四年多前的一个往事
大约在2010年的时候，我排查了一个问题。问题描述如下：
服务端：Linux Kernel 2.6.8/192.168.188.100
客户端：Windows XP/192.168.40.34
业务流程(简化版)：
1.客户端向服务端发起SSL连接
2.传输数据
现象：SSL握手的时候，服务端发送Certificate特别慢。
分析：
具体思路，也就是当时怎么想到的，我已经忘了，但是记住一个结论，那就是纠出了Linux 2.6.8的NAT模块的一个bug。
在抓取了好多数据包后，我发现本机总是发给自己一个ICMP need frag的报错信息，发现服务端的Certificate太大，超过了本机出网卡的MTU，以下的一步步的思路，最终纠出了bug：
1.证实服务端程序设置了DF标志。这是显然的，因为只有DF标志的数据包才会触发ICMP need frag信息。
2.疑问：在TCP往IP发送数据的时候，会检测MTU，进而确定MSS，明知道MSS的值，怎么还会发送超限的包呢？计算错误可能性不大，毕竟Linux也是准工业级的了。
3.疑问解答：幸亏我当时还真知道一些名词，于是想到了TCP Segment Offload这个技术。
TCP Segment Offload简称TSO，它是针对TCP的硬件分段技术，并不是针对IP分片的，这二者区别应该明白，所以这与IP头的DF标志无关。对于IP分片，只有第一个分片才会有完整的高层信息(如 果头长可以包括在一个IP分片中的话)，而对于TSO导致的IP数据包，每一个IP数据包都会有标准的TCP头，网卡硬件自行计算每一个分段头部的校验值，序列号等头部字段且自动封装IP头。它旨在提高TCP的性能。
4.印证：果然服务器启用了TSO
5.疑问：一个大于MTU的IP报文发送到了IP层，且它是的数据一个TCP段，这说明TCP已经知道自己所在的机器有TSO的功能，否则对于本机始发的数据包，TCP会严格按照MSS封装，它不会封装一个大包，然后让IP去分片的，这是由于对于本机始发而言，TCP MSS对MTU是可以感知到的。对于转发而言，就不是这样了，然而，对于这里的情况，明显是本机始发，TCP是知道TSO的存在的。
6.猜测：既然TCP拥有对TSO的存在感知，然而在IP发送的时候，却又丢失了这种记忆，从TCP发往IP的入口，到IP分片决定的终点，中间一定发生了什么严重的事，迫使TCP丢失了TSO的记忆。
7.质疑：这种故障情况是我在公司模拟的，通过报告人员的信息，我了解到并不是所有的情况都会这样。事实上，我一直不太承认是Linux协议栈本身的问题，不然早就被Fix了，我一直怀疑是外部模块或者一些外部行为比如抓包导致的。
8.可用的信息：到此为止，我还有一个信息，那就是只要加载NAT模块(事实上这是分析出来的，报告人员是不知道所谓的NAT模块的，只知道NAT规则)就会有这个现象，于是目标很明确，死盯NAT模块。
9.开始debug：由于Linux Netfilter NAT模块比较简单，根本不需要高端的可以touch到内存级的工具，只需要printk即可，但是在哪里print是个问题。
10.出错点：在调用ip_fragment(就是该函数里面发送了ICMP need frag)之前，有一个判断(省略了不相关的)：
if (skb->len > dst_pmtu(skb->dst) && !skb_shinfo(skb)->tso_size) {
return ip_fragment(skb, ip_finish_output);
}
前一个判断显然为真，如果要想调用ip_fragment的话，后一个判断一定要是假，实际上，如果开启了TSO，就不该调用ip_fragment的。
11.查找tso_size字段：事情很明显了，一定是哪个地方将tso_size设置成了0！而且一定在NAT模块中(98%以上的可能性吧...)，于是在NAT模块中查找设置tso_size的地方。
12.跟踪ip_nat_fn：这是NAT的入口，进入这个入口的时候，tso_size不是0，可是调用了skb_checksum_help之后tso_size就是0了，问题一定在这个函数中，注意，调用这个help有一个前提，那就是硬件已经计算了校验和。在这个help函数中，有一个skb_copy的操作，正是在这个copy之后，tso_size变成了0，于是进一步看skb_copy，最终定位到，copy_skb_header的最后，并没有将原始skb的tso_size复制到新的skb中，这就是问题所在！
13.触发条件：什么时候会调用skb_copy呢？很简单，如果skb不完全属于当前的执行流的情况下，按照写时拷贝的原则，需要复制一份。故障现象就是慢，而数据为本机始发，且为TCP。我们知道，TCP在没有ACK之前，skb是不能被删除的，因此当前的skb肯定只是一个副本，因此就需要拷贝一份了。
14.影响：如此底层的一个函数。搜索代码，影响巨大，各种慢！对于那次的慢，其慢的流程为：socket发送DF数据--感知TSO--丢失TSO--ICMP need frag--TCP裁成小段继续发送...如果禁止了lo的ICMP，那么更慢，因为TCP会触发超时重传，而不是ICMP的建议裁减，并且重传是不会成功的，直到用户程序感知，自行减小发送长度。
为什么旧事重提
提起那件事有两个原因，其一是当时没有记录下来整个过程，可是后续的patch却一直在用，最终我自己都快不知其所以然了，其二，是通过那次的分析，按照现在的理解，就可以发现Linux协议栈的一个优化点，即TCP情况下，由于保留了数据skb队列直到ack，那么后续向下的所有skb处理流程都至少要经过一次skb_copy，这种复制操作难道就不能避开吗？如果加载了某些Netfilter钩子，需要对skb进行写操作，这种串行化行为会严重影响Linux网络协议栈的处理效率，这是Netfilter的通病之一。
附：skb操作的优化点
1.如果把数据和元数据彻底分开是不是更好呢？
2.进一步将写操作的粒度细分
有些写操作是针对每一个数据包的，这些不得不复制，但是能否局部复制，然后采取分散聚集IO进行拼接呢？尽量采用指针操作而不是复制数据本身，这正是借鉴了UNIX fork模型以及虚拟地址空间的COW。如果把skb的空间进行细粒度划分，那么就可以做到，需要COW哪部分就只有那部分，不会导致全局复制。
前几天的一个TCP问题排查过程
现象与过程
早就习惯了那种惊心动魄的三规制度(规定的时间，规定的地点，和规定的人一起解决问题)，反而不习惯了按部就班了。事情是这样的。
周末的时候，中午，正在跟朋友一起聊天吃饭，收到了公司的短信，说是有一个可能与TCP/IP有关的故障，需要定位，我没有随即回复，因为这种事情往往需要大量的信息，而这些信息一般短信传来的时候早就经过了N手，所以为了不做无用功，等有关人员打电话给我再说吧。
...
(以下描述有所简化)
我方服务端：Linux/IP不确定(处在内网，不知道NAT策略以及是否有代理以及其它七层处理情况)
测试客户端：Windows/192.168.2.100/GW 192.168.2.1
中间链路：公共Internet
可用接入方式：3G/有线拨号
服务端设备：第三方负载均衡设备。防火器等
业务流程：客户端与服务端建立SSL连接
故障：
客户端连接3G网卡使用无线链路，业务正常；客户端使用有线链路，SSL握手不成功，SSL握手过程的Client Certificate传输失败。
分析：
1.通过抓包分析，在有线链路上，发送客户端证书(长度超过1500)后，会收到一条ICMP need frag消息，说是长度超限，链路MTU为1480，而实际发送的是1500。通过无线链路，同样收到了这个ICMP need frag，只是报告的MTU不同，无线链路对应的是1400。
2.有线链路，客户端接受ICMP need frag，重新发送，只是截掉了20字节的长度，然而抓包发现客户端会不断重传这个包，始终收不到服务端的ACK，其间，由于客户端久久不能发送成功数据到服务端，服务端会回复Dup ACK，以示催促。
3.猜想：起初，我以为是时间戳的原因，由于两端没有开启TCP时间戳，所以在RTT以及重传间隔估算方面会有误差，但是这不能解释100%失败的情形，如果是由于时间戳计算的原因，那不会100%失败，因为计算结果受波动权值影响会比较大。
4.对比无线链路，和有线链路的唯一区别就是ICMP报告的MTU不同。
5.中途总结：
5.1.此时，我并没有把思路往运营商链路上引导，因为我始终认为那不会有问题，同样，我也不认为是SSL的问题，因为错误总是在发送大包后呈现，事实上，接受了ICMP need frag后，之前发的那个超限包已经被丢弃，重新发送的是一个小一点的包，对于TCP另一端来讲，这是完全正常的。
5.2.根本无需查看服务日志，因为还没有到达那个层次。抓包结果很明确，就是大包传不过去，其实已经按照MTU发现的值传输了，还是过不去，而无线链路能过去。因此应该不是MTU的问题。
5.3.除了运营商链路，MTU，服务端处理之外，还会是哪的问题呢？事实上，程序的bug也不是不可能的，或者说是一些不为人知的动作，不管怎样，需要隔离问题。
6.猜测是中间某台设备没法处理大包，这个和MTU没有关系，可能就是它处理不了或者根本上不想处理大包，多大呢？反正1480的包处理不了，减去IP头，TCP头，剩余的是1440的纯数据。于是写一个简单的TCP client程序，在TCP握手完成后马上发送(为了防止由于不是Client Hello而主动断开，因此必须马上发，只是为了观察针对大包的TCP ACK情况，此时与服务无关)长度1440的数据，验证！
7.果然没有ACK迅速返回，客户端不断重试发送1440的包(之后10秒到20秒，会有ACK到来，但不是每次都会到来，这明显是不正常的)。为了证明这种方式的合理性，发送无线链路上MTU限制的数据大小，即1400-20-20=1360的数据，ACK秒回。因此猜测中间设备的数据包处理的长度临界点在1360和1440之间。
8.经过不断的测试，二分法查询临界点，找到了1380是可处理长度临界点。发送1380的纯数据是正常的，发送1381的纯数据就不正常了。抓包的目标地址是12.23.45.67，简称MA，现在不确定的是MA是什么，是我方的设备，还是它方的设备，如果是我方的设备，排错继续，如果不是，排错终止。总之，1380这个临界点是一个疑点，常规来讲是不正常的，但也不能排除有这么限制的正常理由。无线链路没有问题是因为无线链路的MTU比较小，最大纯数据长度1360小与临界值1380。
9.补充测试，模拟问题机器，将其本机的MTU改为1380+20+20=1420，传输也是正常的，然而改为1421，就不行了。(注意，只有本机的MTU修改才有效，因为只有TCP数据始发设备，MSS才与MTU关联)
.....
1x.第9步后面的排查我没有参与，但是最终，我方设备确实没有收到客户端SSL握手过程传出的证书，说明确实是中间设备阻止了这个”大包“的传输，至于它到底是谁，到底怎么回事，与我们无关了，但对于我个人而言，对其还是比较感兴趣的。
对于该次排错的总结
这是一个典型的网络问题，涉及到IP和TCP，细节不多，但足够典型。其实这个问题与最终的业务逻辑没有关系，但是事实往往是，只有在业务逻辑无法正常时，这类底层的问题才会暴露，这是TCP/IP协议栈的性质所致。此类问题的排查要点在于，你要用最快的速度把它与高层协议隔离开来，并且不能陷入任何细节。
TCP细节：为何不必考虑TCP细节？这类场景既不特殊，又不复杂，如果陷入TCP细节的话，会掩盖或者忽略大量横向的问题，比如你会死盯着TCP的重传机制做细致研究，或者细致地研究RTT计算方法，最终也不一定能得到什么结论。换句话说，你一定要相信TCP是正常的。
服务程序细节：这个也是要隔离的。因为服务器并没有真的开始服务，且故障是100%重现的，因此可以确定这不是什么复杂的问题所导致，真正复杂的问题往往不是100%重现，即便是你挖掘出其重现规律，也够你喝一壶的。
TCP问题和IP问题的相异：它们虽然都是网络协议栈的一员，但是使用方式却大不相同。实际上TCP提高了使用者的门槛，一般而言，TCP是让程序去使用的，因此你要想TCP跑起来，起码要理解其大致原理，或者说懂socket机制，如果你上网浏览网页，虽然也是用的TCP，它确实跑起来了，但是使用者不是你，而是你的浏览器。IP就不同，IP的配置者可以是小白，并且随意配置都不会报错。再往下，布线问题，拓扑问题，几乎没有什么门槛，但是却更加容易出错。因此首先要排除的就是这类问题。
防火墙策略或者程序BUG：实际上，第一步就需要询问管理员，是不是防火墙上特殊的策略所致，然而对于无法得到这个消息的时候，你就不能从这儿开始了。接下来，与之平等的是怀疑程序的处理BUG，此时，隔离出原有的业务逻辑细节是重要的，现象是大包无法收到ACK，此时就要忽略掉这个大包的内容以及其上下文，直接发送一个任意大包进行测试。
因此，这类问题的排查是一个逐步隔离的过程，相对四年前的那次NAT bug的排查，这个故障在技术上要更容易些，所有的复杂性和时间的耽搁全部在人员协调交流上，人员之间信息的误传或者漏传也是一个难点，四年前的那个NAT bug，是一个技术上更加深入的问题，涉及到了内核协议栈代码级别，同时在此之前，我还要找到这个点，然而它的容易点在于，这个问题只涉及到我一个人，而且也是100%重现。