云风的 BLOG

周一复工那一天，公司内网的 cache server 服务器突然内存使用量峰值超过了 20G ，接近硬件配置的 32G ，SA 预警。好在不久以后就回落，并稳定下来。

这个服务器是基于 skynet 编写的，一开始只有 200 行左右的一个单一 lua 文件，非常简单。我认为设计和实现都是清晰可靠的。设计的时候就考虑过大用户量大数据量的应用场景（我们在生产环境运行的这个服务器实际管理数据已经超过了 800G），最多会有几百用户的并发。重新实现的原因是因为原版占用内存太多，所以内存使用量本来就是设计的主要考量因素。

我没有采用一个连接一个 agent 的方案，而是使用了固定数量的 agent ，用简单的负载均衡方法把外部连接分摊进去。

另外，还加了一个几十行的 C 模块，用来绕过 lua 虚拟机直接发送大文件。因为，如果把文件读入 Lua 虚拟机后，会增加额外的内存以及 gc 的负担。skynet 提供了 C API ，直接从 C 层打开读取本地文件并从网络发送走更直接高效。

考虑到大数据文件可能很大，在 C 模块里，我还特地按 4K 一个数据块的处理，并没有把大文件一次读入内存。

结合实际情况，我猜测了内存峰值出现的原因：大量数据积压在 skynet 内部的待发送队列中。

这是 skynet 当初设计的一个权衡下的结果。skynet 的网络发送 api 被设计成非阻塞，原子性，且在连接没有断开时一定发送成功的。这样可以方面业务层使用。业务层不用像使用 posix 标准 send 那样，还要检查返回值，看真的发送了多少字节。

而 skynet 的大多数应用场景，重头在业务处理，而不是 IO 消耗，一般不会出现 IO 积压的情况。但 cacheserver 这个业务不同，是典型的重 IO 环境。虽然通讯协议是串行的，一个一个文件处理，但客户端却可以一次性提交很多文件请求，每个请求都只有几十个字节，但回应的文件却可以很大。加上发送 api 是非阻塞的，这样就会导致大量待发送的数据进入 skynet 的网络层。

为什么这半年一直没有出现问题呢？因为我们一直是在速度很快的内网使用这个服务器（也是官方推荐的使用方法）。而且使用是渐进的，不会突然请求很多文件。而这次，大量同事在家办公，使用 vpn 连入内网，连接速度很慢。在第一天，家中的开发环境是全新的，需要全量拉所有的资源数据。种种因素加起来，在高并发高数据量的情况下，问题就暴露了出来。

其实这个问题之前也有人遇到过，见这个 issue 。只是我虽然帮别人解决了需求，自己并未实践此类业务。解决方法并不复杂，使用 socket.warning 设置回调即可。当发送缓冲区过载，skynet 会发送一个 warning 消息给发送服务，告知缓冲区太长；这个时候业务应该停止发送数据（或进一步的测试一下带宽，限制流量），等到缓冲区清空（同样也会收到消息），再继续发送。

值得注意的是，如果加入 socket.warning 消息的监控，就不能再在 C 库函数中发送整个数据文件了。因为，如果文件过大，在发送的过程中，是没有机会处理新的消息，并挂起发送过程的。

我的修改方案是给 C 的发送函数增加了 offset 选项，并可以返回已经发送的字节数。当一次发送量超过一个阈值后，就中断返回。由 lua 调用方来决策是否应该挂起等待，或继续发送。最终添加了几十行代码就解决了这次的问题。

2 月 6 日补充：修改后的版本，这两天生产环境监控，内存峰值在 30M 以下。