转自：http://www.178linux.com/2468
今天发现有台redis机器上出现socket个数告警，这是很奇怪的现象。因为一台redis服务器上就部署了几个redis实例，打开的端口应该是有限。
1、netstat显示的tcp连接数正常
netstat -n | awk '/^tcp/ {++state[$NF]} END {for(key in state) print key," ",state[key]}'
TIME_WAIT 221
ESTABLISHED 103
netstat -nat |wc -l
368
建立的tcp连接数并不是很多。
2、ss -s显示大量的closed连接
ss -s Total: 158211 (kernel 158355) TCP: 157740 (estab 103, closed 157624, orphaned 0, synrecv 0, timewait 173/0), ports 203 Transport Total IP IPv6 * 158355 - - RAW 0 0 0 UDP 9 6 3 TCP 116 80 36 INET 125 86 39 FRAG 0 0 0
closed 157624，很多socket是处于closed状态。
而我的系统监控取值方法是:
cat /proc/net/sockstat | grep sockets | awk '{print $3}'
158391
cat /proc/net/sockstat
sockets: used 158400
TCP: inuse 89 orphan 2 tw 197 alloc 157760 mem 16
UDP: inuse 6 mem 0
UDPLITE: inuse 0
RAW: inuse 0
FRAG: inuse 0 memory 0
很多socket处于alloc状态，已经分配sk_buffer,而且处于closed。
redis的file discriptes存在泄漏，没有被内核回收。
3、追查真凶
上面信息说明存在socket fd泄漏，那么用lsof命令检查系统sock的文件句柄。
lsof | grep sosck java 4684 apps *280u sock 0,6 0t0 675441359 can't identify protocol java 4684 apps *281u sock 0,6 0t0 675441393 can't identify protocol java 4684 apps *282u sock 0,6 0t0 675441405 can't identify protocol java 4684 apps *283u sock 0,6 0t0 675441523 can't identify protocol java 4684 apps *284u sock 0,6 0t0 675441532 can't identify protocol java 4684 apps *285u sock 0,6 0t0 675441566 can't identify protocol
可以发现，Name列的值为“an’t identify protocol”，socket找不到打开的文件，。
这个显示，是java进程（pid=4684）出现了socket fd泄漏的状况。
ps auxww | grep 4684
发现是redis机器上日志收集工具flume。
4、解决方案
没有很好的的方法，简单粗暴的kill占有scoket fd的进程。
<更新于2015年3月11日 20:05:30>
今天发现，重启flume agent之后，仍然会出现这种大量的closed socket现象。
strace flume进程，发现flume进程已经挂起了。
sudo strace -p 36111 Process 36111 attached - interrupt to quit futex(0x2b80e2c2e9d0, FUTEX_WAIT, 36120, NULL
首先，我比较怀疑文件句柄不够用，因为google查找到的资料也提高了文件fd不够而导致这种问题。
在我的机器上，最大允许打开的文件数为131072，文件fd个数还有近1/4没有使用。
lsof | wc -l 10201 ulimit -a ulimit -n 131072
这时，同事提示我，还有其他大量机器也出现了这种问题（flume已经上线了3个月，之前都很正常）。
这是，我想起了还有flume的日志可以查看。而查看flume的日志，提示flume找不到broker 5。
纳尼，不是kafka集群不是只有4个broker（节点）。这时候才想起前几天的邮件然来spark开发的同事，对kakf集群进行扩容了。
而新的集群节点9092端口对这台redis所在的机房没有开放访问权限。
[SinkRunner-PollingRunner-DefaultSinkProcessor] (kafka.utils.Logging$class.warn:89) - Failed to send producer request with correlation id 63687539 to broker 5 with data for partitions [titan,4]
5、问题重现
在lsof: can’t identify protocol这篇文章中，用python代码重现了这种状况。
：）
在解决问题时，google查找是一种比较快捷的方式。而有时候，google出来的结果反而会影响排查问题的方向。
在我看到google的搜索结果之后，第一感觉是因为操作系统的max open files参数太小导致。在发现不是这个原因之后。我的思路仍然停留在内核参数是否配置合理的思路上。知道其他的机器上部署的flume出现了同种状况是，我才意识到是flume本身出了问题，才去strace flume进程的状态和查看flume的日志。