网络问题排查必备利器：Pingmesh
背景
当今的数字化世界离不开无处不在的网络连接。无论是日常生活中的社交媒体、电子商务，还是企业级应用程序和云服务，我们对网络的依赖程度越来越高。然而，网络的可靠性和性能往往是一个复杂的问题，尤其是在具有大规模分布式架构的系统中。
在过去，网络监控主要依赖于传统的点对点（point-to-point）方式，通过单独的监控工具对网络路径进行测试。然而，这种方法往往只能提供有限的信息，并且无法全面评估整个网络的健康状况。为了更好地了解网络的运行情况以及及时发现潜在的问题，Pingmesh 技术应运而生。
Pingmesh 的提出最初是来自微软，在微软内部 Pingmesh 每天会记录 24TB 数据，进行 2000 亿次 ping 探测，通过这些数据，微软可以很好的进行网络故障判定和及时的修复。
下面是 Flashcat Pingmesh 的页面样例，可以清晰地看到各个机房之间的网络情况，也可以看到各个机柜或交换机之间的情况：
业界方案
业界对Pingmesh的实现大都基于微软的一则论文为基础，做出了一些改造和升级。原微软Pingmesh论文地址： 《Pingmesh: A Large-Scale System for Data Center Network Latency Measurement and Analysis》。
常见的数据中心网络拓扑：
在这样的架构中，有多个数据中心，数据中心之间有专线连通，在数据中心内部有多个Spine、Leaf、ToR交换机，在一些架构中，leaf交换机也会直接充当ToR作为服务器接入交换机，在 ToR 交换机下有大量服务器连接； 因此，pingmesh 能力就分为3 个级别：
- 在机架内部，让所有的 server 互相 ping，每个 server ping 机架内其他 N-1 个 server
- 在机架之间，则每个机架选几个 server ping 其他机架的 server，保证 server 所属的 ToR 不同
- 在数据中心之间，则选择不同的数据中心的几个不同机架的 server 来ping
Pingmesh 架构设计
Controller
Controller 主要负责生成 pinglist 文件，这个文件是 XML 格式的，pinglist 的生成是很重要的，需要根据实际的数据中心网络拓扑进行及时更新。 在生成 pinglist 时， Controller 为了避免开销，分为3 个级别：
- 在机架内部，让所有的 server 互相 ping，每个 server ping （N-1） 个 server
- 在机架之间，则每个机架选几个 server ping 其他机架的 server，保证 server 所属的 ToR 不同
- 在数据中心之间，则选择不同的数据中心的几个不同机架的 server 来ping
Controller 在生成 pinglist 文件后，通过 HTTP 提供出去，Agent 会定期获取 pinglist 来更新 agent 自己的配置，也就是我们说的“拉”模式。Controller 需要保证高可用，因此需要在 VIP 后面配置多个实例，每个实例的算法一致，pinglist 文件内容也一致，保证可用性。
Agent
微软数据中心的每个 server 都会运行 Agent，用来真正做 ping 动作的服务。为了保证获取结果与真实的服务一致，Pingmesh 没有采用 ICMP ping，而是采用的 TCP/HTTP ping。所以每个 Agent 既是 Server 也是 Client。每个 ping 动作都开启一个新的连接，主要为了减少 Pingmesh 造成的 TCP 并发。 Agent 要保证自己是可靠的，不会造成一些严重的后果，其次要保证自己使用的资源要足够的少，毕竟要运行在每个 server 上。两个server ping 的周期最小是 10s，Packet 大小最大 64kb。针对灵活配置的需求，Agent 会定期去 Controller 上拉取 pinglist，如果 3 次拉取不到，那么就会删除本地已有 pinglist，停止 ping 动作。 在进行 ping 动作后，会将结果保存在内存中，当保存结果超过一定阈值或者到达了超时时间，就将结果上传到 Cosmos 中用于分析，如果上传失败，会有重试，超过重试次数则将数据丢弃，保证 Agent 的内存使用。
网络状况
根据论文中提到的，不同负载的数据中心的数据是有很大差异的，在 P99.9 时延时大概在 10-20ms，在 P99.99 延时大概在100+ms 。关于丢包率的计算，因为没有用 ICMP ping 的方式，所以这里是一种新的计算方式，（一次失败 + 二次失败）次数/（成功次数）= 丢包率。这里是每次 ping 的 timeout 是 3s，windows 重传机制等待时间是 3s，下一次 ping 的 timeout 时间是 3s，加一起也就是 9s。所以这里跟 Agent 最小探测周期 10s 是有关联的。二次失败的时间就是 （2 * RTT）+ RTO 时间。 Pingmesh 的判断依据有两个，如果超过就报警：
- 延时超过 5ms
- 丢包率超过
10^(-3)
在论文中还提到了其他的网络故障场景，交换机的静默丢包。有可能是 A 可以连通 B，但是不能连通 C。还有可能是 A 的 i 端口可以连通 B 的 j 端口，但是 A 的 m 端口不能连通 B 的 j 端口，这些都属于交换机的静默丢包的范畴。Pingmesh 通过统计这种数据，然后给交换机进行打分，当超过一定阈值时就会通过 Autopilot 来自动重启交换机，恢复交换机的能力。
Flashcat-Pingmesh 方案
业界方案大都实现了各自的ping-agent的能力，但对于controller生成pinglist的能力并未有好的开源方案。同时我们和一些客户交流，了解到目前数据中心架构与传统的leaf-tor-server架构不太一样，传统一个机顶交换机下server都在一个机柜下，现在数据中心一个交换机下机器可能在不同机柜，这种情况如果还是按交换机维度进行探测，当server机器探测故障后，无法快速定位到机器位置。因此，我们在开发之前就针对Tor以及机柜维度进行了设计。
Pimgesh应具备哪些能力？
- 具备最基础的Ping探测能力，即ICMP协议支持，同时也应支持TCP、UDP等协议的端口探测；
- 简化页面用户配置，用户只需配置数据中心名字、交换机CIDR值，数据中心支持的探测协议和端口等关键信息；
- 数据中心会有很多机柜、交换机和机器，如何避免ping风暴，因此需支持配置选取部分机柜、交换和机器进行探测，及探测比例配置，用户可灵活配置数据中心参与探测的交换机或机柜比例数，以及每个交换机或机柜下参与探测的Server比例数；
- 每个数据中心内部、默认所有机柜或交换机之间进行探测(Server比例数依旧生效)
- 每个数据中心之间，用户可配置默认规则，即两两数据中心之间，按照配置的协议进行探测。当然，用户也可自定义哪些数据中心之间按照所选协议进行探测，此时机柜或交换机以及Server比例数依旧生效；
- 探测结果进行有效聚合展示，多个数据中心有很多机柜或交换机以及机器，分三层结构展示探测结果，第一层展示所有数据中心之间的探测链路拓扑以及探测值、第二层展示数据中心内部每个机柜或交换机之间的探测拓扑和结果、第三层展示机柜或交换机下面所选Server之间的探测拓扑和结果；
- Ping故障一键停止探测的止损能力；
- 探测机器故障后，自动重新选替补机器能力；
- 数据中心配置变更后，能及时自动以新配置重新生成pinglist；
- 支持简便地配置报警规则；
- 探测结果写入支持prometheus协议的时序库中；
交换机和机柜模式配置差异
- 交换机模式，页面用户只需配置交换CIDR值即可，无需手动注册Server IP，我们会借助 Categraf 的心跳功能，自动判断出server ip应归属哪个交换机。
- 机柜模式，这种方式一般适用于客户环境中有自己的CMDB系统，可将其CMDB系统中的数据中心、机柜和机器关系通过OpenApi注册到Pingmesh系统中。
Pingmesh 架构设计：
Apiserver
提供OpenApi:
- 用于注册、变更、查询数据中心原信息、探测规则(如：数据中心、探测协议、Tor交换机CIDR/机柜名、机器IP和机器名(机柜方式)、 探测百分比设置、数据中心之间探测规则设置 )。
- 数据中心三层结构拓扑图展示，以及历史探测曲线图、报警规则配置、一键降级等API。
- 提供给Categraf使用的查询pinglist接口。
Controller
生成pinglist的核心控制器逻辑，它需要定时从DB中查询最新的配置和规则，判断是否有发生变更，如果发生变更则重新执行pinglist生成逻辑。 从DB中查到配置后，判断是机柜模式还是交换机模式，因为这两种方式，其筛查Server IP的逻辑会有差异，之后需计算出每个数据中心，待探测的机柜或交换机是哪些，以及其下的Server Ip分别是多少，做好数据准备工作。接下来查看探测规则（数据中心内、数据中心之间），根据这些规则我们对每一台发起探测的Server 生成探测配置，并记录到DB中(因为我们底层真正执行探测任务的是Categraf Agent，需根据不同协议所使用的插件，生成不同的配置文件)。
此外，我们需新起一个协程，定时去对比新用户配置和已生成的pinglist是否一致，因为可能在我们生成新的pinglist后的一段时间内，用户变更或新增、删除了数据中心配置和规则，那需要将已生成的pinglist进行对比清理，避免用户配置变更后，依旧使用老的配置去探测，导致数据不准问题。
实现过程中还需要考虑另一个问题，数据中心有很多机器，但不是所有机器都装有categraf，或装有categraf但进程退出了等情况，如果我们只是单纯地按所有的机器数量去筛选一堆Server IP，那很有可能选出的机器都没有装agent，那也就无法进行探测和发现问题了，因此我们需要结合categraf自身的心跳上报的能力，来过滤出可用的Server IP。到了这里，我们可能会想到另一个问题，因为我们是按比例筛选机器的，而当某台机器down掉后，原本选了10台，现在只有9台可用机器了，这就会和用户配置的参与探测的服务器比例出现diff。出现这种情况，那我们就需要重新选一台可用机器补上去。当选择出来这批机器后，后面都需要一直用这些机器，除非遇到重新选的情况，这样可以保障我们指标量是固定的，同时也能满足探测的比例需求。
探测Agent
Pingmesh底层真正执行探测逻辑的是我们的Categraf，它是一个开源的项目，插件丰富、配置简单，这里就不做过多介绍了，大家可在github上搜索下即可。Categraf 会定时来中心端拉取本机的采集插件配置，当然，可能部署categraf的集群很多，这里中心端会将配置文件缓存到Redis中，降低对DB的查询压力，并提升接口查询效率。最终categraf会拿到最新的插件配置并进行探测，之后将探测结果上报给中心端，用于数据展示和报警配置使用。
额外说一点，如果存在边缘机房，那categraf可以将探测结果上报给边缘机房的 n9e-edge 模块，之后报警就可在这边缘机房内部闭环了，而且edge 会自动将指标转发给时序库，用于页面展示使用。
小结
Pingmesh 在复杂网络问题的排查中发挥了巨大的作用，本文分享了 Pingmesh 的实现思路，欢迎大家 联系我们试用。