当我们团队将业务迁移至Kubernetes之后，一旦出现问题，总有人觉得“这是迁移之后的阵痛”，并把矛头指向Kubernetes。我相信很多朋友肯定听人说过标题里这句话，但最终事实证明犯错的并不是Kubernetes。虽然文章并不涉及关于Kubernetes的突破性启示，但我认为内容仍值得各位管理复杂系统的朋友借鉴。

近期，我所在的团队将一项微服务迁移到中央平台。这套中央平台捆绑有CI/CD，基于Kubernetes的运行时以及其他功能。这项演习也将作为先头试点，用于指导未来几个月内另外150多项微服务的进一步迁移。而这一切，都是为了给西班牙的多个主要在线平台（包括Infojobs、Fotocasa等）提供支持。

在将应用程序部署到Kubernetes并路由一部分生产流量过去后，情况开始发生变化。Kubernetes部署中的请求延迟要比EC2上的高出10倍。如果不找到解决办法，不光是后续微服务迁移无法正常进行，整个项目都有遭到废弃的风险。

为什么Kubernetes中的延迟要远高于EC2？

为了查明瓶颈，我们收集了整个请求路径中的指标。这套架构非常简单，首先是一个API网关（Zuul），负责将请求代理至运行在EC2或者Kubernetes中的微服务实例。在Kubernetes中，我们仅代表和NGINX Ingress控制器，后端则为运行有基于Spring的JVM应用程序的Deployment对象。

                          EC2
                          +---------------+
                        |  +---------+  |
                        |  |         |  |
                     +-------> BACKEND |  |
                    |    |  |         |  |
                    |    |  +---------+  |                   
                   |    +---------------+
         +------+  |
Public       |      |  |
      -------> ZUUL +--+
traffic      |      |  |              Kubernetes
             +------+  |    +-----------------------------+
                       |    |  +-------+      +---------+ |
                       |    |  |       |  xx  |         | |
                       +-------> NGINX +------> BACKEND | |
                            |  |       |  xx  |         | |
                            |  +-------+      +---------+ |
                            +-----------------------------+

问题似乎来自后端的上游延迟（我在图中以「xx」进行标记）。将应用程序部署至EC2中之后，系统大约需要20毫秒就能做出响应。但在Kubernetes中，整个过程却需要100到200毫秒。

我们很快排除了随运行时间变化而可能出现的可疑对象。JVM版本完全相同，而且由于应用程序已经运行在EC2容器当中，所以问题也不会源自容器化机制。另外，负载强度也是无辜的，因为即使每秒只发出1项请求，延迟同样居高不下。另外，GC暂停时长几乎可以忽略不计。

我们的一位Kubernetes管理员询问这款应用程序是否具有外部依赖项，因为DNS解析之前就曾引起过类似的问题，这也是我们目前找到的可能性最高的假设。

可能原因

假设一：DNS解析

在每一次请求时，我们的应用程序都像域中的某个AWS ElasticSearch实例（例如elastic.spain.adevinta.com）发出1到3条查询。我们在容器中添加了一个shell，用于验证该域名的DNS解析时间是否过长。

来自容器的DNS查询结果：

[root@be-851c76f696-alf8z /]# while true; do dig "elastic.spain.adevinta.com" | grep time; sleep 2; done
;; Query time: 22 msec
;; Query time: 22 msec
;; Query time: 29 msec
;; Query time: 21 msec
;; Query time: 28 msec
;; Query time: 43 msec
;; Query time: 39 msec

来自运行这款应用程序的EC2实例的相同查询结果：

bash-4.4# while true; do dig "elastic.spain.adevinta.com" | grep time; sleep 2; done
;; Query time: 77 msec
;; Query time: 0 msec
;; Query time: 0 msec
;; Query time: 0 msec
;; Query time: 0 msec

前者的平均解析时间约为30毫秒，很明显，我们的应用程序在其ElasticSearch上造成了额外的DNS解析延迟。

但这种情况非常奇怪，原因有二：

Kubernetes当中已经包含大量与AWS资源进行通信的应用程序，而且都没有出现延迟过高的情况。因此，我们必须弄清引发当前问题的具体原因。
我们知道JVM采用了内存内的DNS缓存。从配置中可以看到，TTL在$JAVA_HOME/jre/lib/security/java.security位置进行配置，并被设置为networkaddress.cache.ttl = 10。JVM应该能够以10秒为周期缓存所有DNS查询。

为了确认DNS假设，我们决定剥离DNS解析步骤，并查看问题是否可以消失。我们的第一项尝试是让应用程序直接与ELasticSearch IP通信，从而绕过域名机制。这需要变更代码并进行新的部署，即需要在/etc.hosts中添加一行代码以将域名映射至其实际IP：

34.55.5.111 elastic.spain.adevinta.com

通过这种方式，容器能够以近即时方式进行IP解析。我们发现延迟确实有所改进，但距离目标等待时间仍然相去甚远。尽管DNS解析时长有问题，但真正的原因还没有被找到。

网络管道

我们决定在容器中进行tcpdump，以便准确观察网络的运行状况。

[root@be-851c76f696-alf8z /]# tcpdump -leni any -w capture.pcap

我们随后发送了多项请求并下载了捕捉结果（kubectl cp my-service:/capture.pcap capture.pcap），而后利用Wireshark进行检查。

DNS查询部分一切正常（少部分值得讨论的细节，我将在后文提到）。但是，我们的服务处理各项请求的方式有些奇怪。以下是捕捉结果的截图，显示出在响应开始之前的请求接收情况。

数据包编号显示在第一列当中。为了清楚起见，我对不同的TCP流填充了不同的颜色。

从数据包328开始的绿色部分显示，客户端（172.17.22.150）打开了容器（172.17.36.147）间的TCP连接。在最初的握手（328至330）之后，数据包331将HTTP GET /v1/…（传入请求）引向我们的服务，整个过程耗时约1毫秒。

来自数据包339的灰色部分表明，我们的服务向ElasticSearch实例发送了HTTP请求（这里没有显示TCP握手，是因为其使用原有TCP连接），整个过程耗费了18毫秒。

到这里，一切看起来还算正常，而且时间也基本符合整体响应延迟预期（在客户端一侧测量为20到30毫秒）。

但在两次交换之间，蓝色部分占用了86毫秒。这到底是怎么回事？在数据包333，我们的服务向/latest/meta-data/iam/security-credentials发送了一项HTTP GET请求，而后在同一TCP连接上，又向/latest/meta-data/iam/security-credentials/arn:…发送了另一项GET请求。

我们进行了验证，发现整个流程中的每项单一请求都发生了这种情况。在容器内，DNS解析确实有点慢（理由同样非常有趣，有机会的话我会另起一文详加讨论）。但是，导致高延迟的真正原因，在于针对每项单独请求的AWS Instance Metadata Service查询。

假设二：指向AWS的流氓调用

两个端点都是AWS Instance Metadata API的组成部分。我们的微服务会在从ElasticSearch中读取信息时使用该服务。这两条调用属于授权工作的基本流程，端点通过第一项请求产生与实例相关的IAM角色。

/ # curl http://169.254.169.254/latest/meta-data/iam/security-credentials/
arn:aws:iam::<account_id>:role/some_role

第二条请求则向第二个端点查询实例的临时凭证：

/ # curl http://169.254.169.254/latest/meta-data/iam/security-credentials/arn:aws:iam::<account_id>:role/some_role`
{
    "Code" : "Success",
    "LastUpdated" : "2012-04-26T16:39:16Z",
    "Type" : "AWS-HMAC",
    "AccessKeyId" : "ASIAIOSFODNN7EXAMPLE",
    "SecretAccessKey" : "wJalrXUtnFEMI/K7MDENG/bPxRfiCYEXAMPLEKEY",
    "Token" : "token",
    "Expiration" : "2017-05-17T15:09:54Z"
}

客户可以在短时间内使用这些凭证，且端点会定期（在Expiration过期之前）检索新凭证。这套模型非常简单：出于安全原因，AWS经常轮换临时密钥，但客户端可以将密钥缓存几分钟，从而抵消检索新凭证所带来的性能损失。

照理来说，整个过程应该由AWS Java SDK为我们处理。但不知道为什么，实际情况并非如此。搜索了一遍GitHub问题，我们从#1921当中找到了需要的线索。

AWS SDK会在满足以下两项条件之一时刷新凭证：

Expiration 已经达到 EXPIRATION_THRESHOLD之内，硬编码为15分钟。
最后一次刷新凭证的尝试大于REFRESH_THRESHOLD，硬编码为60分钟。

我们希望查看所获取凭证的实际到期时间，因此我们针对容器API运行了cURL命令——分别指向EC2实例与容器。但容器给出的响应要短得多：正好15分钟。现在的问题很明显了：我们的服务将为第一项请求获取临时凭证。由于有效时间仅为15分钟，因此在下一条请求中，AWS SDK会首先进行凭证刷新，每一项请求中都会发生同样的情况。

为什么凭证的过期时间这么短？

AWS Instance Metadata Service在设计上主要代EC2实例使用，而不太适合Kubernetes。但是，其为应用程序保留相同接口的机制确实很方便，所以我们转而使用KIAM，一款能够运行在各个Kubernetes节点上的工具，允许用户（即负责将应用程序部署至集群内的工程师）将IAM角色关联至Pod容器，或者说将后者视为EC2实例的同等对象。其工作原理是拦截指向AWS Instance Metadata Service的调用，并利用自己的缓存（预提取自AWS）及时接上。从应用程序的角度来看，整个流程与EC2运行环境没有区别。

KIAM恰好为Pod提供了周期更短的临时凭证，因此可以合理做出假设，Pod的平均存在周期应该短于EC2实例——默认值为15分钟。如果将两种默认值放在一起，就会引发问题。提供给应用程序的每一份证书都会在15分钟之后到期，但AWS Java SDK会对一切剩余时间不足15分钟的凭证做出强制性刷新。

结果就是，每项请求都将被迫进行凭证刷新，这使每项请求的延迟提升。接下来，我们又在AWS Java SDK中发现了一项功能请求，其中也提到了相同的问题。

相比之下，修复工作非常简单。我们对KIAM重新配置以延长凭证的有效期。在应用了此项变更之后，我们就能够在不涉及AWS Instance Metadata Service的情况下开始处理请求，同时返回比EC2更低的延迟水平。

总结

根据我们的实际迁移经验，最常见的问题并非源自Kubernetes或者该平台其他组件，与我们正在迁移的微服务本身也基本无关。事实上，大多数问题源自我们急于把某些组件粗暴地整合在一起。

我们之前从来没有复杂系统的整合经验，所以这一次我们的处理方式比较粗糙，未能充分考虑到更多活动部件、更大的故障面以及更高熵值带来的实际影响。

在这种情况下，导致延迟升高的并不是Kubernetes、KIAM、AWS Java SDK或者微服务层面的错误决策。相反，问题源自KIAM与AWS Java SDK当中两项看似完全正常的默认值。单独来看，这两个默认值都很合理：AWS Java SDK希望更频繁地刷新凭证，而KIAM设定了较低的默认过期时间。但在二者结合之后，却产生了病态的结果。是的，各个组件能够正常独立运行，并不代表它们就能顺利协作并构成更庞大的系统。

原文链接：

https://srvaroa.github.io/kubernetes/migration/latency/dns/java/aws/microservices/2019/10/22/kubernetes-added-a-0-to-my-latency.html

创作场景

Kubernetes 用了，延迟高了 10 倍，问题在哪？