Mongodb---记一次事故故障

2014.06.19.001---故障报告

一、事故描写叙述：

    在19：21收到警报。显示IIS/Routerserver的D盘空间即将负荷。

二、事故处理过程：

1.  登录server查看后。发现router的日志非常大，有超过100G，导致无法打开。   决定，先重新启动router服务，删除日志。

2.  重新启动完成router后。日志又出现了猛刷的情况。进入查看，显示

    2014-06-19T20:08:25.170+0800[conn8956] end connection 10.4.1.101:7389(100 connections now open)

    2014-06-19T20:08:25.170+0800[mongosMain] connection accepted from    10.4.1.101:7390#8957 (101 connections now open)

    2014-06-19T20:08:25.170+0800[conn8957]  authenticate db: minger   { authenticate: 1, user: "client",nonce: "xxx", key: "xxx" }

    2014-06-19T20:08:25.170+0800[conn8957] end connection 10.4.1.101:7390(100 connections now open)

    2014-06-19T20:08:25.170+0800[mongosMain] connection accepted from    10.4.1.101:7391#8958 (101 connections now open)

    2014-06-19T20:08:25.170+0800[conn8958]  authenticate db: minger   { authenticate: 1, user: "client",nonce: "xxx", key: "xxx" }

    2014-06-19T20:08:25.170+0800[conn8958] end connection 10.4.1.101:7391(100 connections now open)

    2014-06-19T20:08:25.170+0800[mongosMain] connection accepted from    10.4.1.101:7392#8959 (101 connections now open)

    2014-06-19T20:08:25.170+0800[conn8959]  authenticate db: minger   { authenticate: 1, user: "client",nonce: "xxx", key: "xxx" }

    2014-06-19T20:08:25.170+0800[conn8959] end connection 10.4.1.101:7392(100 connections now open)

    2014-06-19T20:08:25.186+0800[mongosMain] connection accepted from    10.4.1.101:7393#8960 (101 connections now open)

    2014-06-19T20:08:25.186+0800[conn8960]  authenticate db: minger   { authenticate: 1, user: "client",nonce: "xxx", key: "xxx" }

3.  这个问题在阿里也一度遇到过，是因为阿里云的物理机的设置导致tcp请求 上不去。而出现这样的情况。

4.  将IIS的tcp pool关闭，mongodb的pool关闭。随机日志不再狂刷。

三、分析原因：

    Mongodb 驱动程序採用的连接池的方式连接到数据库，眼下从观察到的情况是应用一开启便依据变量的设置。建立所有连接。然后提供给程序使用，而且一旦当中某个连接到数据库的訪问失败，则会清空整个连接池到这台数据库的连接，并又一次建立连接。 
    而mongodb对中断连接的垃圾清理工作则是懒惰的被动清理方式，假设驱动程序端配 置的连接数过大。一旦发生重连，则会导致mongo端堆积大量的垃圾连接数据，导致主机资源耗尽。 

windowsserver，timewaitdelay  最小值是30秒。而mongodb pool size 设为2000

也就是说。假设2000个连接里有一个由于网络关系断开了，就要又一次建立新的2000个连接，之前的2000个由于timewaitdelay的原因。临时还不能释放。假设在30秒内。由于网络原因，反复建立连，接导致将60000个port都用尽了。就会报错

可是既然耗尽了。为什么日志中显示一直有100个连接保持着呢？

对此，老大给出了一条非常重要的信息，C#中，关于连接池的代码中，设定最小值为100。对此我做出的猜想是。是否这100个链接用的是系统的1024个port中的100个？导致timewaitdelay不会涉及到这100个链接呢？尚待考证。

四、改进措施

1.  调整
MaxUserPort = 65534
MaxHashTableSize = 65536 
MaxFreeTcbs = 16000
TcpNumConnections = 16777214

2.  将minpoolsize设为200，进行观察。

2014年06月20号