はじめに

このドキュメントでは、StarOS KNI:Out of MemoryログがStarOSアプリケーションの問題またはハードウェアドライバによって発生しているかどうかを判別する方法について説明します。

背景

DPDK内部フォワーダ(IFTASK)プロセス内のカーネルネットワークインターフェイス(KNI)モジュールは、ユーザ空間のプログラムがネットワークインターフェイスから直接パケットを受信できるようにし、LinuxネットワークとLinux IPスタックを完全にバイパスするメカニズムです。

KNI：メモリ不足ログKNIモジュールに影響するリソース競合の問題が発生すると、レート制限の警告が表示されます。

1. メモリバッファはベアメタル（ハードウェア）レベルではクリアされず、バッファのオーバーランを引き起こします。
2. iftaskがこれらのパケット用にメッセージバッファを割り当てるKNIプールが容量不足になります。 
3. 仮想関数は他のパケットを照会しますが、物理関数は何も持っていないことを応答します。
4. KNI:Out of Memory状態が発生すると、iftaskはバックアップメモリプールに入り、パケットをさらに割り当てて処理します。バックアッププールのメモリも不足すると、システムはパケットをドロップします。
5. iftaskではカーネルからのパケットのバーストを読み取ることができないので、StarOSでKNI: Out of Memoryログが生成されます。

KNI：メモリ不足状態のトリガー:

バッファオーバーフロー状態の潜在的なトリガーは、SFTPまたはSCPアプリケーションの実行、CFカードとSFカード間の非常に大きなファイル転送など、さまざまです。

調査手順

ステップ 1：症状の確認

ステップ 2：DIネットワークの健全性低下のチェック

ステップ 3：ユーザ空間のKNIドロップの確認

ステップ 4：ハードウェアドライバの確認

 

ステップ 1：症状の確認

KNI:Out of Memoryエラーのタイミングを、パケット損失やアプリケーション層の劣化(egtpcパス障害)などの他の症状と関連付けます。

KNI：メモリ不足ログ

- StarOSのSyslogでは、カーネルのネットワークインターフェイスがメモリ不足であることを示すログが表示されます。

2023-Nov-16+09:18:03.205 [iftask 214701 error] [1/0/9602 <evlogd:0> evlgd_syslogd.c:236] [software internal system syslog] CPU[3/0]: Nov 16 14:18:03 iftask[7387]: KNI: Out of memory, kni port cpbond0, socket_id=0, total=-130952296, iter=27

– バックアップメモリを使い果たした場合、バックアッププールのメモリも使い果たされたことを示すエラーメッセージが表示されます。 

RTE_LOG(ERR, KNI, "Out of memory from Backup pool, kni port %s, socket_id=%d, total=%d, iter=%d\n", kni->name, rte_socket_id(), kni->oom_backup_warn, i)

– デバッグシェルのtmpディレクトリにあるIFTaskログで、「KNI: Out of Memory」エラーを確認できます。

Wed Nov 15 17:20:30 2023 PID:7387 KNI: Out of memory, kni port cpbond0, socket_id=0, total=-759247296, iter=25

EGTPCパスの障害

– さまざまなピアへのgtpcパス障害でスパイクが発生する可能性があります。その原因は、パケット損失時にピアからの応答がないことにあります。

2023-10-23T00:14:33.813+00:00 Nodename evlogd: [local-60sec33.780] [egtpmgr 143137 info] [6/0/12364 <egtpegmgr:3> egtpmgr_pm.c:905] [context: mme_ctx, contextID: 3]  [software internal system critical-info syslog] context: mme_ctx, service : mme_svc_egtp, self addr: <X.X.X.X>, GTP-C path failure for peer <Y.Y.Y.Y>, peer session count marked: 0, egtpmgr state SRP_SESS_STATE_ACTIVE

ステップ 2：DIネットワークの健全性低下のチェック

パフォーマンスが低下している接続を特定します。継続的に見ると、DIネットワークの健全性出力の低下または損失率が高い場合は、DIネットワークの設定または動作の問題、トラフィックの過負荷、またはVMまたはホストの問題を示している可能性があります。

show session recovery status verbose（詳細を表示）

- show session recover status verbose出力を使用して、Demuxカードとして機能している仮想機能カードを識別します。

******** show session recovery status verbose *******
Tuesday October 24 11:23:45 EDT 2023
Session Recovery Status:
  Overall Status        : Ready For Recovery
  Last Status Update    : 1 second ago

              ----sessmgr---  ----aaamgr----  demux
 cpu state    active standby  active standby  active  status
---- -------  ------ -------  ------ -------  ------  -------------------------
 3/0 Active   24     1        24     1        0       Good                     
 4/0 Active   24     1        24     1        0       Good                     
 5/0 Active   24     1        24     1        0       Good                     
 6/0 Active   0      0        0      0        10      Good (Demux)             
 7/0 Active   24     1        24     1        0       Good                     
 8/0 Active   24     1        24     1        0       Good                     
 9/0 Active   24     1        24     1        0       Good                     
10/0 Active   24     1        24     1        0       Good                     
11/0 Active   24     1        24     1        0       Good                     
12/0 Standby  0      24       0      24       0       Good      

show cloud monitor di-network detail（クラウドモニタdiネットワークの詳細を表示）

- 「show cloud monitor di-network detail」の出力を使用して、バーチャルファンクションカード間のどのDIネットワーク接続でハートビートのドロップが発生しているかを特定します。

- CFカードおよびSFカードからSFカード6へのハートビートでのドロップが示されています。他のCFカードおよびSFカードに対するCFカードおよびSFカードの出力では、ハートビートドロップが表示されません。

******** show cloud monitor di-network detail *******
Tuesday October 24 11:23:51 EDT 2023
Card 1 Heartbeat Results:
ToCard   Health     5Min-Loss     60Min-Loss
------   -------    ---------     ----------
…
   6      Good        0.00%         0.66%
…
Card 2 Heartbeat Results:
…
   6       Bad       14.67%         3.50%
…
Card 3 Heartbeat Results:
…
   6       Bad        5.35%         2.69%
…
Card 4 Heartbeat Results:
…
   6      Good        0.00%         0.00%
…
Card 5 Heartbeat Results:
…
   6       Bad       18.57%         3.90%
…
Card 6 Heartbeat Results:
…
   1      Good        0.00%         0.90% 
   2       Bad       12.63%         3.31% 
   3       Bad        2.90%         2.14% 
   4      Good        0.00%         0.00% 
   5       Bad       13.09%         3.30% 
   7      Good        0.00%         0.00% 
   8       Bad        2.91%         2.20% 
   9      Good        0.00%         0.93% 
  10       Bad       14.28%         3.38% 
  11       Bad        3.67%         2.09% 
  12      Good        0.00%         0.00%
…
Card 7 Heartbeat Results:
…
   6      Good        0.00%         0.00%
…
Card 8 Heartbeat Results:
…
   6       Bad        7.47%         2.85%
…
Card 9 Heartbeat Results:
…
   6       Bad        0.00%         1.07%
…
Card 10 Heartbeat Results:
…
   6       Bad       16.01%         3.73%
…
Card 11 Heartbeat Results:
…
   6       Bad        7.47%         2.71%
…
Card 12 Heartbeat Results:
…
   6      Good        0.00%         0.00%

クラウドモニタコントロールプレーンの表示

- show cloud monitor contolplaneの出力を使用して、どのDIネットワーク接続のパフォーマンスが低下しているかを識別します。

******** show cloud monitor controlplane *******
Tuesday October 24 11:24:22 EDT 2023

  Cards      15 Second Interval     5 Minute Interval    60 Minute Interval
 Src  Dst    Xmit   Recv  Miss%    Xmit   Recv  Miss%    Xmit   Recv  Miss%
 ---  ---  ------ ------ ------  ------ ------ ------  ------ ------ ------
…
  01   06      75     75   0.0%    1500   1500   0.0%   18000  17842   0.9%
…
  02   06      75     75   0.0%    1500   1265  15.7%   18000  17546   2.5%
…
  03   06      75     75   0.0%    1500   1396   6.9%   18000  17491   2.8%
…
  04   06      75     75   0.0%    1500   1500   0.0%   18000  18000   0.0%
…
  05   06      75     75   0.0%    1500   1267  15.5%   18000  17325   3.8%
…
  06   01      75     75   0.0%    1500   1500   0.0%   18000  17823   1.0%
  06   02      75     75   0.0%    1500   1301  13.3%   18000  17567   2.4%
  06   03      75     75   0.0%    1500   1419   5.4%   18000  17561   2.4%
  06   04      75     75   0.0%    1500   1500   0.0%   18000  18000   0.0%
  06   05      75     75   0.0%    1500   1294  13.7%   18000  17579   2.3%
  06   07      75     75   0.0%    1500   1500   0.0%   18000  18000   0.0%
  06   08      75     75   0.0%    1500   1417   5.5%   18000  17565   2.4%
  06   09      75     75   0.0%    1500   1500   0.0%   18000  17824   1.0%
  06   10      75     75   0.0%    1500   1296  13.6%   18000  17573   2.4%
  06   11      75     75   0.0%    1500   1422   5.2%   18000  17570   2.4%
  06   12      75     75   0.0%    1500   1500   0.0%   18000  18000   0.0%
…
  07   06      75     75   0.0%    1500   1500   0.0%   18000  18000   0.0%
…
  08   06      75     75   0.0%    1500   1426   4.9%   18000  17545   2.5%
…
  09   06      75     75   0.0%    1500   1500   0.0%   18000  17833   0.9%
…
  10   06      75     75   0.0%    1500   1278  14.8%   18000  17369   3.5%
…
  11   06      75     75   0.0%    1500   1408   6.1%   18000  17481   2.9%
…
  12   06      75     75   0.0%    1500   1500   0.0%   18000  18000   0.0%

クラウドモニタデータプレーンの表示

- show cloud monitor dataplaneの出力を使用して、どのDIネットワーク接続に品質低下があるかを識別し、仮想機能カード間の単方向品質低下を特定します。

******** show cloud monitor dataplane *******
Tuesday October 24 11:21:46 EDT 2023

  Cards      15 Second Interval     5 Minute Interval    60 Minute Interval
 Src  Dst    Miss    Hit    Pct    Miss    Hit    Pct    Miss    Hit    Pct
 ---  ---  ------ ------ ------  ------ ------ ------  ------ ------ ------
…
  06   01       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   02       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   03       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   04       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   05       1    149   0.7%       0   3001   0.0%       0  36000   0.0%
…
  01   06       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
  02   06       0    150   0.0%     210   2790   7.0%    1015  34985   2.8%
  03   06      31    119  20.7%     540   2460  18.0%     995  35005   2.8%
  04   06      34    116  22.7%     554   2446  18.5%    1017  34983   2.8%
  05   06       0    150   0.0%     213   2787   7.1%     991  35009   2.8%
  07   06       0    150   0.0%       0   3000   0.0%     359  35641   1.0%
  08   06      29    121  19.3%     546   2454  18.2%    1009  34991   2.8%
  09   06       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
  10   06       0    150   0.0%     208   2792   6.9%     992  35008   2.8%
  11   06      31    119  20.7%     548   2452  18.3%     993  35007   2.8%
  12   06      34    116  22.7%     547   2453  18.2%    1001  34999   2.8%
…
  06   07       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   08       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   09       0    150   0.0%       0   3000   0.0%       1  35999   0.0%
…
  06   10       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   11       0    150   0.0%       0   3000   0.0%       0  36000   0.0%
…
  06   12       0    150   0.0%       0   3000   0.0%       0  36000   0.0%

ステップ 3：ユーザ空間のKNIドロップの確認

show iftask statsの実行

- show iftask stats出力を複数回収集して、IFTASKのユーザ空間のアプリケーションレベル(StarOS)でKNIドロップが増加していないことを確認します。

******** show iftask stats *******
Tuesday October 24 11:22:06 EDT 2023
…
                           CARD 6 STATS                         
---------------------------------------------------------------------------
Counters 			SF6  				SF6_PPS 
---------------------------------------------------------------------------
svc_rx                          2587301598                      2203
svc_tx                          548969428                       295
di_rx                           2260147059                      2258
di_tx                           4072038717                      3966
__ALL_DROPS__                   0                               0
svc_tx_drops                    0                               0
di_rx_drops                     0                               0
di_tx_drops                     0                               0
sw_rss_enq_drops                0                               0
kni_thread_drops                0                               0
kni_drops                       0                               0
mcdma_drops                     0                               0
mux_deliver_hop_drops           0                               0
mux_deliver_drops               0                               0
mux_xmit_failure_drops          0                               0
mc_dma_thread_enq_drops         0                               0
sw_tx_egress_enq_drops          0                               0
cpeth0_drops                    0                               0
mcdma_summary_drops             0                               0
fragmentation_err               0                               0
reassembly_err                  0                               0
reassembly_ring_enq_err         0                               0
__DISCARDS__                    241984                          0
__BOND_DISCARDS__               55282718                        142
…
                              TOTAL STATS                    
---------------------------------------------------------------------------
Counters			TOTAL 				TOTAL_PPS 
---------------------------------------------------------------------------
svc_rx                          27964563261                     24791
svc_tx                          36109966153                     30168
di_rx                           74133486629                     51929
di_tx                           73958155063                     50897
__ALL_DROPS__                   0                               0
svc_tx_drops                    0                               0
di_rx_drops                     0                               0
di_tx_drops                     0                               0
sw_rss_enq_drops                0                               0
kni_thread_drops                0                               0
kni_drops                       0                               0
mcdma_drops                     0                               0
mux_deliver_hop_drops           0                               0
mux_deliver_drops               0                               0
mux_xmit_failure_drops          0                               0
mc_dma_thread_enq_drops         0                               0
sw_tx_egress_enq_drops          0                               0
cpeth0_drops                    0                               0
mcdma_summary_drops             0                               0
fragmentation_err               0                               0
reassembly_err                  0                               0
reassembly_ring_enq_err         0                               0
__DISCARDS__                    2324968                         0
__BOND_DISCARDS__               55635534                        149
-----------------------------------------------------------------------------------------------
NDR is      100.0000
CONTINUE_TRAFFIC
-----------------------------------------------------------------------------------------------

ステップ 4：ハードウェアドライバの確認

アプリケーション層が原因ではないことが明らかになったら、KNI:Out of Memoryエラーに対処するために、ハードウェアレベルの基盤となるドライバに焦点を当てます。 

ベアメタルハードウェアドライバは仮想関数ごとに一定量のバッファを割り当てるため、リソース競合の問題は通常、ドライバの不一致やハードウェアレベルでのドライバの欠陥が原因で発生します。アプリケーションに必要なバッファを割り当てた不良ハードウェアドライバは、メモリを解放しませんでした。

サードパーティ（シスコ以外）の仮想化ソフトウェアやハードウェアを使用している場合は、バージョンやドライバに互換性の不一致や不具合がないかどうかを調べます。

要約

KNI:Out of Memoryエラーの原因が、アプリケーションレベルのプロセスまたは基盤となるハードウェアドライバにあるかどうかを判断するには、DIネットワークの品質低下とユーザ領域のKNIドロップの証拠をチェックします。対応するユーザ空間KNIデグラデーションなしでDIネットワークの劣化が存在する場合、原因はハードウェアレベルにあると結論付けることができます。KNI:ハードウェアレベルの低下を伴うメモリ不足エラーは、ハードウェアドライバの障害を示します。

影響を受けるアプリケーションレベルのStarOS仮想関数が存在するノードのオフロードとホストの計算のリロードによって、基盤となる計算上のメモリバッファが一時的にクリアされ、エラーとパケット損失が一時的に減少する可能性があります。ただし、これは恒久的な解決策ではありません。 パケット損失とKNI:Out of Memoryエラーが再発します。これは、障害のあるハードウェアドライバでバッファオーバーフロー状態が再発した場合です。