Valkey项目中TLS连接写入异常问题分析与解决方案

问题背景

在Valkey项目(一个高性能键值存储系统)的使用过程中，开发人员发现当系统处于高吞吐量场景下运行时，特别是配置了TLS加密连接的集群环境中，会出现频繁的客户端重连现象。通过详细日志分析，可以观察到系统频繁输出"Error writing to client: error:0A00010F:SSL routines::bad length"的错误信息，这表明在SSL/TLS层出现了数据写入异常。

问题现象

该问题在以下场景中表现尤为明显：

1. 在高吞吐量的Redis集群环境中(3个分片，每个分片1个副本)
2. 当使用自签名证书配置TLS加密连接时
3. 在读写分离架构中，读副本节点更容易出现此问题
4. 使用valkey-benchmark工具进行压力测试时，特别是使用大尺寸数据包(如32KB)和大量并发线程(如50个)时

错误表现为客户端连接频繁断开，系统吞吐量下降，延迟增加，严重影响系统稳定性和性能。

技术分析

OpenSSL写入机制

深入分析发现，该问题与OpenSSL库的写入机制密切相关。OpenSSL文档明确指出：当SSL_write函数因SSL_ERROR_WANT_READ或SSL_ERROR_WANT_WRITE错误需要重试时，必须使用完全相同的参数再次调用。这是因为数据可能已经被部分处理，参数不一致会导致处理错误。

Valkey网络层实现

Valkey的网络层在处理大块数据写入时，会将数据分割成多个小块进行处理。具体流程如下：

1. 当待写入数据超过NET_MAX_WRITES_PER_EVENT(默认为64KB)时，系统会将数据分割
2. 使用writev系统调用进行向量化写入
3. 对于TLS连接，会调用connTLSWritev函数处理分割后的数据块

问题出现在当第一次写入尝试只成功写入部分数据(如16KB)后，后续重试时的数据块大小与初始调用不一致，违反了OpenSSL的重试规则，导致"bad length"错误。

系统参数影响

通过实验发现，调整系统TCP缓冲区大小会显著影响该问题的出现频率：

1. 当设置较小的tcp_wmem值(如4KB)时，问题更容易复现
2. 同时调整tcp_rmem参数可以缓解问题
3. 修改NET_MAX_WRITES_PER_EVENT参数也能影响问题表现

这表明问题与网络层缓冲机制和OpenSSL的交互方式密切相关。

解决方案

经过深入分析，开发团队提出了以下修复方案：

1. 在TLS连接结构中增加last_write_data_len字段，记录上次写入尝试的数据长度
2. 在connTLSWritev函数中增加判断逻辑，确保重试时的数据块不小于上次尝试
3. 当检测到需要重试且数据块变小时，强制使用最大可能缓冲区处理

该方案的核心是确保在SSL写入需要重试时，遵守OpenSSL的重试规则，保持参数一致性。具体实现通过以下机制：

• 记录每次写入尝试的数据长度
• 比较当前数据块与上次尝试的大小关系
• 在必要时调整写入策略，避免违反OpenSSL规则

验证与效果

该修复方案经过多种场景验证：

1. 在调整系统TCP缓冲区参数的极端情况下验证
2. 使用valkey-benchmark工具进行压力测试验证
3. 在集群环境和单节点环境分别验证
4. 在不同OpenSSL版本(3.0.x和3.4.x)下验证

测试结果表明，修复方案有效解决了"bad length"错误，系统在高负载下的稳定性显著提升，客户端重连现象消失，性能指标恢复正常。

总结

Valkey项目中TLS连接写入异常问题是一个典型的网络层与加密层交互问题，其根本原因在于未能完全遵守OpenSSL的重试规则。通过深入分析OpenSSL机制和Valkey网络层实现，开发团队提出了针对性的解决方案，有效提升了系统在加密连接下的稳定性和可靠性。

这一案例也提醒我们，在实现网络加密功能时，必须严格遵循底层加密库的规范和要求，特别是在处理部分写入和重试逻辑时，任何细微的偏差都可能导致难以排查的稳定性问题。