Boost UDP Transaction Performance

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,位于/proc/irq/<irq_num>/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，即完全按照/proc/irq/<irq_num>/affinity_hint中的CPU核来进行负载均衡。这种方式其实就是将特定的中断固定到了特定的核上，不会自动调整，RPS影响的是软中断，后面使用BPF将socket与核进行关联之后不会出现irqbalance将流转移到其他核的情况。

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

• ethtool -S

  $ ethtool -S ens1f0 | grep 'rx_queue_.*_packets'
  rx_queue_0_packets: 198005155
  rx_queue_1_packets: 153339750
  rx_queue_2_packets: 162870095
  rx_queue_3_packets: 172303801
  rx_queue_4_packets: 153728776
  rx_queue_5_packets: 158138563
  rx_queue_6_packets: 164411653
  rx_queue_7_packets: 165924489
  rx_queue_8_packets: 176545406
  rx_queue_9_packets: 165340188
  rx_queue_10_packets: 150279834
  rx_queue_11_packets: 150983782
  rx_queue_12_packets: 157623687
  rx_queue_13_packets: 150743910
  rx_queue_14_packets: 158634344
  rx_queue_15_packets: 158497890
  rx_queue_16_packets: 4
  rx_queue_17_packets: 3
  rx_queue_18_packets: 0
  rx_queue_19_packets: 8
  

• 可以看到RSS并没有将报文分发给队列16~19

RSS 间接表

• RSS有一个间接表，用于确定分发的报文所属的队列

• 可以使用ethtool -x命令查看(虚拟环境可能不支持)

  

• 可以看到仅使用了0_{15的接收队列，并没有使用16}19的队列

• 使用所有的0~19的队列

  # ethtool -X ens1f0 equal 20
  Cannot set RX flow hash configuration: Invalid argument
  

• 间接表中该NIC的最大接收队列数为16，因此不能使用20个队列

  • 虽然有64个接收队列

• 使用RPS替代

  • RSS的软件仿真

使用RPS

• 现在给接收队列6_{9上的流分配CPU6}9 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

# 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

• SO_REUSEPORT允许多个UDP socket绑定到相同的端口上

  • 在每个报文排队时选择一个套接字

    int on = 1;
    int sock = socket(AF_INET, SOCK_DGRAM, 0);
    setsockopt(sock, SOL_SOCKET, SO_REUSEPORT, &on, sizeof(on));
    bind(sock, ...);
    

    SO_REUSEPORT的介绍可以参考这篇文章。

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

• 禁用XPS

  # for ((txq=0; txq<20; txq++)); do
  > echo 0 > /sys/class/net/ens1f0/queues/tx-$txq/xps_cpus
  > done
  

  • Before: 5,050,000 tps (大概 6710Mbps)
  • After: 1,086,000 tps (大概 1440Mbps)

  可见有近5倍的性能差距，且从火焰图看，产生了大量锁竞争

  

重新启用XPS

• 启动XPS。XPS的工作方式其实与RPS类似

  # echo 00001 > /sys/class/net/<NIC>/queues/tx-0/xps_cpus
  # echo 00002 > /sys/class/net/<NIC>/queues/tx-1/xps_cpus
  # echo 00004 > /sys/class/net/<NIC>/queues/tx-2/xps_cpus
  # echo 00008 > /sys/class/net/<NIC>/queues/tx-3/xps_cpus
  ...
  

• 尽管ixgbe可以自动设置XPS，但并不是所有的驱动都可以

• 确保配置了xps_cpus

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

• 可以看到默认启用了GRO，并消耗了4.9%的CPU时间。

• GRO并不适用于UDP(UDP隧道除外，如VXLAN)

• 为UDP服务禁用GRO

  # ethtool -K <NIC> gro off
  

• 警告：

  • 如果关注TCP性能，则不能禁用GRO功能
    • 禁用GRO会导致TCP接收吞吐量降低
  • 在KVM 虚拟化管理系统上也不要禁用GRO
    • GRO提高了隧道协议流量以及虚拟机管理程序上的guest TCP流量的吞吐量

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

• 可以看到执行了iptables相关的操作

  • 此时并不需要任何iptables

• iptables消耗了3%的CPU

• 由于iptables是内核加载的模块，即使用户不需要任何规则，它内部也会消耗一部分CPU

• 即使不添加任何规则，某些发行版也会加载iptables模块

• 如果不需要iptables，则卸载该模块

  # modprobe -r iptable_filter
  # modprobe -r ip_tables
  

• 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)

优化单个核3

• 在接收路径上，FIB查询了两次。每次消耗1.82%~的CPU时间。其中以此用于校验源IP地址：

  • 反向路径过滤器
  • 本地地址校验

• 如果不需要源校验，则可以忽略

  # sysctl -w net.ipv4.conf.all.rp_filter=0
  # sysctl -w net.ipv4.conf.<NIC>.rp_filter=0
  # sysctl -w net.ipv4.conf.all.accept_local=1
  

• 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)

优化单个核4

• 当大量处理报文时，Audit消耗的CPU会变大。大概消耗2.5%的CPU时间

• 如果不需要audit，则禁用

  # systemctl disable auditd
  # reboot
  

• 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)

优化单个核5

• IP ID字段计算(__ip_select_ident)消耗的CPU比较多，消耗大概4.82%的CPU

• 该字段用于解决特定环境下的问题

  • 如果很多客户端使用了相同的IP地址
    • 原子操作会造成缓存竞争
  • 如果不使用隧道协议，很可能看不到如此大量的CPU消耗

• 如果真的碰到这种问题

  • 只有在不发送大于MTU的报文时才可以跳过它

    • 虽然非常严格

      int pmtu = IP_PMTUDISC_DO;
      setsockopt(sock, IPPROTO_IP, IP_MTU_DISCOVER, &pmtu, sizeof(pmtu));
      

• 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)

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)