摘要：一次由fork引发的时延抖动问题。
背景介绍
华为云数据库GaussDB(for Redis) 是一款基于计算存储分离架构，兼容Redis生态的云原生NoSQL数据库；它依靠共享存储池实现了强一致，支持持久化落盘存储，保证数据的安全可靠。其核心特点是：存算分离、强一致、低成本、超大容量。
GaussDB(for Redis)服务团队在支撑某客户业务上云的过程中，发现一次由fork引发的时延抖动问题，本着对客户负责任的态度，我们详细探究了fork这个系统调用的性能影响，并且在最新的GaussDB(for Redis)版本已解决了这个抖动问题，清零了内部的fork使用，与原生Redis相比，彻底解决了fork的性能隐患。
问题焦点
华为云GaussDB(for Redis) 服务在某客户上云线调测过程中发现，系统上量后规律性的出现每5分钟1次的时延抖动问题。
华为云GaussDB(for Redis)团队经过攻关，最终确认抖动原因是fork导致并解决了这个问题。而fork是开源Redis的一个重要依赖，希望通过本文的分享，能够帮助大家在使用开源Redis的时候，充分认识fork的影响，从而选择更优的方案。
问题现象
某客户业务接入GaussDB(for Redis)压测发现，每5分钟系统出现一次规律性的时延抖动：
正常情况消息时延在1-3ms，抖动时刻时延达到300ms左右。
通常是压测一段时间后开始出现抖动；抖动一旦出现后就非常规律的保持在每5分钟1次；每次抖动的持续时长在10ms以内。
下图是从系统慢日志中捕获到的发生抖动的消息样例（对敏感信息进行了遮掩）：
问题分析
1.排查抖动源：
1）由于故障的时间分布非常规律，首先排除定时任务的影响，主要包括：
agent：和管控对接的周期性统计信息上报任务
内核：执行引擎（Redis协议解析）和存储引擎（rocksdb）的周期性操作（包括rocskdb统计，wal清理等）
屏蔽上述2类定时任务后，抖动依然存在。
2）排除法未果后，决定回到正向定位的路上来。通过对数据访问路径增加分段耗时统计，最终发现抖动时刻内存操作（包括allocate、memcpy等）的耗时显著变长；基本上长出来的时延，都是阻塞在了内存操作上。
（截图为相关日志，单位是微秒）
3）既然定位到是系统级操作的抖动，那么下一步的思路就是捕获抖动时刻系统是否有异常。我们采取的方法是，通过脚本定时抓取top信息，分析系统变化。运气比较好，脚本部署后一下就抓到了一个关键信息：每次在抖动的时刻，系统中会出现一个frm-timer进程；该进程为GaussDB(for Redis)进程的子进程，且为瞬时进程，持续1-2s后退出。
4）为了确认该进程的影响，我们又抓取了perf信息，发现在该进程出现时刻，Kmalloc， memset_sse，memcopy_sse等内核系统调用增多。从上述信息推断，frm-timer进程应该是被fork出来的，抖动源基本可锁定在fork frm-timer这个动作上。
2.确定引发抖动的代码：
1）分析frm-timer的来历是下一步的关键。因为这个标识符不在我们的代码中，所以就需要拉通给我们提供类库的兄弟部门联合分析了。经过大家联合排查，确认frm-timer是日志库liblog中的一个定时器处理线程。如果这个线程fork了一个匿名的子进程，就会复用父进程的线程名，表现为Redis进程创建出1个名为frm-timer的子进程的现象。
2）由于frm-timer负责处理liblog中所有模块的定时器任务，究竟是哪个模块触发了上述fork？这里我们采取了一个比较巧妙的方法，我们在定时器处理逻辑中增加了一段代码：如果处理耗时超过30ms，则调用std:: abort()退出，以生成core栈。
3）通过分析core栈，并结合代码排查，最终确认引发抖动的代码如下：
上述代码是用来周期性归档日志的，它每5分钟会执行1次 system系统调用来运行相关脚本，完成归档日志的操作。而Linux system系统调用的源码如下，实际上是一个先fork子进程，再调用execl的过程。
4）分析至此，我们还需要回答最后一个问题：究竟是fork导致的抖动，还是脚本内容导致的抖动？为此，我们设计了一组测试用例：
用例1：将脚本内容改为最简单的echo操作
用例2：在Redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行fork操作
用例3：在Redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行先fork，再excel的操作
用例4：在Redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行system的操作
用例5：在Redis进程里模拟1个类似frm-timer的线程，通过命令触发该线程执行先vfork，再excel的操作
最终的验证结果：
用例1：有抖动。
用例2：有抖动。
用例3：有抖动。
用例4：有抖动。
用例5：无抖动。
用例1结果表明抖动和脚本内容无关；用例2、3、4的结果表明调用system引发抖动的根因是因为其中执行了fork操作；用例5的结果进一步佐证了抖动的根因就是因为fork操作。最终的故障原因示意图如下：
3.进一步探究fork的影响：
1）众所周知，fork是Linux（严格说是POSIX接口）创建子进程的系统调用，历史上看，主流观点大多对其赞誉有加；但近年间随着技术演进，也陆续出现了反对的声音：有人认为fork是上个时代遗留的产物，在现代操作系统中已经过时，有很多害处。激进的观点甚至认为它应该被彻底弃用。（参见附录1,2）
2）fork当前被诟病的主要问题之一是它的性能。大家对fork通常的理解是其采用copy-on-wirte写时复制策略，因此对其的性能影响不甚敏感。但实际上，虽然fork时可共享的数据内容不需要复制，但其相关的内核数据结构（包括页目录、页表、vm_area_struc等）的复制开销也是不容忽视的。附录1、2中的文章对fork开销有详细介绍，我们这回遇到的问题也是一个鲜活的案例：对于Redis这样的时延敏感型应用，1次fork就可能导致消息时延出现100倍的抖动，这对于应用来说无疑是不可接受的。
4.原生Redis的fork问题：
4.1 原生Redis同样被fork问题困扰（参见附录3，4，5），具体包括如下场景：
1）数据备份
备份时需要生成RDB文件，因此Redis需要触发一次fork。
2）主从同步
全量复制场景（包括初次复制或其他堆积严重的情况），主节点需要产生RDB文件来加速同步，同样需要触发fork。
3）AOF重写
当AOF文件较大，需要合并重写时，也会产生一次fork。
4.2 上述fork问题对原生Redis的影响如下：
1）业务抖动
原生Redis采用单线程架构，如果在电商大促、热点事件等业务高峰时发生上述fork，会导致Redis阻塞，进而对业务造成雪崩的影响。
2）内存利用率只有50%
Fork时子进程需要拷贝父进程的内存空间，虽然是COW，但也要预留足够空间以防不测，因此内存利用率只有50%，也使得成本高了一倍。
3）容量规模影响
为减小fork的影响，生产环境上原生Redis单个进程的最大内存量，通常控制在5G以内，导致原生Redis实例的容量大大受限，无法支撑海量数据。
解决方法
修改日志库liblog中的周期性归档逻辑，不再fork子进程。
系统排查并整改GaussDB(for Redis)代码（包括使用的类库代码）中的fork调用。
最终排查结果，实际只有本次的这个问题点涉及fork。当前修改后即可确保GaussDB(for Redis)的时延保持稳定，不再受fork性能影响。
注：GaussDB(for Redis)由华为云基于存算分离架构自主开发，因此不存在原生Redis的fork调用的场景。
总结
本文通过分析GaussDB(for Redis)的一次由fork引发的时延抖动问题，探究了fork这个系统调用的性能影响。最新的GaussDB(for Redis)版本已解决了这个抖动问题，并清零了内部的fork使用，与原生Redis相比，彻底解决了fork的性能隐患。希望通过这个问题的分析，能够带给大家一些启发，方便大家更好的选型。
本文作者：华为云数据库GaussDB(for Redis)团队
网友评论