitfutex(0x2b80e2c2e9d0, FUTEX_WAIT, 36120, NULL

首先，我比较怀疑文件句柄不够用，因为google查找到的资料也提高了文件fd不够而导致这种问题。
在我的机器上，最大允许打开的文件数为131072，文件fd个数还有近1/4没有使用。

lsof | wc -l 10201ulimit -a ulimit  -n131072

这时，同事提示我，还有其他大量机器也出现了这种问题（flume已经上线了3个月，之前都很正常）。
这是，我想起了还有flume的日志可以查看。而查看flume的日志，提示flume找不到broker 5。
纳尼，不是kafka集群不是只有4个broker（节点）。这时候才想起前几天的邮件然来spark开发的同事，对kakf集群进行扩容了。
而新的集群节点9092端口对这台redis所在的机房没有开放访问权限。

 [SinkRunner-PollingRunner-DefaultSinkProcessor] (kafka.utils.Logging$class.warn:89)  - Failed to send producer request with correlation id 63687539 to broker 5 with data for partitions [titan,4]

5、问题重现
在lsof: can’t identify protocol这篇文章中，用python代码重现了这种状况。

：）

在解决问题时，google查找是一种比较快捷的方式。而有时候，google出来的结果反而会影响排查问题的方向。
在我看到google的搜索结果之后，第一感觉是因为操作系统的max open files参数太小导致。在发现不是这个原因之后。我的思路仍然停留在内核参数是否配置合理的思路上。知道其他的机器上部署的flume出现了同种状况是，我才意识到是flume本身出了问题，才去strace flume进程的状态和查看flume的日志。