作者 | Connor Brewster
翻译 | ambodhi
导读：Replit 是一种基于浏览器的集成开发环境（IDE），用于跨平台协作编码，已在 A.Capital Ventures 的 A 轮融资中筹集了 2000 万美元。Replit 工程师在本文中为我们介绍了他们如何在 Replit 给用户提供更流畅的体验：大规模杀死容器。
要让所有人都能在 Replit 上使用 Web 浏览器编写代码，我们的后端基础设施就是在可抢占的虚拟机上运行。也就是说，运行你代码的计算机可以随时关闭！当这种情况发生时，我们就用 REPL（Read-Eval-Print Loop，读取 - 求值 - 输出循环）快速重新连接。虽然我们已经尽了最大的努力，但人们还是会发现 REPL 连接被卡了很久。通过分析和挖掘 Docker 源代码，我们发现并解决了这一问题。我们的会话连接错误率从 3% 降到了 0.5% 以下，99 百分位会话启动时间从 2 分钟降到了 15 秒。
造成 REPL 卡死有多种原因，其中有机器故障、竞争条件导致死锁、容器关机慢等原因。本文主要介绍我们如何修复最后一个原因，即容器关机速度慢。缓慢的容器关机几乎影响到每个使用该平台的人，并导致 REPL 无法访问长达一分钟。
Replit 架构
你需要对 Replit 的架构有一些了解，然后才能深入研究如何解决容器关机缓慢的问题。
打开 REPL 后，浏览器将打开 websocket，将其连接到在可抢占虚拟机上运行的 Docker 容器。每一台虚拟机都运行着我们称为conman的东西，这是容器管理器（container manager）的简称。
要确保每一个 REPL 在任何时候都只有一个单一的容器。容器被设计用于促进多人游戏的功能，因此 REPL 的重要性在于， REPL 中的每个用户都连接到同一个容器。
当托管这些 Docker 容器的机器关机时，我们必须等待每个容器都被销毁，然后才能在其他机器上再次启动它们。这一过程经常发生，因为我们使用的是可抢占实例。
以下是尝试在 mid-shutdown 实例上访问 REPL 的典型流程。
用户打开他们的 REPL，该 REPL 打开 IDE，然后尝试通过 WebSocket 连接到后端评估服务器。
该请求命中负载均衡器，负载均衡器根据 CPU 使用情况选择一个 conman 实例作为代理。
一个健康的、运行的 conman 收到了这个请求。conman 注意到，该请求是针对一个存在于不同 conman 上的容器的，并在那里代理该请求。
遗憾的是，这个 conman 关闭了 WebSocket 连接并且拒绝了！
该请求将一直失败，直到：
docker 容器被关闭，全局存储中的 REPL 容器项被删除。
conman 完成关闭，不再能访问。在这种情况下，第一个 conman 将删除旧的 REPL 容器项，并启动一个新的容器。
容器关机缓慢
在强制终止可抢占虚拟机之前，将有 30 秒的时间完全关闭虚拟机。通过研究，我们发现，很少能在 30 秒内完成关机。因此，我们必须进一步研究并检测机器关机例程。
通过添加有关机器关机的日志和指标，显然docker kill被调用的时间比预期要长得多。正常运行时，docker kill杀死 REPL 容器通常只需几毫秒，但是，在关机期间，我们同时杀死 100~200 个容器却要花费 20 多秒的时间。
Docker 提供了两种停止容器的方法：docker stop和docker kill。Docker stop 会向容器发送一个SIGTERM信号，并给容器一个宽限期，让它优雅地关机。如果容器没有在宽限期内关机，就会向容器发送SIGKILL。我们并不在乎宽限期关闭容器，而是希望docker kill发送SIGKILL，这样它就会立即杀死容器。出于某些原因，docker kill并不能在几秒钟内完成容器的SIGKILL，这一理论与现实不符，肯定还有别的原因。
要深入探讨这个问题，这里有一个脚本，可以创建 200 个 docker 容器，同时计算出需要多长时间才能杀死它们。
#!/bin/bashCOUNT=200echo "Starting $COUNT containers..."for i in $(seq 1 $COUNT); doprintf .docker run -d --name test-$i nginx > /dev/null 2>&1doneecho -e "\nKilling $COUNT containers..."time $(docker kill $(docker container ls -a --filter "name=test" --format "{{.ID}}") > /dev/null 2>&1)echo -e "\nCleaning up..."docker rm $(docker container ls -a --filter "name=test" --format "{{.ID}}") > /dev/null 2>&1对于生产中运行的同一类型的虚拟机，即 GCEn1-highmem-4 实例，将会生成如下结果：
Starting 200 containers...................................<trimmed>Killing 200 containers...real 0m37.732suser 0m0.135ssys 0m0.081sCleaning up...我们认为， Docker 运行时发生了一些内部事件，导致关机速度非常缓慢，这就证实了我们的怀疑。现在要挖掘 Docker 本身。
Docker 守护进程有一个启用调试日志记录的选项。通过这些日志，我们可以了解 dockerd 内部发生了什么，并且每个条目都有一个时间戳，因此可以对这些时间所花费的位置提供一些信息。
在启用了调试日志之后，让我们重新运行脚本，看看 dockerd 的日志。因为要处理的容器有 200 个，它会输出大量的日志信息，所以我手工选择了一些有意义的日志。
2020-12-04T04:30:53.084Z dockerd Calling GET /v1.40/containers/json?all=1&filters=%7B%22name%22%3A%7B%22test%22%3Atrue%7D%7D2020-12-04T04:30:53.084Z dockerd Calling HEAD /_ping2020-12-04T04:30:53.468Z dockerd Calling POST /v1.40/containers/33f7bdc9a123/kill?signal=KILL2020-12-04T04:30:53.468Z dockerd Sending kill signal 9 to container 33f7bdc9a1239a3e1625ddb607a7d39ae00ea9f0fba84fc2cbca239d73c7b85c2020-12-04T04:30:53.468Z dockerd Calling POST /v1.40/containers/2bfc4bf27ce9/kill?signal=KILL2020-12-04T04:30:53.468Z dockerd Sending kill signal 9 to container 2bfc4bf27ce93b1cd690d010df329c505d51e0ae3e8d55c888b199ce0585056b2020-12-04T04:30:53.468Z dockerd Calling POST /v1.40/containers/bef1570e5655/kill?signal=KILL2020-12-04T04:30:53.468Z dockerd Sending kill signal 9 to container bef1570e5655f902cb262ab4cac4a873a27915639e96fe44a4381df9c11575d0...在这里，我们可以看到杀死每个容器的请求，并且SIGKILL几乎是立即发送到每个容器。
以下是执行docker kill后 30 秒左右看到的一些日志记录：
...
2020-12-04T04:31:32.308Z dockerd Releasing addresses for endpoint test-1's interface on network bridge
2020-12-04T04:31:32.308Z dockerd ReleaseAddress(LocalDefault/172.17.0.0/16, 172.17.0.2)
2020-12-04T04:31:32.308Z dockerd Released address PoolID:LocalDefault/172.17.0.0/16, Address:172.17.0.2 Sequence:App: ipam/default/data, ID: LocalDefault/172.17.0.0/16, DBIndex: 0x0, Bits: 65536, Unselected: 65529, Sequence: (0xfa000000, 1)->(0x0, 2046)->(0x1, 1)->end Curr:202
2020-12-04T04:31:32.308Z dockerd Releasing addresses for endpoint test-5's interface on network bridge
2020-12-04T04:31:32.308Z dockerd ReleaseAddress(LocalDefault/172.17.0.0/16, 172.17.0.6)
2020-12-04T04:31:32.308Z dockerd Released address PoolID:LocalDefault/172.17.0.0/16, Address:172.17.0.6 Sequence:App: ipam/default/data, ID: LocalDefault/172.17.0.0/16, DBIndex: 0x0, Bits: 65536, Unselected: 65530, Sequence: (0xda000000, 1)->(0x0, 2046)->(0x1, 1)->end Curr:202
2020-12-04T04:31:32.308Z dockerd Releasing addresses for endpoint test-3's interface on network bridge
2020-12-04T04:31:32.308Z dockerd ReleaseAddress(LocalDefault/172.17.0.0/16, 172.17.0.4)
2020-12-04T04:31:32.308Z dockerd Released address PoolID:LocalDefault/172.17.0.0/16, Address:172.17.0.4 Sequence:App: ipam/default/data, ID: LocalDefault/172.17.0.0/16, DBIndex: 0x0, Bits: 65536, Unselected: 65531, Sequence: (0xd8000000, 1)->(0x0, 2046)->(0x1, 1)->end Curr:202
2020-12-04T04:31:32.308Z dockerd Releasing addresses for endpoint test-2's interface on network bridge
2020-12-04T04:31:32.308Z dockerd ReleaseAddress(LocalDefault/172.17.0.0/16, 172.17.0.3)
2020-12-04T04:31:32.308Z dockerd Released address PoolID:LocalDefault/172.17.0.0/16, Address:172.17.0.3 Sequence:App: ipam/default/data, ID: LocalDefault/172.17.0.0/16, DBIndex: 0x0, Bits: 65536, Unselected: 65532, Sequence: (0xd0000000, 1)->(0x0, 2046)->(0x1, 1)->end Curr:202这些日志并不能全面说明 dockerd 所做的一切工作，但是它让人感觉 dockerd 可能花费了大量时间来释放网络地址。
到了这个时候，我决定要开始挖掘 docker 引擎的源代码，创建自己的 dockerd 版本，并添加一些额外的日志记录。
首先找出处理容器终止请求的代码路径。我增加了一些额外的日志信息，这些信息包含不同长度的时间，最后我发现这些时间都用在：
该引擎会将SIGKILL发送到容器，然后等待容器停止运行才对 HTTP 请求作出响应。（来源）。
<-container.Wait(context.Background(), containerpkg.WaitConditionNotRunning)container.Wait函数返回一个通道，该通道接收容器的退出代码和任何错误。不幸的是，要获得退出代码和错误，就必须获得内部容器结构的锁。（来源）
...
go func() {
select {
case <-ctx.Done():
// Context timeout or cancellation.
resultC <- StateStatus{
exitCode: -1,
err: ctx.Err(),
}
return
case <-waitStop:
case <-waitRemove:
}
s.Lock() // <-- Time is spent waiting here
result := StateStatus{
exitCode: s.ExitCode(),
err: s.Err(),
}
s.Unlock()
resultC <- result
}()
return resultC
...事实证明，在清理网络资源时持有这个容器锁，而上面的s.Lock()结束了长时间的等待。这种情况发生在handleContainerExit里面。容器锁在该函数的持续时间内保持不变。这个函数调用容器的Cleanup方法，以释放网络资源。
那么为什么清理网络资源需要这么长时间呢？网络资源是通过netlink来处理的。netlink 是用来在用户和内核空间进程之间进行通信的，在这种情况下，使用 netlink 与内核空间进程进行通信，配置网络接口。不幸的是，netlink 是通过串行接口工作的，而释放每个容器地址的所有操作都受到 netlink 瓶颈的限制。
这里的情况开始让人觉得有些绝望。我们似乎没有什么办法可以改变，以逃避等待网络资源被清理的命运。但我们或许可以完全绕过 Docker 而杀死容器。
对我们来说，我们可以杀死容器，而不必等到网络资源被清理。关键是容器不会产生任何副作用。举例来说，我们不想让容器获得更多的文件系统快照。
我采用的解决方案是通过直接杀死容器的 pid 来绕过 docker。在容器启动之后， conman 记录下容器的 pid，然后在需要终止时向容器发送SIGKILL。因为容器形成了 pid 命名空间，所以容器 /pid 命名空间中的所有其他进程在容器的 pid 终止时也终止。
来自pid_namespaces手册页：
当 PID 命名空间的 “init” 进程终止时，内核就会通过 SIGKILL 信号终止该命名空间的所有进程。
考虑到这一点，我们有理由相信，在将SIGKILL发送到容器之后，它不再产生任何副作用。
实施此更改后，在关机期间，REPL 的控制权将在数秒内被放弃。与之前的 30 多秒相比，这是一个巨大的改进，会话连接错误率从大约 3% 降低到 0.5% 以下。另外，会话启动时间的第 99 个百分比从约 2 分钟降至约 15 秒。
总结一下，我们发现，虚拟机关机缓慢会导致 REPL 卡住和糟糕的用户体验。经过研究，我们发现 Docker 花了超过 30 秒的时间在虚拟机上杀死所有容器。我们通过绕过 Docker 和自己杀死容器来解决这个问题。这样就减少了 REPL 卡住的次数，加速了会话启动时间。但愿这会给 Replit 带来更加流畅的体验！
