Boost UDP Transaction Performance

2020-12-10 10:23:45 浏览数 (1)

提高UDP交互性能

这是一篇个人认为非常非常厉害的文章，取自这里。讲述了如何提升UDP流的处理速率，但实际涉及的技术点不仅仅限于UDP。这篇文章中涉及的技术正好可以把前段时间了解的知识串联起来。作者：Toshiaki Makita

讲述内容

  • 背景
  • 提升网络性能的基本技术
  • 如何提升UDP性能

作者介绍

Toshiaki Makita

  • NTT开源软件中心的Linux内核工程师
  • NTT集团公司的技术支持
  • 内核网络子系统的活跃补丁提交者

背景

因特网上UDP事务

  • 使用UDP的服务
    • DNS
    • RADIUS
    • NTP
    • SNMP等
  • 被大量网络服务提供商使用

以太网带宽和交互

  • 以太网带宽演进：
    • 10M -> 100M -> 1G -> 10G -> 40G -> 100G -> ...
    • 10G(或更大)的NIC在商用服务器上越来越普遍
  • 10G网络上的交互：
    • 最小报文的场景下：最大 14,880,952 个报文/s (最小的以太帧为64字节 preamble IFG 20bytes = 84 bytes = 672 bits，10,000,000,000 / 672 = 14,880,952)
    • 难以在单个服务器中处理

需要处理多少交互

  • UDP 负载大小
    • DNS
      • A/AAAA请求：40~字节
      • A/AAAA响应：100~字节
    • RADIUS
      • Access-Request：70~字节
      • Access-Accept：30~字节
      • 通常带有100个字节的属性
    • 大部分场景下为100个字节
  • 10G网络上100字节数据的交互
    • 最大7,530,120次交互/s (100 bytes IP/UDP/Ether headers 46bytes preamble IFG 20bytes = 166 bytes = 1328 bits ，即10,000,000,000 / 1328 = 7,530,120)
    • 即使在少于最短的报文的情况下，但仍具有挑战性

提升网络性能的基本技术

TSO/GSO/GRO

  • 报文分割/聚合
  • 减少报文在服务中的处理
  • 适用于TCP 字节流(使用UDP隧道的TCP也可以)
  • 不适用于UDP数据报(除了UFO，其他都依赖物理NICs)
    • UDP在数据报之间有明确的界限
    • 不能分割/聚合报文

TSO/GSO用于发送报文时，将上层聚合的数据进行分割，分割为不大于MTU的报文；GRO在接受侧，将多个报文聚合为一个数据，上送给协议栈。总之就是将报文的处理下移到了网卡上，减少了网络栈的负担。TSO/GSO等可以增加网络吞吐量，但有可能造成某些连接上的网络延迟。

RSS

  • 在多核服务器上扩展了网络接收侧的处理
  • RSS本身是一个NIC特性
    • 将报文分发到一个NIC中的多个队列上
    • 每个队列都有一个不同的中断向量(不同队列的报文可以被不同的核处理)
  • 可以运用于TCP/UDP
  • 通常10G的NICs会支持RSS

RSS是物理网卡支持的特性，可以将NIC的多个队列映射到多个CPU核上进行处理，增加处理的效率，减少CPU中断竞争。

启用RSS的NIC的性能

  • 100字节UDP交互性能
    • 使用简单的echo多线程(线程数与核数相同，每个线程运行recvfrom() 和sendto()服务器进行测试
    • OS：内核4.6.3(RHEL 7.2环境)
    • 具有20个核心和10G NIC的中型商用服务器：
      • NIC：Intel 82599ES (含RSS, 最大64 个队列)
      • CPU：Xeon E5-2650 v3 (2.3 GHz 10 cores) * 2 sockets，禁用超线程
    • 结果：270,000 transactions/s (tps) (大概 360Mbps)
      • 10G带宽使用了3.6%

如何提升

确认瓶颈

  • sar -u ALL -P ALL 1
  • softirq仅在NUMA的Node0上运行，为什么？
    • 尽管可以为20个核提供足够(64个)的队列

可以在/proc/zoneinfo中查看NUMA的node信息。使用mpstat也可以看到类似的现象，%irq表示硬中断，%soft表示软中断。

RSS下的softirq

  • RSS会将报文分发到接收队列
  • 每个队列的中断目的地由/proc/irq/<irq>/smp_affinity确定

RSS会将报文分发到不同的队列，smp_affinity会设置中断亲和性，将不同队列产生的中断上送给不同的CPU核。

  • 通常由irqbalance设置smp_affinity

校验smp_affinity

  • smp_affinity
  • irqbalance仅使用了Node 0(核0-4, 10-14)，如何修改？

检查affinity_hint

  • 一些NIC驱动提供了affinity_hint
  • affinity_hint是均匀分布的
  • 为了显示该hint，可以在irqbalance(通过/etc/sysconfig/irqbalance)中添加"-h exact"选项

修改irqbalance选项

  • 添加"-h exact"并重启irqbalance服务
  • 可以看到irqs分布到了所有的核上。
  • sar -u ALL -P ALL 1
  • 虽然irqs看起来分布均匀，但16~19核却没有分配softirq

检查rx-queue状态

RSS 间接表

使用RPS

  • 现在给接收队列69上的流分配CPU69 和16~19，这两组CPU都位于Node1 • rx-queue 6 -> core 6, 16 • rx-queue 7 -> core 7, 17 • rx-queue 8 -> core 8, 18 • rx-queue 9 -> core 9, 19
代码语言：javascript复制
# echo 10040 > /sys/class/net/ens1f0/queues/rx-6/rps_cpus
# echo 20080 > /sys/class/net/ens1f0/queues/rx-7/rps_cpus
# echo 40100 > /sys/class/net/ens1f0/queues/rx-8/rps_cpus
# echo 80200 > /sys/class/net/ens1f0/queues/rx-9/rps_cpus
  • sar -u ALL -P ALL 1
  • 此时软中断的分布几乎是均匀的

RSS & affinity_hint & RPS

  • 多亏了affinity_hint 和RPS，现在可以将流均匀地分发到不同的CPU核上。
  • 性能变化：
    • Before: 270,000 tps (大概 360Mbps)
    • After: 17,000 tps (大概 23Mbps)

    变的更差了。。

  • 可能的原因是软中断太多导致的
    • 软中断几乎占了100%的CPU
    • 需要更好地分析手段

分析软中断

  • perf
    • 内核树分析工具
    • 通过CPU采样定位热点
  • 举例：perf record -a -g -- sleep 5
    • 每5秒将结果输出到perf.data文件
  • 火焰图
    • 以svg格式可视化展现perf.data
    • https://github.com/brendangregg/FlameGraph
  • CPU0的火焰图(结果经过了过滤)
    • X轴：CPU消耗
    • Y轴：调用深度
  • queued_spin_lock_slowpath：锁竞争
  • udp_queue_rcv_skb：要求socket锁

socket锁竞争

  • echo服务器在一个特定端口上仅绑定了一个socket
  • 每个内核的softirq同时将报文推入socket队列
  • 最终导致socket锁竞争

避免锁竞争

  • 使用SO_REUSEPORT选项分割sockets
    • 该选项在内核3.9引入，默认使用流(报文首部)哈希来选择socket

使用SO_REUSEPORT

  • sar -u ALL -P ALL 1
  • 此时软中断消耗的CPU就比较合理了，从下面火焰图可以看到中断处理消耗的CPU缩短了
  • 性能变化
    • RSS: 270,000 tps (大概 360Mbps)
    • affinity_hint RPS: 17,000 tps (大概 23Mbps)
    • SO_REUSEPORT: 2,540,000 tps (大概 3370Mbps)
  • 进一步分析：
  • 可以看到，仍然有socket锁竞争。SO_REUSEPORT默认使用流哈希来选择队列，不同的CPU核可能会选择相同的sockets，导致竞争。

避免socket锁竞争

  • 根据CPU核号选择socket
    • 通过SO_ATTACH_REUSEPORT_CBPF/EBPF实现
    • 在内核4.5引入上述功能
  • 此时软中断之间不再产生竞争
  • 用法可以参见内核源码树中的例子：tools /testing/selftests /net /reuseport_bpf_cpu.c
  • 启用SO_ATTACH_REUSEPORT_EPBF前后的火焰图如下，可以看到中断消耗的CPU更少了
  • 性能变化：
    • RSS: 270,000 tps (approx. 360Mbps)
    • affinity_hint RPS: 17,000 tps (大概 23Mbps)
    • SO_REUSEPORT: 2,540,000 tps (大概 3370Mbps)
    • SO_ATTACH_...: 4,250,000 tps (大概 5640Mbps)

固定用户线程

  • 用户线程数:sockets数 == 1:1，但不一定与软中断处于同一CPU核
  • 将用户现场固定到相同的核，获得更好的缓存亲和性。可以使用cgroup, taskset, pthread_setaffinity_np()等方式
  • 性能变化
    • RSS: 270,000 tps (approx. 360Mbps)
    • affinity_hint RPS: 17,000 tps (大概 23Mbps)
    • SO_REUSEPORT: 2,540,000 tps (大概 3370Mbps)
    • SO_ATTACH_...: 4,250,000 tps (大概 5640Mbps)
    • Pin threads: 5,050,000 tps (大概 6710Mbps)

输出方向的锁

  • 到目前为止解决的问题都处在接收方向上
  • 发送方向是否有锁竞争？

Tx队列

  • 内核具有Qdisc(默认的Qdisc为pfifo_fast)
  • 每个Qdisc都连接到NIC的tx队列
  • 每个Qdisc都有自己的锁

Tx队列的锁竞争

  • Qdisc默认通过流哈希进行选择
  • 因此可能会发送锁竞争
  • 但并没有在输出方向上看到锁竞争，为什么？

避免Tx队列的锁竞争

  • 这是因为ixgbe(Intel 10GbE NIC驱动)可以自动设置XPS
  • XPS允许内核选择根据CPU核号选择Tx队列(Qdisc)
  • 因此发送方向没有锁竞争

XPS的影响如何

重新启用XPS

优化单个核 1

  • 为了完全利用多核，并避免竞争，性能达到了5,050,000 tps (大概 6710Mbps)
  • 为了进一步提高性能，需要降低单个核的开销

禁用GRO

  • 性能变化 • RSS ( XPS): 270,000 tps (大概 360Mbps) • affinity_hint RPS: 17,000 tps (大概 23Mbps) • SO_REUSEPORT: 2,540,000 tps (大概 3370Mbps) • SO_ATTACH_...: 4,250,000 tps (大概 5640Mbps) • Pin threads: 5,050,000 tps (大概 6710Mbps) • Disable GRO: 5,180,000 tps (大概 6880Mbps)

优化单个核 2

优化单个核3

优化单个核4

优化单个核5

超线程

  • 目前还没有启用超线程
  • 启用之后的逻辑核为40个
    • 物理核为20个
  • 需要给40个核配置RPS
    • 提示：最大可用的接收队列为16
  • 启用超线程，并在所有的接收队列上设置RPS • queue 0 -> core 0, 20 • queue 1 -> core 1, 21 • ... • queue 10 -> core 10, 16, 30 • queue 11 -> core 11, 17, 31 • ...
  • 性能变化 • RSS ( XPS): 270,000 tps (大概 360Mbps) • affinity_hint RPS: 17,000 tps (大概 23Mbps) • SO_REUSEPORT: 2,540,000 tps (大概 3370Mbps) • SO_ATTACH_...: 4,250,000 tps (大概 5640Mbps) • Pin threads: 5,050,000 tps (大概 6710Mbps) • Disable GRO: 5,180,000 tps (大概 6880Mbps) • Unload iptables: 5,380,000 tps (大概 7140Mbps) • Disable validation: 5,490,000 tps (大概 7290Mbps) • Disable audit: 5,860,000 tps (大概 7780Mbps) • Skip ID calculation: 6,010,000 tps (大概 7980Mbps) • Hyper threading: 7,010,000 tps (大概 9310Mbps)
  • 猜测，如果更多的rx队列可能会获得更好的性能

更多热点1

  • Tx Qdisc锁(_raw_spin_lock)的消耗比较严重
  • 没有竞争，但出现了很多原子操作
  • 在Linux netdev社区中进行优化

更多热点2

  • slab内存申请和释放
  • 在Linux netdev社区中进行优化

其他挑战

  • UDP服务器的环境为guest
  • Hypervisor可能使CPU饱和或丢弃报文

总结

  • 对于100字节的数据，可以达到几乎10G的速率
    • 从：270,000 tps (approx. 360Mbps)
    • 到：7,010,000 tps (approx. 9310Mbps)
  • 提高UDP性能
    • 应用(最关键)
      • 实现SO_REUSEPORT
      • 实现SO_ATTACH_REUSEPORT_EBPF/CBPF
      • 对TCP监听socket同样有效
    • OS设置
      • 检查smp_affinity
      • 如果rx队列不足，则使用RPS
      • 确保配置了XPS
      • 考虑如下降低单核开销的方法 • Disable GRO • Unload iptables • Disable source IP validation • Disable auditd
  • 硬件
    • 如果可能，使用具有足够RSS接收队列的NICs(如核数相同的队列)
udp socket编程

0 人点赞