Apache APISIX 连接 ETCD 超时问题分析与解决方案

问题现象

在 Apache APISIX 2.13 版本与 ETCD 3.4.13 集群的集成环境中，出现了连接超时问题。具体表现为：

1. APISIX 与 ETCD 之间的连接频繁超时，导致健康检查不断将 ETCD 端点标记为不健康状态
2. APISIX Ingress Controller (v1.4.1) 同步集群变更到 APISIX 时出现超时并持续重试
3. 最终导致 APISIX 的 CPU 使用率异常升高

日志中可见典型的错误信息："connection timed out. Retrying"，表明系统正在不断尝试重新建立连接。

根本原因分析

通过对配置和现象的分析，我们可以识别出几个潜在的问题点：

1. 连接超时设置不合理：当前配置中 ETCD 的 timeout 设置为 30 秒，而网络环境可能存在不稳定性，导致这个时间不足以完成某些操作。

2. 资源限制问题：虽然 worker_rlimit_nofile 和 worker_connections 设置较高，但在高并发场景下可能仍显不足。

3. 代理配置不匹配：HTTP 配置中的超时参数(如 client_header_timeout、client_body_timeout)与 ETCD 连接超时设置不一致。

4. 网络环境问题：ETCD 集群节点之间的网络延迟或丢包可能导致连接不稳定。

解决方案

1. 调整 ETCD 连接参数

etcd:
  host:
    - "http://xxxxx:2379"
    - "http://xxxxx:2379"
    - "http://xxxxx:2379"
  prefix: "/apisix"
  timeout: 60   # 增加超时时间至60秒
  health_check_timeout: 10 # 显式设置健康检查超时
  health_check_interval: 30 # 健康检查间隔

2. 优化 NGINX 配置

nginx_config:
  worker_rlimit_nofile: 100000  # 增加文件描述符限制
  event:
    worker_connections: 80000   # 增加工作连接数
    
  http:
    lua_shared_dict:
      prometheus-metrics: 1g    # 增加共享内存大小
    keepalive_timeout: 120s     # 延长keepalive超时
    client_header_timeout: 120s # 与ETCD超时对齐
    client_body_timeout: 120s
    send_timeout: 120s

3. 网络层优化

1. 确保 APISIX 与 ETCD 集群之间的网络延迟在合理范围内
2. 检查防火墙规则，确保没有意外的连接限制
3. 考虑使用更可靠的网络协议，如将 HTTP 改为 HTTPS(如果安全要求高)

4. 监控与告警增强

1. 增加对 APISIX 与 ETCD 连接状态的监控
2. 设置合理的告警阈值，在连接问题出现早期就能发现
3. 监控 ETCD 集群的性能指标，确保其负载在合理范围内

最佳实践建议

1. 版本兼容性：确保 APISIX 与 ETCD 版本兼容，建议使用经过验证的版本组合。

2. 连接池管理：合理配置连接池参数，避免频繁创建和销毁连接。

3. 重试策略：实现智能的重试机制，包括指数退避算法，避免雪崩效应。

4. 资源隔离：考虑为 APISIX 和 ETCD 分配专用资源，避免资源竞争。

5. 压力测试：在生产环境部署前，进行充分的压力测试，验证配置的合理性。

总结

APISIX 与 ETCD 的连接超时问题通常是由多方面因素共同导致的，包括配置不当、资源不足和网络环境问题等。通过系统性地调整连接参数、优化资源配置和增强监控，可以有效解决这类问题。在实际生产环境中，建议建立完善的性能基准和监控体系，以便及时发现和解决潜在的连接问题。