ArthurChiao's Blog

[译] Facebook 流量路由最佳实践:从公网入口到内网业务的全路径 XDP/BPF 基础设施(LPC, 2021)

Published at 2021-12-05 | Last Update 2021-12-11

译者序

本文翻译自 Facebook 在 LPC 2021 大会上的一篇分享: From XDP to Socket: Routing of packets beyond XDP with BPF

标题可直译为《从 XDP 到 Socket 的(全路径)流量路由:XDP 不够,BPF 来凑》,因为 XDP 运行 在网卡上,而且在边界和流量入口,再往后的路径(尤其是到了内核协议栈)它就管不 到了,所以引入了其他一些 BPF 技术来“接力”这个路由过程。另外, 这里的“路由”并非狭义的路由器三层路由,而是泛指 L3-L7 流量转发。

翻译时加了一些链接和代码片段,以更方便理解。

由于译者水平有限,本文不免存在遗漏或错误之处。如有疑问,请查阅原文。

以下是译文。



1 引言

用户请求从公网到达 Facebook 的边界 L4LB 节点之后,往下会涉及到两个阶段(每个阶 段都包括了 L4/L7)的流量转发:

  1. 从 LB 节点负载均衡到特定主机
  2. 主机内:将流量负载均衡到不同 socket

以上两个阶段都涉及到流量的一致性路由(consistent routing of packets)问题。 本文介绍这一过程中面临的挑战,以及我们如何基于最新的 BPF/XDP 特性来应对这些挑战。

1.1 前期工作

几年前也是在 LPC 大会,我们分享了 Facebook 基于 XDP 开发的几种服务,例如

  1. 基于 XDP 的四层负载均衡器(L4LB) katran, 从 2017 年开始,每个进入 facebook.com 的包都是经过 XDP 处理的;
  2. 基于 XDP 的防火墙(挡在 katran 前面)。

Facebook 两代软件 L4LB 对比。
左:第一代,基于 IPVS,L4LB 需独占节点;右:第二代,基于 XDP,不需独占节点,与业务后端混部。

1.2 Facebook 流量基础设施

从层次上来说,如下图所示,Facebook 的流量基础设施分为两层:

  1. 边界层(edge tiers),位于 PoP 点
  2. 数据中心层,我们称为 Origin DC

  • 每层都有一套全功能 LB(L4+L7)
  • Edge PoP 和 Origin DC 之间的 LB 通常是长链接

从功能上来说,如下图所示:

  1. 用户连接(user connections)在边界终结
  2. Edge PoP LB 将 L7 流量路由到终端主机,
  3. Origin DC LB 再将 L7 流量路由到最终的应用,例如 HHVM 服务。

1.3 面临的挑战

总结一下前面的内容:公网流量到达边界节点后,接下来会涉及 两个阶段的流量负载均衡(每个阶段都是 L4+L7),

  1. 宏观层面:LB 节点 -> 后端主机
  2. 微观层面(主机内):主机内核 -> 主机内的不同 socket

这两个阶段都涉及到流量的高效、一致性路由(consistent routing)问题。

本文介绍这一过程中面临的挑战,以及我们是如何基于最新的 BPF/XDP 特性 来解决这些挑战的。具体来说,我们用到了两种类型的 BPF 程序:

  1. BPF TCP header options:解决主机外(宏观)负载均衡问题;
  2. BPF_PROG_TYPE_SK_REUSEPORT (及相关 map 类型 BPF_MAP_TYPE_REUSEPORT_SOCKARRAY):解决主机内(微观)负载均衡问题。

2 选择后端主机:数据中心内流量的一致性与无状态路由(四层负载均衡)

先看第一部分,从 LB 节点转发到 backend 机器时,如何来选择主机。 这是四层负载均衡问题。

2.1 Katran (L4LB) 负载均衡机制

回到流量基础设施图,这里主要关注 Origin DC 内部 L4-L7 的负载均衡,

katran 是基于 XDP 实现的四层负载均衡器,它的内部机制:

  • 实现了一个 Maglev Hash 变种,通过一致性哈希选择后端;
  • 在一致性哈希之上,还维护了自己的一个本地缓存来跟踪连接。 这个设计是为了在某些后端维护或故障时,避免其他后端的哈希发生变化,后面会详细讨论。

用伪代码来表示 Katran 选择后端主机的逻辑

int pick_host(packet* pkt) {
    if (is_in_local_cache(pkt))
        return local_cache[pkt]

    return consistent_hash(pkt) % server_ring
}

这种机制非常有效,也非常高效(highly effective and efficient)。

2.2 一致性哈希的局限性

2.2.1 容错性:后端故障对非相关连接的扰动

一致性哈希的一个核心特性是具备对后端变化的容错性(resilience to backend changes)。 当一部分后端发生故障时,其他后端的哈希表项不受影响(因此对应的连接及主机也不受影响)。 Maglev 论文中已经给出了评估这种容错性的指标,如下图,

Resilience of Maglev hashing to backend changes

Maglev: A fast and reliable software network load balancer. OSDI 2016

  • 横轴表示 backend 挂掉的百分比
  • 纵轴是哈希表项(entries)变化的百分比,对应受影响连接的百分比

Google 放这张图是想说明:一部分后端发生变化时,其他后端受影响的概率非常小; 但从我们的角度来说,以上这张图说明:即使后端挂掉的比例非常小, 整个哈希表还是会受影响,并不是完全无感知 —— 这就会 导致一部分流量被错误路由(misrouting):

  • 对于短连接来说,例如典型的 HTTP 应用,这个问题可能影响不大
  • 但对于 tcp 长连接,例如持续几个小时的视频流,这种扰动就不能忍了。

2.2.2 TCP 长连接面临的问题

首先要说明,高效 != 100% 有效。 对于 TCP 长连接来说(例如视频),有两种场景会它们被 reset

int pick_host(packet* pkt) {
    if (is_in_local_cache(pkt))               // 场景一:ECMP shuffle 时(例如 LB 节点维护或故障),这里会 miss
        return local_cache[pkt]

    return consistent_hash(pkt) % server_ring // 场景二:后端维护或故障时,这里的好像有(较小)概率发生变化
}

解释一下:

  1. 如果 LB 升级、维护或发生故障,会导致路由器 ECMP shuffle,那原来路由到某个 LB 节点的 flow,可能会被重新路由到另一台 LB 上;虽然我们维护了 cache,但它是 LB node local 的,因此会发生 cache miss;
  2. 如果后端节点升级、维护或发生故障,那么根据前面 maglev 容错性的实验结果,会有一 部分(虽然比例不是很大)的 flow 受到影响,导致路由错误。

以上分析可以看出,“持续发布” L4 和 L7 服务会导致连接不稳定,降低整体可靠性。 除了发布之外,我们随时都有大量服务器要维护,因此哈希 ring 发生变化(一致性哈希 发生扰动)是日常而非例外。任何时候发生 ECMP shuffle 和服务发布/主机维护,都会导 致一部分 active 连接受损,虽然量很小,但会降低整体的可靠性指标。

解决这个问题的一种方式是在所有 LB 节点间共享这个 local cache (类似于 L4LB 中的 session replication),但这是个很糟糕的主意 ,因为这就需要去解决另外一大堆分布式系统相关的问题,尤其我们不希望引入任何 会降低这个极快数据路径性能的东西。

2.2.3 QUIC 协议为什么不受影响

但对于 QUIC 来说,这都不是问题。

connection_id

QUIC 规范(RFC 9000)中允许 server 将任意信息嵌入到包的 connection_id 字段。

Facebook 已经广泛使用 QUIC 协议,因此在 Facebook 内部,我们可以

  1. 在 server 端将路由信息(routing information)嵌入到 connection_id 字段,并
  2. 要求客户端必须将这个信息带回来。

完全无状态四层路由

这样整条链路上都可以从包中提取这个 id,无需任何哈希或 cache 查找,最终实现的是一个 完全无状态的四层路由(completely stateless routing in L4)。

那能不能为 TCP 做类似的事情呢?答案是可以。这就要用到 BPF-TCP header option 了。

2.3 TCP 连接解决方案:利用 BPF 将 backend server 信息嵌入 TCP Header

2.3.1 原理和流程

基本思想:

  1. 编写一段 BPF_PROG_TYPE_SOCK_OPS 类型的 BPF 程序,attach 到 cgroup
    • 在 LISTEN, CONNECT, CONN_ESTD 等事件时会触发 BPF 程序的执行
    • BPF 程序可以获取包的 TCP Header,然后往其中写入路由信息(这里是 server_id),或者从中读取路由信息
  2. 在 L4LB 侧维护一个 server_id 缓存,记录仍然存活的 backend 主机

以下图为例,我们来看下 LB 节点和 backend 故障时,其他 backend 上的原有连接如何做到不受影响:

  • 1) 客户端发起一个 SYN;
  • 2) L4LB 第一次见这条 flow,因此通过一致性哈希为它选择一台 backend 主机,然后将包转发过去;
  • 3) 服务端应答 SYN+ACK,其中 服务端 BPF 程序将 server_id 嵌入到 TCP 头中

    • 图中这台主机获取到自己的 server_id 是 42,然后将这个值写到 TCP header;
    • 客户端主机收到包后,会解析这个 id 并存下来,后面发包时都会带上这个 server_id;

假设过了一会发生故障,前面那台 L4LB 挂了(这会导致 ECMP 发生变化); 另外,某些 backend hosts 也挂了(这会 影响一致性哈希,原有连接接下来有小概率会受到影响),那么接下来,

  • 4) 客户端流量将被(数据中心基础设施)转发到另一台 L4LB;
  • 5) 这台新的 L4LB 解析客户端包的 TCP header,提取 server_id,查询 server_id 缓存( 注意不是 Katran 的 node-local 连接缓存)之后发现 这台机器还是 active 的,因此直接转发给这台机器。

可以看到在 TCP Header 中引入了路由信息后,未发生故障的主机上的长连接就能够避免 因 L4LB 和主机挂掉而导致的 misrouting(会被直接 reset)。

2.3.2 开销

数据开销:TCP header 增加 6 个字节

struct tcp_opt {
    uint8_t  kind;
    uint8_t  len;
    uint32_t server_id;
}; // 6-bytes total

运行时开销:不明显

需要在 L4LB 中解析 TCP header 中的 server_id 字段,理论上来说,这个开销跟代码实 现的好坏相关。我们测量了自己的实现,这个开销非常不明显。

2.3.3 实现细节

监听的 socket 事件

switch (skops->op) {
    case BPF_SOCK_OPS_TCP_LISTEN_CB:
    case BPF_SOCK_OPS_PASSIVE_ESTABLISHED_CB:
    case BPF_SOCK_OPS_TCP_CONNECT_CB:
    case BPF_SOCK_OPS_ACTIVE_ESTABLISHED_CB:
    case BPF_SOCK_OPS_PARSE_HDR_OPT_CB:
    case BPF_SOCK_OPS_HDR_OPT_LEN_CB:
    case BPF_SOCK_OPS_WRITE_HDR_OPT_CB:
    . . .
}

维护 TCP flow -> server_id 的映射

在每个 LB 节点上用 bpf_sk_storage 来存储 per-flow server_id。 也就是说,

  1. 对于建连包特殊处理,
  2. 建连之后会维护有 flow 信息(例如连接跟踪),
  3. 对于建连成功后的普通流量,从 flow 信息就能直接映射到 server_id, 不需要针对每个包去解析 TCP header

server_id 的分配和同步

前面还没有提到如何分配 server_id,以及如何保证这些后端信息在负 载均衡器侧的时效性和有效性。

我们有一个 offline 工作流,会给那些有业务在运行的主机随机分配 一个 id,然后将这个信息同步给 L4 和 L7 负载均衡器(Katran and Proxygen), 后者拿到这些信息后会将其加载到自己的控制平面。因此这个系统不会有额外开销,只要 保证 LB 的元信息同步就行了。

由于这个机制同时适用于 QUIC 和 TCP,因此 pipeline 是同一个。

2.3.4 效果

下面是一次发布,可以看到发布期间 connection reset 并没有明显的升高:

2.3.5 限制

这种方式要求 TCP 客户端和服务端都在自己的控制之内,因此

  • 对典型的数据中心内部访问比较有用;
  • 要用于数据中心外的 TCP 客户端,就要让后者将带给它们的 server_id 再带回来,但这个基本做不到;

    即使它们带上了,网络中间处理节点(middleboxes)和防火墙(firewalls)也可能会将这些信息丢弃。

2.4 小结

通过将 server_id 嵌入 TCP 头中,我们实现了一种 stateless routing 机制,

  • 这是一个完全无状态的方案
  • 额外开销(CPU / memory)非常小,基本感知不到
  • 其他竞品方案都非常复杂,例如在 hosts 之间共享状态,或者将 server_id 嵌入到 ECR (Echo Reply) 时间戳字段。

3 选择 socket:服务的真正优雅发布(七层负载均衡)

前面介绍了流量如何从公网经过内网 LB 到达 backend 主机。 再来看在主机内,如何路由流量来保证七层服务(L7 service)发布或重启时不损失任何流量。

这部分内容在 SIGCOMM 2020 论文中有详细介绍。想了解细节的可参考:

Facebook, Zero Downtime Release: Disruption-free Load Balancing of a Multi-Billion User Website. SIGCOMM 2020

3.1 当前发布方式及存在的问题

L7LB Proxygen 自身也是一个七层服务,我们以它的升级为例来看一下当前发布流程。

3.1.1 发布流程

  1. 发布前状态:Proxygen 实例上有一些老连接,也在不断接受新连接,

  2. 拉出:拉出之后的实例不再接受新连接,但在一定时间窗口内,继续为老连接提供服务;

    1. 这个窗口称为 graceful shutdown(也叫 draining) period,例如设置为 5 或 10 分钟;
    2. 拉出一般是通过将 downstream service 的健康监测置为 false 来实现的,例如在这个例子中,就是让 Proxygen 返回给 katran 的健康监测是失败的。

  3. 发布新代码:graceful 窗口段过了之后,不管它上面还有没有老连接,直接开始升级。

    1. 部署新代码,
    2. 关闭现有进程,创建一个新进程运行新代码。

    一般来说,只要 graceful 时间段设置比较合适,一部分甚至全部老连接能够在这个 窗口内正常退出,从而不会引起用户可见的 spike;但另一方面,如果此时仍然有老 连接,那这些客户端就会收到 tcp reset

  4. 监听并接受新连接:升级之后的 Proxygen 开始正常工作, 最终达到和升级之前同等水平的一个连接状态。

3.1.2 存在的问题

很多公司都是用的以上那种发布方式,它的实现成本比较低,但也存在几个问题:

  1. 发布过程中,系统容量会降低

    从 graceful shutdown 开始,到新代码已经接入了正常量级的流量,这段时间内 系统容量并没有达到系统资源所能支撑的最大值, 例如三个 backend 本来最大能支撑 3N 个连接,那在升级其中一台的时间段内,系统能支撑的最大连接数就会小于 3N,在 2N~3N 之间。 这也是为什么很多公司都避免在业务高峰(而是选择类似周日凌晨五点这样的时间点)做这种变更的原因之一。

  2. 发布周期太长

    假设有 100 台机器,分成 100 个批次(phase),每次发布一台, 如果 graceful time 是 10 分钟,一次发布就需要 1000 分钟,显然是不可接受的。

    本质上来说,这种方式扩展性太差,主机或实例数量一多效率就非常低了。

3.2 不损失容量、快速且用户无感的发布

以上分析引出的核心问题是:如何在用户无感知的前提下,不损失容量(without losing capacity)且非常快速(very high velocity)地完成发布。

3.2.1 早期方案:socket takeover (or zero downtime restart)

我们在早期自己实现了一个所谓的 zero downtime restart 或称 socket takeover 方案。 具体细节见前面提到的 LPC 论文,这里只描述下大概原理: 相比于等待老进程的连接完全退出再开始发布,我们的做法是直接创建一个新进程,然后通过一个唯 一的 local socket 将老进程中 TCP listen socket 和 UDP sockets 的文件描述符 (以及 SCM rights)转移到新进程。

发布流程

如下图所示,发布前,实例正常运行,同时提供 TCP 和 UDP 服务,其中,

  • TCP socket 分为两部分:已接受的连接(编号 1~N)和监听新连接的 listening socket
  • UDP socket,bind 在 VIP 上

接下来开始发布

  1. 创建一个新实例
  2. 将 TCP listening socket 和 UDP VIP 迁移到新实例;老实例仍然 serving 现有 TCP 连接(1 ~ N),
  3. 新实例开始接受新连接N+1 ~ +∞),包括新的 TCP 连接和新的 UDP 连接
  4. 老实例等待 drain

可以看到,这种方式:

  1. 在发布期间不会导致系统容器降低,因为我们完全保留了老实例,另外创建了一个新实例
  2. 发布速度可以显著加快,因为此时可以并发发布多个实例
  3. 老连接被 reset 的概率可以大大降低,只要允许老实例有足够的 drain 窗口

那么,这种方式有什么缺点吗?

存在的问题

一个显而易见的缺点是:这种发布方式需要更多的系统资源,因为对于每个要升级的实例 ,它的新老实例需要并行运行一段时间;而在之前发布模型是干掉老实例再创建新实例, 不会同时运行。

但我们今天要讨论的是另一个问题:UDP 流量的分发或称解复用(de-multiplex)

  • TCP 的状态维护在内核。
  • UDP 协议 —— 尤其是维护连接状态的 UDP 协议,具体来说就是 QUIC —— 所有 状态维护在应用层而非内核,因此内核完全没有 QUIC 的上下文。

由于 socket 迁移是在内核做的,而内核没有 QUIC 上下文(在应用层维护),因此 当新老进程同时运行时,内核无法知道对于一个现有 UDP 连接的包,应该送给哪个进程 (因为对于 QUIC 没有 listening socket 或 accepted socket 的概念),因此有些包会到老进程,有些到新进程,如下图左边所示;

为解决这个问题,我们引入了用户空间解决方案。例如在 QUIC 场景下,会查看 ConnectionID 等 QUIC 规范中允许携带的元信息,然后根据这些信息,通过另一个 local socket 转发给相应的老进程,如以上右图所示。

虽然能解决 QUIC 的问题,但可以看出,这种方式非常复杂和脆弱,涉及到大量进程间通信,需要维护许多状态。 有没有简单的方式呢?

3.2.2 其他方案调研:SO_REUSEPORT

Socket takeover 方案复杂性和脆弱性的根源在于:为了做到客户端无感,我们在两个进程间共享了同一个 socket。 因此要解决这个问题,就要避免在多个进程之间共享 socket。

这自然使我们想到了 SO_REUSEPORT: 它允许 多个 socket bind 到同一个 port。 但这里仍然有一个问题:UDP 包的路由过程是非一致的(no consistent routing for UDP packets),如下图所示:

如果新老实例的 UDP socket bind 到相同端口,那一个实例重启时,哈希结果就会发生变化,导致这个端口上的包发生 misrouting。

另一方面,SO_REUSEPORT 还有性能问题

  • TCP 是有一个独立线程负责接受连接,然后将新连接的文件描述符转给其他线程 ,这种机制在负载均衡器中非常典型,可以认为是在 socket 层做分发;
  • UDP 状态在应用层,因此内核只能在 packet 层做分发, 负责监听 UDP 新连接的单个线性不但要处理新连接,还负责包的分发,显然会存在瓶颈和扩展性问题。

因此直接使用 SO_REUSEPORT 是不行的。

3.2.3 思考

我们后退一步,重新思考一下我们的核心需求是什么。有两点:

  1. 在内核中实现流量的无损切换,以便客户端完全无感知;
  2. 过程能做到快速和可扩展,不存在明显性能瓶颈;

内核提供了很多功能,但并没有哪个功能是为专门这个场景设计的。 因此要彻底解决问题,我们必须引入某种创新。

  • 理论上:只要我们能控制主机内包的路由过程(routing of the packets within a host),那以上需求就很容易满足了。
  • 实现上:仍然基于 SO_REUSEPORT 思想,但同时解决 UDP 的一致性路由和瓶颈问题。

最终我们引入了一个 socket 层负载均衡器 bpf_sk_reuseport。

3.3 新方案:bpf_sk_reuseport

3.3.1 方案设计

简单来说,

  1. 在 socket 层 attach 一段 BPF 程序,控制 TCP/UDP 流量的转发(负载均衡):
  2. 通过一个 BPF map 维护配置信息,业务进程 ready 之后自己配置流量切换。

3.3.2 好处

这种设计的好处:

  1. 通用,能处理多种类型的协议。
  2. 在 VIP 层面,能更好地控制新进程(新实例)启动后的流量接入过程,例如

    Proxygen 在启动时经常要做一些初始化操作,启动后做一些健康检测工作, 因此在真正开始干活之前还有一段并未 ready 接收请求/流量的窗口 —— 即使它此时已经 bind 到端口了。

    在新方案中,我们无需关心这些,应用层自己会判断新进程什么时候可以接受流量 并通知 BPF 程序做流量切换;

  3. 性能方面,也解决了前面提到的 UDP 单线程瓶颈;

  4. 在包的路由(packet-level routing)方面,还支持根据 CPU 调整路由权重(adjust weight of traffic per-cpu)。 例如在多租户环境中,CPU 的利用率可能并不均匀,可以根据自己的需要实现特定算法来调度,例如选择空闲的 CPU。

  5. 最后,未来迭代非常灵活,能支持多种新场景的实验,例如让每个收到包从 CPU 负责处理该包,或者 NUMA 相关的调度。

3.3.3 发布过程中的流量切换详解

用一个 BPF_MAP_TYPE_REUSEPORT_SOCKARRAY 类型的 BPF map 来配置转发规则,其中,

  • key:<VIP>:<Port>
  • value:socket 的文件描述符,与业务进程一一对应

如下图所示,即使新进程已经起来,但只要还没 ready(BPF map 中仍然指向老进程),

BPF 就继续将所有流量转给老进程,

新进程 ready 后,更新 BPF map,告诉 BPF 程序它可以接收流量了:

BPF 程序就开始将流量转发给新进程了:

前面没提的一点是:我们仍然希望将 UDP 包转发到老进程上,这里实现起来其实就非常简单了:

  1. 已经维护了 flow -> socket 映射
  2. 如果 flow 存在,就就转发到对应的 socket;不存在在创建一个新映射,转发给新实例的 socket。

这也解决了扩展性问题,现在可以并发接收包(one-thread-per-socket),不用担心新进程启动时的 disruptions 或 misrouting 了:

3.3.4 新老方案效果对比

先来看发布过程对业务流量的扰动程度。下图是我们的生产数据中心某次发布的统计,图中有两条线:

  • 一条是已发布的 server 百分比,
  • 另一个条是同一时间的丢包数量,

可以看到在整个升级期间,丢包数量没有明显变化。

再来看流量分发性能,分别对 socket takeover 和 bpf_sk_reuseport 两种方式加压:

  • 控制组/对照组(左边):3x 流量时开始丢包,
  • 实验组(右边):30x,因此还没有到分发瓶颈但 CPU 已经用满了,但即使这样丢包仍然很少。

3.3.5 小结

本节介绍了我们的基于 BPF_PROG_TYPE_SK_REUSEPORT 和 BPF_MAP_TYPE_REUSEPORT_SOCKARRAY 实现的新一代发布技术,它能实现主机内新老实例流量的无损切换,优点:

  1. 简化了运维流程,去掉脆弱和复杂的进程间通信(IPC),减少了故障;
  2. 效率大幅提升,例如 UDP 性能 10x;
  3. 可靠性提升,例如避免了 UDP misrouting 问题和 TCP 三次握手时的竞争问题。

4 讨论

4.1 遇到的问题:CPU 毛刺(CPU spikes)甚至卡顿

生产环境遇到过一个严重问题:新老进程同时运行期间,观察到 CPU spike 甚至 host locking; 但测试环境从来没出现过,而且在实现上我们也没有特别消耗 CPU 的逻辑。

排查之后发现,这个问题跟 BPF 程序没关系,直接原因是

  1. 在同一个 netns 内有大量 socket,
  2. 新老实例同时以支持和不支持 bpf_sk_reuseport 的方式 bind 到了同一端口,

     bind("[::1]:443"); /* without SO_REUSEPORT. Succeed. */
     bind("[::2]:443"); /* with    SO_REUSEPORT. Succeed. */
     bind("[::]:443");  /* with    SO_REUSEPORT. Still Succeed */
    
  3. bind() 实现中有一个 spinlock 会遍历一个 hashtable bucket,这个哈希表只用 dst_port 作为 key 去哈希

    如果有大量 http endpoints,由于它们的 dst_port 很可能都是 443 和 80, 因此会导致对应哈希槽上的链表特别长,在遍历时就会导致 CPU 毛刺甚至机器卡住。 这一问题下一小节专门介绍。

这个问题花了很长时间排查,因此有人在类型场景下遇到类似问题,很可能跟这个有关。 相关内核代码, 修复见 patch

4.2 Listening socket hashtable

进一步解释上一小节提到的 hashtable 导致的 CPU 毛刺甚至卡顿问题以及 Facebook 的改进。 这个问题在 Cloudflare 2016 年的分享 The revenge of the listening sockets 中有详细介绍。

// include/net/inet_hashtables.h

static inline struct sock *__inet_lookup(struct net *net,
                     struct inet_hashinfo *hashinfo,
                     struct sk_buff *skb, int doff,
                     const __be32 saddr, const __be16 sport,
                     const __be32 daddr, const __be16 dport,
                     const int dif, const int sdif,
                     bool *refcounted)
{
    u16 hnum = ntohs(dport);
    struct sock *sk;

    // 查找是否有 ESTABLISHED 状态的连接
    sk = __inet_lookup_established(net, hashinfo, saddr, sport, daddr, hnum, dif, sdif);
    if (sk)
        return sk;

    // 查找是否有 LISTENING 状态的连接
    return __inet_lookup_listener(net, hashinfo, skb, doff, saddr, sport, daddr, hnum, dif, sdif);
}

如以上代码所示,查找一个包对应的 socket 时,

  1. 首先会查找是否有 ESTABLISHED 状态的 socket,如果没有
  2. 再确认是否有 LISTENING 状态的 socket;这一步会查一下 listen hashtable,

    • 它的 bucket 数量非常小,内核宏定义为 32,此外,
    • 这个哈希表 只根据目的端口(dst_port)来做哈希,因此 IP 不同但 dst_port 相同的 socket 都会哈希到同一个 bucket (在 Cloudflare 的场景中,有 16K entry 会命中同一个 bucket,形成一个非常长的链表)。

__inet_lookup_listener() 老代码就不看了,直接看 5.10 的新代码,这已经包含了 Facebook 的 BPF 功能:

// net/ipv4/inet_hashtables.c

struct sock *__inet_lookup_listener(struct net *net,
                    struct inet_hashinfo *hashinfo,
                    struct sk_buff *skb, int doff,
                    const __be32 saddr, __be16 sport,
                    const __be32 daddr, const unsigned short hnum,
                    const int dif, const int sdif)
{
    struct inet_listen_hashbucket *ilb2;
    struct sock *result = NULL;
    unsigned int hash2;

    // 如果这里 attach 了 BPF 程序,直接让 BPF 程序来选择 socket
    /* Lookup redirect from BPF */
    if (static_branch_unlikely(&bpf_sk_lookup_enabled)) {
        result = inet_lookup_run_bpf(net, hashinfo, skb, doff, saddr, sport, daddr, hnum);
        if (result)
            goto done;
    }

    // 没有 attach BPF 程序或 BPF 程序没找到 socket: fallback 到常规的内核查找 socket 逻辑

    hash2 = ipv4_portaddr_hash(net, daddr, hnum);
    ilb2 = inet_lhash2_bucket(hashinfo, hash2);

    result = inet_lhash2_lookup(net, ilb2, skb, doff, saddr, sport, daddr, hnum, dif, sdif);
    if (result)
        goto done;

    /* Lookup lhash2 with INADDR_ANY */
    hash2 = ipv4_portaddr_hash(net, htonl(INADDR_ANY), hnum);
    ilb2 = inet_lhash2_bucket(hashinfo, hash2);

    result = inet_lhash2_lookup(net, ilb2, skb, doff, saddr, sport, htonl(INADDR_ANY), hnum, dif, sdif);
done:
    if (IS_ERR(result))
        return NULL;
    return result;
}

4.3 bpf_sk_select_reuseport vs bpf_sk_lookup

这种两种类型的 BPF 程序,分别是 Facebook 和 Cloudflare (根据各自需求)引入内核的, 功能有些相似,因此拿来对比一下。

先看一段 Cloudflare 引入 bpf_sk_lookup 时的 commit message,

This series proposes a new BPF program type named BPF_PROG_TYPE_SK_LOOKUP,
or BPF sk_lookup for short.

BPF sk_lookup program runs when transport layer is looking up a listening
socket for a new connection request (TCP), or when looking up an
unconnected socket for a packet (UDP).

This serves as a mechanism to overcome the limits of what bind() API allows
to express. Two use-cases driving this work are:

(1) steer packets destined to an IP range, fixed port to a single socket

192.0.2.0/24, port 80 -> NGINX socket

(2) steer packets destined to an IP address, any port to a single socket

198.51.100.1, any port -> L7 proxy socket

更多信息,可参考他们的论文:

The ties that un-bind: decoupling IP from web services and sockets for robust addressing agility at CDN-scale, SIGCOMM 2021

可以看到,它也允许多个 socket bind 到同一个 port,因此与 bpf_sk_select_reuseport 功能有些重叠,因为二者都源于这样一种限制:在收包时,缺少从应用层直接命令内核选择哪个 socket 的控制能力

但二者也是有区别的:

  • sk_select_reuseport 与 IP 地址所属的 socket family 是紧耦合的
  • sk_lookup将 IP 与 socket 解耦 —— lets it pick any / netns