502問題怎麼排查？你學會了嗎？
2022.11.12
502問題怎麼排查？你學會了嗎？
後端服務端應用如果發生崩潰，nginx在訪問服務端時會收到服務端返回的RST報文，然後給客戶端返回502報錯。502並不是服務端應用發出的，而是nginx發出的。因此發生502時，後端服務端很可能沒有沒有相關的502日誌，需要在nginx側才能看到這條502日誌。
剛工作那會，有一次，上游調用我服務的老哥說，你的服務報"502錯誤了，快去看看是為什麼吧"。
當時那個服務裡正好有個調用日誌，平時會記錄各種200,4xx狀態碼的信息。於是我跑到服務日誌裡去搜索了一下502這個數字，毫無發現。於是跟老哥說，"服務日誌裡並沒有502的記錄，你是不是搞錯啦？"
現在想來，多少有些不好意思。
不知道有多少老哥是跟當時的我是一樣的，這篇文章，就來聊聊502錯誤是什麼？
我們從狀態碼是什麼開始聊起。
HTTP狀態碼
我們平時在瀏覽器裡逛的某寶和某度，其實都是一個個前端網頁。
一般來說，前端並不存儲太多數據，大部分時候都需要從後端服務器那獲取數據。
於是前後端之間需要通過TCP協議去建立連接，然後在TCP的基礎上傳輸數據。
而TCP是基於數據流的協議，傳輸數據時，並不會為每個消息加入數據邊界，直接使用裸的TCP進行數據傳輸會有"粘包"問題。
因此需要用特地的協議格式去對數據進行解析。於是在此基礎上設計了HTTP協議。詳細的內容可以看我之前寫的《既然有HTTP協議，為什麼還要有RPC》。
比如，我想要看某個商品的具體信息，其實就是前端發的HTTP請求中傳入商品的id，後端返回的HTTP響應中返回商品的價格，商店名，發貨地址的信息等。
通過id獲取商品詳情
這樣，表面上，我們是在刷著各種網頁，實際上背後正有多次HTTP消息在不斷進行收發。
用戶在網上瀏覽商品
但問題就來了，上面提到的都是正常情況，如果有異常情況呢，比如前端發的數據，根本就不是個商品id，而是一張圖片，這對於後端服務端來說是不可能給出正常響應的，於是就需要設計一套HTTP狀態碼，用來標識這次HTTP請求響應流程是否正常。通過這個可以影響瀏覽器的行為。
比方說一切正常，那服務端返回個200狀態碼，前端收到後，可以放心使用響應的數據。但如果服務端發現客戶端發的東西異常，就響應個4xx狀態碼，意思是這是個客戶端的錯誤，4xx裡頭的xx可以根據錯誤的類型，再細分成各種碼，比如401是客戶端沒權限，404是客戶端請求了一個根本不存在的網頁。反過來，如果是服務器有問題，就返回5xx狀態碼。
4xx和5xx的區別
但問題就來了。
服務端都有問題了，搞嚴重點，服務器可能直接就崩潰了，那它還怎麼給你返回狀態碼？
是的，這種情況，服務端是不可能給客戶端返回狀態碼的。所以說，一般情況下5xx的狀態碼其實並不是服務器返回給客戶端的。
它們是由網關返回的，常見的網關，比如nginx。
nginx的作用
回到前後端交互數據的話題上，如果前端用戶少，那後端處理起請求來，游刃有餘。但隨著用戶越來越多，後端服務器受資源限制，cpu或者內存都可能會嚴重不足，這時候解決方案也很簡單，多搞幾台一樣的服務器，這樣就能將這些前端請求均攤給幾個服務器，從而提升處理能力。
但要實現這樣的效果，前端就得知道後端具體有哪些個服務器，並一一跟他們建立TCP連接。
前端與多個服務器之間建立連接
也不是不行，但就是麻煩。
但這時候如果能有個中間層擋在它們中間就好了，這樣客戶端只需要跟中間層連接，中間層再和服務器建立連接。
於是，這個中間層就成了這幫服務器的一個代理人一樣，客戶端有啥事都找代理人，只管發出自己的請求，再由代理人去找某個服務器去完成響應。整個過程下來，客戶端只知道自己的請求被代理人幫忙搞定了，但代理人具體找了那個服務器去完成，客戶端並不知道，也不需要知道。
像這種，屏蔽掉具體有哪些服務器的代理方式就是所謂的反向代理。
反向代理
反過來，屏蔽掉具體有哪些客戶端的代理方式，就是所謂的正向代理。
而這個中間層的角色，一般由nginx這類網關來充當。
另外，由於背後的服務器可能性能配置各不相同，有些4核8G，有些2核4G，nginx能為它們加上不同的訪問權重，權重高的多轉發點請求，通過這個方式實現不同的負載均衡策略。
nginx返回5xx狀態碼
有了nginx這一中間層後，客戶端從直連服務端，變成客戶端直連nginx，再由nginx直連服務端。從一個TCP連接變成兩個TCP連接。
於是，當服務器發生異常時，nginx發送給服務器的那條TCP連接就不能正常響應，nginx在得到這一信息後，就會返回5xx錯誤碼給客戶端，也就是說5xx的報錯，其實是由nginx識別出來，並返回給客戶端的，服務端本身，並不會有5xx的日誌信息。所以才會出現文章開頭的一幕，上游收到了我服務的502報錯，但我在自己的服務日誌裡卻搜索不到這一信息。
產生502的常見原因
在rfc7231中有關於502錯誤碼的官方解釋是
502 Bad Gateway
The 502 (Bad Gateway) status code indicates that the server, while acting as a gateway or proxy, received an invalid response from an inbound server it accessed while attempting to fulfill the request.- 1.
- 2.
翻譯一下就是，502 (Bad Gateway) 狀態代碼表示服務器在充當網關或代理時，在嘗試滿足請求時從它訪問的入站服務器接收到無效響應。
汝聽，人言否？
這對於大部分編程小白來說，不僅沒解釋到問題，反而只會冒出更多的問號。比如，這上面提到的無效響應到底指的是什麼？
我來解釋下，它其實是說，502其實是由網關代理（nginx）發出的，是因為網關代理把客戶端的請求轉發給了服務端，但服務端卻發出了無效響應，而這裡的無效響應，一般是指TCP的RST報文或四次揮手的FIN報文。
四次揮手估計大家背的很熟了，所以略過，我們來重點說下RST報文是什麼。
RST是什麼？
我們都知道TCP正常情況下斷開連接是用四次揮手，那是正常時候的優雅做法。
但異常情況下，收發雙方都不一定正常，連揮手這件事本身都可能做不到，所以就需要一個機制去強行關閉連接。
RST 就是用於這種情況，一般用來異常地關閉一個連接。它是TCP包頭中的一個標誌位，在收到置這個標誌位的數據包後，連接就會被關閉，此時接收到RST的一方，在應用層會看到一個 connection reset 或 connection refused 的報錯。
TCP報頭RST位
而之所以發出RST報文，一般有兩個常見原因。
服務端過早斷開連接
nginx與服務端之間有一條TCP連接，在nginx將客戶端請求轉發給服務端時，他兩之間按道理會一直保持這條連接，直到服務端將結果正常返回後，再斷開連接。
但如果服務端過早斷開連接，而nginx卻還繼續發消息過去，nginx就會收到服務端內核返回的RST報文或四次揮手的FIN報文，迫使nginx那邊的連接結束。
過早斷開連接的原因常見的有兩個。
第一個是，服務端設置的超時時間過短。不管是用的哪種編程語言，一般都有現成的HTTP庫，服務端一般都會有幾個timeout參數，比如golang的HTTP服務框架裡有個寫超時（WriteTimeout），假設設置了2s，那它的含義就是，服務端在收到請求後需要在2s內處理完並將結果寫到響應中，如果等不到，就會將連接給斷掉。
比如你的接口處理時間是5s，而你的WriteTimeout卻只有2s，在沒等到響應寫完之前，HTTP框架就會主動將連接給斷開。nginx此時就有可能收到四次揮手的FIN報文（有些框架也可能發RST報文），然後斷開連接，於是客戶端就會收到一個502報錯。
遇到這種問題，將WriteTimeout的時間調大一些就好了。
FIN與502的關係
第二個原因，也是造成502狀態碼最常見的原因，就是服務端應用進程崩了（crash）。
服務端崩了，也就是當前沒有一個進程在監聽服務器端口，而此時你卻嘗試向一個不存在的端口發數據，服務器的linux內核協議棧就會響應一個RST數據包。同樣，這時候nginx也會給客戶端一個502。
RST和502
在開發過程中，這種情況是最常見的。
現在我們大部分的服務器都會將掛掉的服務重啟，因此我們需要判斷下服務是否曾經崩潰過。
如果你有對服務端的cpu或者內存做過監控，可以看下CPU或內存的監控圖是否出現過斷崖式的突然下跌。如果有，十有八九百，就是你的服務端應用程序曾經崩潰過。
cpu突然暴跌
除此之外你還通過下面的命令，看下進程上次的啟動時間是什麼時候。
ps -o lstart {pid}- 1.
比如我要看的進程id是13515，命令就需要像下面這樣。
# ps -o lstart 13515
STARTED
Wed Aug 31 14:28:53 2022- 1.
- 2.
- 3.
可以看到它上次的啟動時間是8月31日，這個時間如果跟你印像中的操作時間有差距，那說明進程可能是崩了之後被重新拉起了。
遇到這種問題，最重要的是找出崩潰的原因，崩潰的原因就多種多樣了，比如，對未初始化的內存地址進行寫操作，或者內存訪問越界（數組arr長度明明只有2，代碼卻讀arr[3]）。
這種情況幾乎都是程序有代碼邏輯問題，崩潰一般也會留下代碼堆棧，可以根據堆棧報錯去排查問題，修復之後就好了。比如下面這張圖是golang的報錯堆棧信息，其他語言的也類似。
報錯堆棧
不打印堆棧的情況
但有一些情況，有時候根本不留下堆棧。
比如內存洩露導致進程佔用內存越來越多，最後導致超過服務器的最大內存限制，觸發OOM（out of memory）, 進程直接就被操作系統kill掉。
還有更隱蔽的，代碼邏輯裡隱藏了主動退出進程的操作。比如golang的日誌打印裡有個方法叫log.Fatalln()，打印完日誌還會順便執行os.Exit()直接退出進程，對源碼不了解的新手很容易犯這個錯。
打印完順便還退出進程
如果你很明確，你的服務沒有崩過。那繼續往下看。
網關將請求打到了一個不存在的IP上
nginx是通過配置的形式來代理多個服務器。這個配置一般是放在 /etc/nginx/nginx.conf 中。
打開它，你可能會看到類似下面這樣的信息。
upstream xiaobaidebug.top {
server 10.14.12.19:9235 weight=2;
server 10.14.16.13:8145 weight=5;
server 10.14.12.133:9702 weight=8;
server 10.14.11.15:7035 weight=10;
}- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
上面配置的含義是，如果客戶端訪問xiaobaidebug.top域名，nginx就會將客戶端的請求轉發到下面的4個服務器ip上，ip邊上還有個weight權重，權重越高，被轉發到的次數就越多。
可以看出，nginx具有相當豐富的配置能力。但要注意的是，這些個文件是需要自己手動配置的。對於服務器少，且不怎麼變化的情況，這當然沒問題。
但現在已經是雲原生時代了，很多公司內部都有自己的雲產品，服務自然也會上雲。一般來說每次更新服務，都可能會將服務部署到一台新的機器上。而這個ip也會隨著改變，難道每發布一次服務，都需要手動去nginx上改配置嗎？這顯然不現實。
如果能在服務啟動時，讓服務主動將自己的ip告訴nginx，然後nginx自己生成這樣的一個配置並重新加載，那事情就簡單多了。
為了實現這樣一個服務註冊的功能，不少公司都會基於nginx進行二次開發。
但如果這個服務註冊功能有問題，比方說服務啟動後，新服務沒註冊上，但老服務已經被銷毀了。這時候nginx還將請求打到老服務的IP上，由於老服務所在的機器已經沒有這個服務了，所以服務器內核就會響應RST，nginx收到RST後回复502給客戶端。
實例已經銷毀但配置沒刪IP
要排查這種問題也不難。
這個時候，你可以看下nginx側是否有打印相關的日誌，看下轉發的IP端口是否符合預期。
如果不符合預期，可以去找找做這個基礎組件的同事，進行一波友好的交流。
總結
HTTP狀態碼用來表示響應結果的狀態，其中200是正常響應，4xx是客戶端錯誤，5xx是服務端錯誤。
客戶端和服務端之間加入nginx，可以起到反向代理和負載均衡的作用，客戶端只管向nginx請求數據，並不關心這個請求具體由哪個服務器來處理。
後端服務端應用如果發生崩潰，nginx在訪問服務端時會收到服務端返回的RST報文，然後給客戶端返回502報錯。502並不是服務端應用發出的，而是nginx發出的。因此發生502時，後端服務端很可能沒有沒有相關的502日誌，需要在nginx側才能看到這條502日誌。
如果發現502，優先通過監控排查服務端應用是否發生過崩潰重啟，如果是的話，再看下是否留下過崩潰堆棧日誌，如果沒有日誌，看下是否可能是oom或者是其他原因導致進程主動退出。如果進程也沒崩潰過，去排查下nginx的日誌，看下是否將請求打到了某個不知名IP端口上。