最近有做一個Prometheus metrics代理的一個小項目，暫稱為prom-proxy，目的是為了解析特定的指標(如容器、traefik、istio等指標)，然后在原始指標中加入應用ID(當然還有其他指標操作，暫且不表)。經過簡單的本地驗證，就發布到聯調環境，跑了幾個禮拜一切正常，以為相安無事。但自以為沒事不代表真的沒事。
昨天突然老環境和新上prom-proxy的環境都出現了數據丟失的情況，如下圖：
prom-proxy有一個自服務指標request_total，經觀察發現，該指標增長極慢，因而一開始懷疑是發送端的問題(這是一個誤區，后面會講為何要增加緩存功能)。
進一步排查，發現上游發送端(使用的是victoriaMetrics的vmagent組件)出現了如下錯誤，說明是prom-proxy消費的數據跟不上vmagent產生的數據：
2022-03-24T09:55:49.945Z warn VictoriaMetrics/app/vmagent/remotewrite/client.go:277 couldn't send a block with size 370113 bytes to "1:secret-url": Post "xxxx": context deadline exceeded (Client.Timeout exceeded while awaiting headers); re-sending the block in 16.000 seconds
出現這種問題，首先想到的是增加並發處理功能。當前的並發處理數為8(即后台的goroutine數目)，考慮到線上宿主機的core有30+，因此直接將並發處理數拉到30。經驗證發現毫無改善。
另外想到的一種方式是緩存，如使用kafka或使用golang自帶的緩存chan。但使用緩存也有問題，如果下游消費能力一直跟不上，緩存中將會產生大量積壓的數據，且Prometheus監控指標具有時效性，積壓過久的數據，可用性並不高又浪費存儲空間。
下面是使用了緩存chan的例子，s.reqChan的初始大小設置為5000，並使用cacheTotal指標觀察緩存的變更。這種方式下，數據接收和處理變為了異步(但並不完全異步)。
上面一開始有講到使用
request_total查看上游的請求是個誤區，是因為請求統計和請求處理是同步的，因此如果請求沒有處理完，就無法接收下一個請求，request_total也就無法增加。
func (s *Server) injectLabels(w http.ResponseWriter, r *http.Request) {
data, _ := DecodeWriteRequest(r.Body)
s.reqChan <- data
cacheTotal.Inc()
w.WriteHeader(http.StatusNoContent)
}
func (s *Server) Start() {
go func() {
for data := range s.reqChan {
cacheTotal.Dec()
processor := s.pool.GetWorkRequest()
go func() {
processor.JobChan <- data
res := <-processor.RetChan
if 0 != len(res.errStr) {
log.Errorf("err msg:%s,err.code:%d", res.errStr, res.statusCode)
return
}
}()
}
}()
}
上線后觀察發現cacheTotal的統計增加很快，說明之前就是因為處理能力不足導致request_total統計慢。
至此似乎陷入了一個死胡同。多goroutine和緩存都是不可取的。
回顧一下，prom-proxy中處理了cadvisor、kube-state-metrics、istio和traefik的指標，同時在處理的時候做了自監控，統計了各個類型的指標。例如：
prom-proxy_metrics_total{kind="container"} 1.0396728e+07
prom-proxy_metrics_total{kind="istio"} 620414
prom-proxy_metrics_total{kind="total"} 2.6840415e+07
在cacheTotal迅猛增加的同時，發現request_total增長極慢(表示已處理的請求)，且istio類型的指標處理速率很慢，，而container類型的指標處理速度則非常快。這是一個疑點。
vmagent的一個請求中可能包含上千個指標，可能會混合各類指標，如容器指標、網關指標、中間件指標等等。
通過排查istio指標處理的相關代碼，發現有三處可以優化：
- 更精確地匹配需要處理的指標：之前是通過前綴通配符匹配的，經過精確匹配之后，相比之前處理的指標數下降了一半。
- 代碼中有重復寫入指標的bug：這一處IO操作耗時極大
- 將寫入指標操作放到獨立的goroutine pool中，獨立於標簽處理
經過上述優化，上線后發現緩存為0，性能達標！
一開始在開發完
prom-proxy之后也做了簡單的benchmark測試，但考慮到是在辦公網驗證的，網速本來就慢，因此注釋掉了寫入指標的代碼，初步驗證性能還算可以就結束了，沒想到埋了一個深坑。所以所有功能都需要覆蓋驗證，未驗證的功能點都有可能是坑！
總結
- 服務中必須增加必要的自監控指標：對於高頻率請求的服務，增加請求緩存機制，即便不能削峰填谷，也可以作為一個監控指標(通過Prometheus metric暴露的)，用於觀察是否有請求積壓；此外由於很多線上環境並不能直接到宿主機進行操作，像獲取火焰圖之類的方式往往不可行，此時指標就可以作為一個參考模型。
- 進行多維度度、全面的benchmark：代碼性能分為計算型和IO型。前者是算法問題，后者則涉及的問題比較多，如網絡問題、並發不足的問題、使用了阻塞IO等。在進行benchmark的時候可以將其分開驗證，即注釋掉可能耗時的IO操作，首先驗證計算型的性能，在計算型性能達標時啟用IO操作，進一步做全面的benchmark驗證。
后續
喜聞樂見的后續來了。。。
由於公司有兩個大的線上集群，暫稱為more集群和less集群，很不幸，性能達標的就是less集群的，其指標數據相比more集群來說非常less，大概是前者的十分之一。上到more集群之后服務內存直接達到50G，多個副本一起吃內存，直接將節點搞掛了。
迫不得已(又是那句話，感覺對了的點往往不對)，重新做了pprof壓力測試，發現內存黑洞就是下面這個函數(來自Prometheus)，即便在辦公電腦下進行壓測，其內存使用仍然達到好幾百M。該函數主要是讀取vmagent傳來的請求，首先進行snappy.Decode解碼，然后unmarshal到臨時變量wr中。低流量下完全沒有問題，但高流量下完全無法應對：
func DecodeWriteRequest(r io.Reader) (*ReqData, error) {
compressed, err := ioutil.ReadAll(r)
if err != nil {
return nil, err
}
reqBuf, err := snappy.Decode(nil, compressed)
if err != nil {
return nil, err
}
var wr prompb.WriteRequest
if err := proto.Unmarshal(reqBuf, &wr); err != nil {
return nil, err
}
return &ReqData{
reqBuf: reqBuf,
wr: &wr,
}, nil
}
解決辦法就是拿出sync.pool大殺器，下面方式參考了victoriaMetrics的byteutil庫(代碼路徑lib/byteutil)，有興趣的可以去看下，經過壓測，相同測試情況下內存降到了不足100M。
func DecodeWriteRequest(r io.Reader, callback func(*prompb.WriteRequest)) error {
ctx := getPushCtx(r)
defer putPushCtx(ctx)
if err := ctx.Read(); err != nil {
return err
}
bb := bodyBufferPool.Get()
defer bodyBufferPool.Put(bb)
var err error
bb.B, err = snappy.Decode(bb.B[:cap(bb.B)], ctx.reqBuf.B)
if err != nil {
return err
}
wr := getWriteRequest()
defer putWriteRequest(wr)
if err := wr.Unmarshal(bb.B); err != nil {
return err
}
callback(wr)
return nil
}
這樣一來性能完全達標，10core下單pod每秒可以處理250w個指標！
重新發布線上，自然又出問題了，這次prom-proxy服務一切正常，但導致后端vmstorage(victoriametrics的存儲服務)內存爆滿。經過初步定位，是由於出現了slow insert，即出現大量 active time series導致緩存miss，進而導致內存暴增(prom-proxy服務會在原始指標中增加標簽，並創建其他新的指標，這兩類指標數目非常龐大，都屬於active time series)。
最終的解決方式是將修改的指標作分類，並支持配置化啟用，即如果修改的指標類型有：A、B、C、D四類。首先上線A，然后上線B，以此類推，讓vmstorage逐步處理active time series，以此減少對后端存儲的瞬時壓力。
vmstorage有一個參數：
--storage.maxDailySeries，它可以限制active time series的數目。但環境中正常情況下就有大量active time serials，如果設置了這個參數，新增的active time serials極有可能會擠掉老的active time serials，造成老數據丟失。
至此，結束。