大家好，我是「云舒编程」，今天我们来聊聊最近遇到的线上出现大量close_wait导致服务不可用的问题。
文章首发于微信公众号：云舒编程
一、问题
服务A调用服务B，在服务A的机器上出现了大量的close_wait状态的TCP连接。
二、closed_wait
根据TCP四次挥手，理论上close_wait是一个非常短暂的状态，对应到下图：当服务端接收到客户端的FIN并且回复ACK后服务端就会进入close_wait。然后该服务端继续发送FIN包后就会继续进入后续的流程，最终会正常关闭TCP连接。
如果服务端出现了大量的close_wait那就证明没有进行正常的TCP关闭，也就是服务端最终没有调用close或者shutdown，导致最后一个FIN没有发出去。
IP异常
通过排查发现服务A处于closed_wait状态的对应的服务B的IP 都已经不在对方的服务列表中了。
同时同事反馈前天进行了一次压测，触发了下游的自动扩缩容。拿着这些IP跟运维确定，发现的确是前天扩容后又缩容了的IP。
三、分析
出现大量closed_wait的条件：
- 大量的短TCP链接
- 未正确关闭TCP(close或者shutdown)
前天压测满足了条件一，那就只剩下条件二了。 由于服务使用了连接池，猜测是不是这里导致的问题。连接池大致逻辑如下：
代码语言：javascript复制type ConnPool struct{
poolName string
connsMap map[string][]*net.Conn //key是对端ip port,value是连接池列表
}
func (cli *TcpClient) doSend(ctx context.Context,sendByte []byte)([]byte,error){
pool := getPool(TCP_POOL_NAME)
//根据IP,PORT 分配conn ip port从服务注册中心获取
conn := pool.Alloc(cli.ip,cli.port)
//放回连接池
defer pool.Put(conn)
conn.Write()
conn.Read()
return
}发现该连接池的管理比较坑，使用被调用方的ip port作为key进行存储。如果对方的服务下线了，那么从服务注册中心就再也无法获取该ip了，其对应的TCP连接就再也无法释放，并且未对连接做探活处理，从而导致TCP状态会永远停留在closed_wait状态。
以前为什么没有出现
按照上述的连接池实现，只要下游的IP出现了变化，那么理论上我们的服务就会出现无法释放的closed_wait状态的连接才对。那这个问题应该早就暴露了才对？
通过排查就发现了极其狗血的事情：下游服务的发布窗口在每周四的下午，我们的服务发布是在每周五的下午。通过狗血的发布窗口就把这个事情给自然解决了。
问题解决
- TCP连接设置keepalive
- 单独使用一个协程定时去检测连接是否可用
- 读取到了io.EOF，这种就说明对端（服务端）关闭了这个连接，该连接可以释放了。
- 拿ip、port 询问注册中心是否可用，不可用则关闭。
