MongoDB系統CentOS 7.1 crash的排障過程

【作者】

王棟：攜程技術保障中心數據庫專家，對數據庫疑難問題的排查和數據庫自動化智能化運維工具的開發有強烈的興趣。

【問題描述】

最近我們有多台MongoDB的服務器CentOS 7.1系統發生了crash，會不定期的自動重啟。

【排查思路】

1、碰到linux系統crash的問題，我們首先想到的是排查系統日志/var/log/message，看是否有硬件問題或其他原因。抽查了多台服務器在crash的時間點message中都沒有記錄異常信息。

2、對於CentOS 7的系統，我們可以使用journalctl工具查看內核以及服務等產生的日志信息，檢查相關日志只記錄發生過reboot，沒有其他異常信息。

3、 一般linux系統都默認配置了kdump，kdump是基於kexec的內核崩潰轉儲機制，可以轉儲內核崩潰時的內存鏡像。在其中一台服務器上我們在/var/crash/127.0.0.1-2018.12.26-00:31:04目錄下找到了轉儲文件vmcore。

【排障過程】

1、 為了避免對生產環境造成影響，我們將vmcore文件拷貝到內核版本相同的一台測試服務器上

2、 使用crash工具分析vmcore文件，在測試服務器上先安裝crash工具：

yum install crash

3、 安裝debuginfo包，可以在官網上下載對應kernel版本的debuginfo包：

https://buildlogs.centos.org/c7.1511.u/kernel/20161024152721/3.10.0-327.36.3.el7.x86_64/

安裝依賴包及debuginfo包：

rpm -ivh kernel-debuginfo-common-x86_64-3.10.0-327.36.3.el7.x86_64.rpm
rpm -ivh kernel-debuginfo-3.10.0-327.36.3.el7.x86_64.rpm

4、使用crash工具分析/var/crash下的轉儲文件vmcore，命令如下：

crash /usr/lib/debug/lib/modules/3.10.0-327.36.3.el7.x86_64/vmlinux vmcore

5、可以看到kernel crash時的Call Trace，關鍵信息見黃色背景字體：

crash> bt
PID: 9979   TASK: ffff8804b4020b80  CPU: 2   COMMAND: "crond"
\#0 [ffff8804b42db778] machine_kexec at ffffffff81051e9b
\#1 [ffff8804b42db7d8] crash_kexec at ffffffff810f27e2
\#2 [ffff8804b42db8a8] oops_end at ffffffff8163f448
\#3 [ffff8804b42db8d0] no_context at ffffffff8162f561
\#4 [ffff8804b42db920] __bad_area_nosemaphore at ffffffff8162f5f7
\#5 [ffff8804b42db968] bad_area at ffffffff8162f91b
\#6 [ffff8804b42db990] __do_page_fault at ffffffff81642235
\#7 [ffff8804b42db9f0] trace_do_page_fault at ffffffff81642403
\#8 [ffff8804b42dba28] do_async_page_fault at ffffffff81641ae9
\#9 [ffff8804b42dba40] async_page_fault at ffffffff8163e678
    [exception RIP: netlink_compare+11]
    RIP: ffffffff815560bb  RSP: ffff8804b42dbaf8  RFLAGS: 00010246
    RAX: 0000000000000000  RBX: 000000049f250000  RCX: 00000000c3637c42
    RDX: 00000000000026fb  RSI: ffff8804b42dbb48  RDI: 000000049f24fb78
    RBP: ffff8804b42dbb30   R8: ffff8804b42dbb44   R9: 0000000000002170
    R10: 0000000000000000  R11: ffff8804b42db966  R12: ffff88061dcd2678
    R13: ffff8804b42dbb48  R14: ffffffff815560b0  R15: ffff88061b639000
    ORIG_RAX: ffffffffffffffff  CS: 0010  SS: 0018
\#10 [ffff8804b42dbb00] rhashtable_lookup_compare at ffffffff813080d0
\#11 [ffff8804b42dbb38] netlink_lookup at ffffffff815569ee
\#12 [ffff8804b42dbb68] netlink_getsockbyportid at ffffffff81557d8f
\#13 [ffff8804b42dbb80] netlink_alloc_skb at ffffffff81557dff
\#14 [ffff8804b42dbbb8] netlink_ack at ffffffff8155a8a9
\#15 [ffff8804b42dbbf0] audit_receive at ffffffff811067e7
\#16 [ffff8804b42dbc18] netlink_unicast at ffffffff8155a02d
\#17 [ffff8804b42dbc60] netlink_sendmsg at ffffffff8155a420
\#18 [ffff8804b42dbcf8] sock_sendmsg at ffffffff815112d0
\#19 [ffff8804b42dbe58] SYSC_sendto at ffffffff81511841
\#20 [ffff8804b42dbf70] sys_sendto at ffffffff815122ce
\#21 [ffff8804b42dbf80] system_call_fastpath at ffffffff81646b49
    RIP: 00007f4ac19d5353  RSP: 00007ffe233b1fb8  RFLAGS: 00010202
    RAX: 000000000000002c  RBX: ffffffff81646b49  RCX: 0000000000000000
    RDX: 000000000000009c  RSI: 00007ffe233b1ff0  RDI: 0000000000000003
    RBP: 00007ffe233b1ff0   R8: 00007ffe233b1fe0   R9: 000000000000000c
    R10: 0000000000000000  R11: 0000000000000246  R12: ffffffff815122ce
    R13: ffff8804b42dbf78  R14: 000000000000044d  R15: 0000000000000001
ORIG_RAX: 000000000000002c  CS: 0033  SS: 002b

6、搜索rhashtable_lookup_compare關鍵字，定位到這是kernel Linux 3.10.0-327.36.3.el7.x86_64的一個bug，詳細描述可以參見下面，該bug在 7.3 kernel (3.10.0-514.el7)后修復：

https://bugs.centos.org/view.php?id=12012

【定位bug觸發條件】

1、考慮到升級系統成本較高，嘗試定位觸發bug的條件，可以看到觸發這個bug是crond命令：

PID: 9979   TASK: ffff8804b4020b80  CPU: 2   COMMAND: "crond"

2、借助systemtap工具，在發生crash的kernel函數上加探針，並打印kernel backtrace，process id，process name等信息，腳本如下：

probe kernel.function("rhashtable_lookup_compare") {
  print_backtrace();
  printf ("%d\n%s\n", pid(),execname());
} 

3、抓取到crond等系統命令確實會調用rhashtable_lookup_compare函數，而其他命令的調用堆棧並不完全相同：

25756
crond
 0xffffffff81308080 : rhashtable_lookup_compare+0x0/0x90 [kernel]
 0xffffffff815569ee : netlink_lookup+0x4e/0x80 [kernel]
 0xffffffff81557d8f : netlink_getsockbyportid+0x1f/0x70 [kernel]
 0xffffffff81559fe9 : netlink_unicast+0xa9/0x1b0 [kernel]
 0xffffffff8155a8f9 : netlink_ack+0x99/0x110 [kernel]
 0xffffffff811067e7 : audit_receive+0x67/0xa0 [kernel]
 0xffffffff8155a02d : netlink_unicast+0xed/0x1b0 [kernel]
 0xffffffff8155a420 : netlink_sendmsg+0x330/0x770 [kernel]
 0xffffffff815112d0 : sock_sendmsg+0xb0/0xf0 [kernel]
 0xffffffff81511841 : SYSC_sendto+0x121/0x1c0 [kernel]
 0xffffffff815122ce : SyS_sendto+0xe/0x10 [kernel]
 0xffffffff81646b49 : system_call_fastpath+0x16/0x1b [kernel]

4、考慮到MongoDB最近新上了一套監控的腳本是通過crontab調度的，而上監控之前服務器重啟的情況很少。猜測可能是crontab調度系統監控程序觸發了kernel bug，后面將監控腳本改為服務的方式觀察是否可以規避觸發bug。

【解決思路】

我們通過分析kernel crash時的轉儲文件，定位到CentOS 7.1系統存在自動重啟的bug，建議新的linux服務器都采用CentOS 7.4的系統。
考慮到升級系統成本較高，將crontab調度的程序改為服務的方式，來嘗試規避觸發bug。