問題背景：
某日17:12左右，收到實施人員投訴，有部分設備不能正常升級、收不到控制臺下發的指令等問題，同事查看control工程(后面簡稱control)那邊的日志，發現control沒有收到設備上報的影子信息，所以沒有下發指令。control工程直接對接設備，根據設備上報的信息對設備下發一些指令及配置信息，包括升級、上報日志等，IoT平臺上線之前control依賴心跳上報來獲取設備的當前信息，IoT平臺上線之后依賴設備影子信息來獲取設備的當前信息，control會訂閱設備的影子信息，但影子信息是由影子服務(簡稱IoT)轉發過去的，它不直接對接設備影子上報，具體流轉細節，
請看這下面兩個圖：
應用程序(control)獲取設備狀態
應用程序(control)下發設備指令
得知control收不到影子消息以后，我立馬去rabbitmq的控制臺查看是否有消息，
確定兩個事：
1.設備是否上報了消息
2.rabbitmq是否正常
下面圖1、圖2是當時截取的rabbitmq控制臺的兩個圖，從圖1可以很清楚的確定設備是有消息上報的，但是有很多消息是unacked(說明已經投遞給了消費者，只是消費者沒有ack而已，理論上等待一段時間就能正常)的，具體是哪個隊列堆積unacked的消息請看圖2，“spacebridgeiot-shadow”正是我們用來接收設備上報的影子信息的隊列，消息都被堆積到隊列了所以沒有轉發到control也是合理的，觀察了一段時間發現unacked的數量變成了0，但是total的總數確沒有太大變化，給人的感覺像是unacked的消息重新回到了消息隊列里等待投遞，果然過了幾分鐘以后又發現有大量unacked的消息，過了幾分鐘以后這部分unacked的消息重新回到隊列里，control那邊依然沒有收到消息，這時查看IoT那邊的日志發現竟然沒有影子消息進來，在rabbitmq的控制臺查看“spacebridgeiot-shadow”這個隊列下居然沒有消費者了，如圖3所示。
這時查看rabbitmq的日志確實有錯誤信息，如圖4所示，rabbitmq主動關閉了連接。
圖1：rabbitmq概覽圖
圖2：rabbitmq隊列統計圖
圖3：spacebridgeiot-shadow 概覽
圖4：rabbitmq報錯信息
臨時解決方案：
由于當時已經有大量投訴過來了，所以采用了比較暴力的解決辦法“將堆積的消息刪除”，刪除以后果然正常了(備注：線上問題必須盡快解決，沒有時間允許我們去分析日志然后有條不紊的解決，必須快)。
通過線下環境復現問題：
1.往10.200.41.166環境的rabbitmq的隊列“mirrorTestQueue”堆積大量消息(起碼萬級)
2.停掉mirrorTestQueue的消費者，待堆積完成以后重新啟動
3.堆積完成，重新啟動消費者
和我們設想的一樣，幾秒內有幾千條消息推給了消費者，持續幾分鐘以后rabbitmq主動關閉了和消費者之間的連接，這時從控制臺看不到隊列的消費者。
由于我們的消費者設置了自動恢復，所以過一陣又會自動連上，但很快又會被斷連，和我們線上遇到的問題基本一樣，究竟是什么導致了這個問題呢?說實話當時沒有什么思路，網上找了一圈也沒找到什么特別滿意的答案(當時沒有抓到問題的本質，搜的關鍵詞太泛了)，后來我們猜測可能是TCP層面出了什么問題，所以決定抓包試試能不能找到什么端倪。
果然，幸運的事情發生了，話不多說，直接上圖。
13:06:25.643428之前rabbitmq還一直在給消費者推消息，直到13:06:25.643428這個時間點，開始出現消費者tcp窗口被打滿的情況，大概持續了30秒左右，rabbitmq主動斷開了連接(發了一個rst包)，之后消費者重連，然后窗口又繼續被打滿，又持續30秒左右繼續被斷連。
感覺還挺有規律，每次持續30s，感覺是可配置的一個參數，大概總結一下就是“tcp full window導致了服務端主動rst連接，而且還有規律”
這次換了一下搜索的關鍵詞找到了答案，rabbitmq有一個參數叫tcp_listen_options.send_timeout 是來控制寫超時的一個參數，當寫超時了以后就會觸發tcp的RST(https://github.com/rabbitmq/rabbitmq-java-client/issues/341)，修改一下試試效果如何：
1. 將寫超時時間改成10s
tcp_listen_options.send_timeout = 10000
2.抓包看看是否起作用
可以看到從窗口滿到關閉連接持續10s左右，說明這個參數是起作用的。
現象復盤：
由于rabbitmq的消費端沒有設置prefetch所以rabbitmq一次性給消費端投遞了過多的消息，從而導致消費端的 tcp 窗口被占滿，進而觸發了rabbitmq 的tcp_listen_options.send_timeout，這個寫超時達到一個閾值后會觸發rabbitmq斷開消費者的tcp 連接。
終極解決方案：
之前刪除消息只是迫不得已的方案，雖然解決了問題但太暴力，我們需要找到一個優雅的方案來應對，既然是推給消費者的消息太多造成了tcp窗口被打滿，那我們就應該在接收速率上下點功夫，在連接rabbitmq的時候告訴它別給我發太多就行。
后面這段話摘自 https://www.jb51.net/article/236407.htm
rabbitmq有一個屬性叫prefetchprefetch是指單一消費者最多能消費的unacked messages數目。
如何理解呢?mq為每一個 consumer設置一個緩沖區，大小就是prefetch。每次收到一條消息，MQ會把消息推送到緩存區中，然后再推送給客戶端。當收到一個ack消息時(consumer 發出baseack指令)，mq會從緩沖區中空出一個位置，然后加入新的消息。但是這時候如果緩沖區是滿的，MQ將進入堵塞狀態。更具體點描述，假設prefetch值設為10，共有兩個consumer。也就是說每個consumer每次會從queue中預抓取 10 條消息到本地緩存著等待消費。同時該channel的unacked數變為20。而Rabbit投遞的順序是，先為consumer1投遞滿10個message，再往consumer2投遞10個message。如果這時有新message需要投遞，先判斷channel的unacked數是否等于20，如果是則不會將消息投遞到consumer中，message繼續呆在queue中。之后其中consumer對一條消息進行ack，unacked此時等于19，Rabbit就判斷哪個consumer的unacked少于10，就投遞到哪個consumer中。
具體到代碼里就是
如何評估這個值呢，rabbitmq官方有個文章說的很好，就不細說了，我們的系統中目前設置的是20。
https://www.rabbitmq.com/blog/2012/05/11/some-queuing-theory-throughput-latency-and-bandwidth/
結束語：
對于關鍵組件的使用一定要熟悉其api，理解各個參數的含義和語法，當出現問題時不要局限于組件層面排查，必要的時候需要深入到底層，比如網絡，操作系統等。
以上就是TCP窗口被填滿問題的排查實踐的詳細內容，更多關于TCP窗口填滿問題排查的資料請關注腳本之家其它相關文章!
推薦閱讀
1 真實案例 云辦公系統用戶實時信息查詢功能優化發布之后，系統發生宕機事件(系統掛起，頁面無法加載)。 1.1 背景 我們IM原有的一個功能，當鼠標移動到用戶頭像的時候，會顯示出用戶的基本信息。信息比>>>詳細閱讀
本文標題：TCP窗口被填滿問題的排查實踐
地址：http://www.ssyurd.com/kaifa/yejie/41188.html
1/2 1
網友點評
精彩導讀
科技快報
品牌展示