“侦破”网卡传输能力的“个”案

一个平静的下午，在某监控大厅，应急召集令发出，一时间应急电话、汇报、询问声音响成一片。这是怎么了？原来某重要+系统应用交易严重超时，业务产生大量积压，无法顺利进行。

一

问题到底出在哪里?

系统架构简单明了：后台为Oracle RAC DB数据库，前台为12台AP，AP连接到DB做业务。而业务处理响应缓慢的情况发生在所有的AP上，因此焦点集中到DB服务器、网络、存储等共用的资源及设备上。

经过各方的共同排查，存储正常、数据库正常，却发现DB与AP的网络通信存在问题，ping延时严重，AP与DB、DB与DB之间的ping延时达到十几毫秒并且一直持续（正常时的ping延时只有0.3毫秒左右）。 于是，网络与系统开始协同检查抓包，发现网络链路上未见异常，十几毫秒的延时都消耗在DB主机的响应时间上，系统上可见所有资源均正常，网卡流量远未达到瓶颈，只有网卡收发包数一直较大。

二

抽丝剥茧的分析,提出解决方案

到底是什么具体问题呢？让我们先来看看问题主机的环境：Power780物理机，生产、带管、心跳网卡均为etherchannel绑定的网卡，使用的是两块千兆网卡，由于为主备模式，实际只有一块网卡处于工作状态。

根据之前我们在PowerVM虚拟化环境应急的经验，怀疑是单块千兆网卡转发包数的处理能力达到了瓶颈。通过AIX的topas、nmon等工具都可以很方便的监控每秒网卡的接收及发送数据包数，查询结果如下：

其中的I-pkts和O-pkts即是。一提到网卡，我们通常第一想到的就是带宽处理能力，像千兆、万兆、全双工等等指标更多展示的就是带宽有多大，但很少有人关心网卡的包处理能力上限在哪儿，到底是每秒1万、10万还是100万。为什么呢？因为极少有人会遇到包数转发处理能力的瓶颈，这种情况只出现在业务压力非常大、平均网络包size非常小的系统上，否则通常包数还没达到瓶颈呢，带宽已经满了，但是这种系统恰恰被我们碰上了！而且不止一次！

发生问题的DB主机，当时单块千兆网卡的收发包总数达到了15万左右，并且现象持续存在，一直到应用进行了流控之后，ping延时才得到了缓解，业务才逐渐恢复，这会是问题的症结么？

我们据此提出了紧急的解决方案：

扩容网卡的包处理能力！一块处理不过来就增加多块，紧急改变网卡的绑定模式，改为load balance，并使并发的网卡达到三块。

问题解决：

之后业务高峰再到来后，三块网卡并发处理，收发包总数峰值达到了22万，可见之前的瓶颈限制了总转发处理能力从而造成了积压。调整之后一通百通， ping延时的现象也不复存在了。

三

小马过河的测试

千兆网卡、万兆网卡的每秒转发包数处理能力上限到底有多大的问题，引起了我们的思考，于是转而求助硬件厂商，希望得到有参考价值的技术指标，然而厂商也拿不出明确的包转发处理能力的相关指标，看来大家更关心的都是带宽处理能力。

这使我们想到了小马过河的故事，既然没有现成的指标给我们参考，我们就在自己的环境上测出一个相对可信的处理能力上限，求人不如求己。

根据我们在准生产环境上的压力测试，结论如下：

1、对于物理机：

1）千兆网卡单卡单向包的数量极限大约为每秒8 万个，收发一致，也就是说收发总处理能力上限为每秒16万左右。

2）万兆网卡单卡单向包的数量极限大约为每秒19万个，收发一致，也就是说收发总处理能力上限为每秒38万左右。

2、对于PowerVM虚拟化主机：

由于做了网卡的虚拟化，由hypervisor虚拟化层负责虚拟网卡的转发处理等，网卡的包转发处理能力较物理机有较大的损失。

两块万兆网卡做load balance绑定后提供给VIOS做成虚拟网卡映射给VIOC使用，当网卡每秒收发包总数超过10万时即可能对网络的转发造成瓶颈从而影响业务处理。

这部分内容属于少有人关注的性能瓶颈，我们通过对这个事件的处理、应急以及在这之后做的各种测试，将测试数据和总结的经验分享给大家！