在 Linux 内核中诊断网络问题

几周前，我们开始注意位于华盛顿的追踪API的服务器网络流量有很大的变化。从一个相当稳定的日常模式下，我们开始看到300-400 Mbps尖峰流量，但我们的合法的流量（事件和人为更新）是不变的。

突然，我们的网络流量开始飙升像疯了似的。

找到虚假的流量来源是当务之急，因为这些尖峰流量正触发我们的上游路由器启动DDOS减灾模式来阻止流量。

有一些很好的内置的Linux工具帮助诊断网络问题。

• ifconfig 会显示你的网络接口和多少数据包通过他们

• ethtool -S 会显示你的数据包流的一些更详细的信息，象在NIC级丢弃的数据包的数量。

• iptables -L -v -n 将显示你的各种防火墙规则处理数据包数。

• netstat -s 会告诉由内核网络协议栈维护的一大堆的计数器值，例如ACK的数量，重发的数量等。

• sysctl -a | grep net.ip 将显示你所有kernel中网络相关的设置。

• tcpdump 将显示进出包的内容。

解决问题的线索是使用netstat -s命令的输出。 不幸的是，当你检查这个命令的输出的时候，还很难告诉这些数字意味着什么，应该是什么，以及它们是如何改变的。为了检查他们是如何变化的，我们创建了一个小程序来显示连续运行命令的输出，这让我们了解各种计数器变化的快慢。一个输出线看起来特别令人担忧。

此计数器的通常速率在未受影响的服务器上一般是 30-40 /秒，所以我们知道肯定是哪里出问题了。计数器表明我们正拒绝大量的包，因为这些包含有无效的 TCP 时间戳。临时的快速解决方案是用下面的命令关闭 TCP 时间戳：

?

1

sysctl -w net.ipv4.tcp_timestamps=0

这立即导致了包风暴停止。但是这不是一个永久性的解决方案，因为 TCP 时间戳是用于测量往返时间和分配数据包流中的延迟包到正确位置。在高速连接的时候这将成为一个问题，TCP 序列号可能在数秒间隔内缠绕。关于 TCP 的时间戳和性能的详细信息，请看 RFC 1323。

 

在 Mixpanel，每当我们看到异常流量模式的时候，我们一般也运行 tcpdump，这样我们能够分析流量，然后试图确定根本原因。我们发现大量的 TCP ACK 数据包在我们的 API 服务器和一个特定的 IP 地址之间来回发送。结果我们的服务器陷入到向另一台服务器来来回回发送 TCP ACK 包的无限循环里面。一个主机持续地发出 TCP 时间戳，但是另一主机却不能识别这是有效的时间戳。
 

这时，我们意识到我们正在处理一个只能在 Linux 内核的 TCP 协议栈才能解决问题。所以我们的 CTO求助于 linux-netdev 看看是否能找到一个解决方案。值得庆幸的是我们发现这个问题已经遇到过的，并且有一个解决方案。原来，这种类型的包风暴可以由一些硬件故障或第三方改变 TCP SEQ，ACK，或连接中的主机认为对方发送过期的数据包所触发。避免让这种情况变成一个包风暴的方法是限制速度，设置 Linux 发送重复的 ACK 数据包速度为每秒一个或两个。这里有一个非常好的解释。

我们将接受这个补丁而且将之移植到当前正在使用的Ubuntu（Trusty）内核当中。感谢Ubuntu让这一切变得非常简单，重新编译修补过的内核仅仅只需要运行下面的命令，安装生成的.deb包并重启系统。

?

1

2

3

4

5

6

7

8

9

10

11

# Get the kernel source and build dependencies

apt-get build-dep linux-image-3.13.0-45-generic

apt-get source linux-image-3.13.0-45-generic

  

# Apply the patch file.

cd linux-lts-trusty-3.13.0/

patch -p1 < Mitigate-TCP-ACK-Loops.patch

  

# Build the kernel

fakeroot ./debian/rules clean

fakeroot ./debian/rules binary-headers binary-generic