Twitter Zipkin项目Docker容器中wget僵尸进程问题分析与解决

问题背景

在Twitter开源的分布式追踪系统Zipkin的Docker容器运行过程中，开发人员发现了一个关于wget进程的有趣现象。当容器长时间运行时，系统中会出现大量处于"defunct"状态的wget僵尸进程。这些进程无法正常终止，逐渐积累并占用系统资源。

问题分析

通过深入调查，我们发现这些wget进程源自Docker容器的健康检查机制。Zipkin容器使用了一个shell脚本进行健康检查，其中通过wget命令向本地/health端点发送请求来验证服务状态。

问题的核心在于：

1. 健康检查间隔设置较短（测试环境为1秒，生产环境为5秒）
2. wget命令执行可能超时
3. 当健康检查进程被终止时，未能正确清理其子进程(wget)

在Linux系统中，当一个进程终止但其子进程仍在运行时，这些子进程就会变成"僵尸进程"。它们虽然不再执行代码，但仍保留在进程表中，等待父进程读取其退出状态。

解决方案

项目维护者提出了两个层级的解决方案：

1. 立即解决方案（已实现）

• 调整wget命令的超时参数，确保在合理时间内完成或失败
• 在2.27.0版本中已经包含这一修复

2. 长期优化方案（讨论中）

• 考虑将shell脚本实现的健康检查替换为Go语言编写的独立二进制程序
• 这种方案能更可靠地管理进程生命周期，避免僵尸进程问题
• 需要将健康检查二进制程序添加到基础镜像中

验证结果

在实际生产环境中部署修复后的2.27.0版本后，经过多日观察：

• 原先频繁出现的wget僵尸进程完全消失
• 系统资源使用更加稳定
• 健康检查机制仍保持原有功能

技术启示

这个案例为我们提供了几个重要的技术经验：

1. 容器健康检查设计：在设计容器健康检查时，不仅要考虑检查逻辑本身，还需要注意命令执行可能带来的副作用。

2. 进程生命周期管理：在编写会产生子进程的脚本时，必须考虑信号传播和进程清理机制。

3. 超时设置合理性：网络请求类操作必须设置合理的超时参数，既要保证及时发现问题，又要避免因短暂波动导致的误判。

4. 监控与告警：对于长时间运行的容器，需要建立对僵尸进程的监控机制，及时发现类似问题。

这个问题的解决过程展示了开源社区如何协作分析问题、提出解决方案并验证效果，最终提升了Zipkin项目的稳定性和可靠性。