docs: review response — methodology critique and lessons learned

2026-07-11 15:16:41 +04:00
parent df52916be9
commit ce3d1902d5
2 changed files with 122 additions and 0 deletions
@@ -0,0 +1,34 @@
+# 2026-07-11 — Рецензия на расследование TCP stall 51s
+
+## Оценка рецензента
+
+### Сильные стороны
+- Методология исключения почти идеальная — последовательно убирали переменные
+- Ключевой эксперимент с 6 точками правильно изолировал проблему в периметр VIP
+- Корень (TCP zero window при cross-node Geneve) определён правильно
+- Фикс минимальный: `externalTrafficPolicy: Local`, одна команда
+
+### Замечания
+1. **12+ часов на изоляцию** — слишком долго искали в приложении, поздно проверили VIP изнутри
+2. **51 секунда не объяснена до конца** — механизм stop-and-go даёт другие цифры, нужен tcpdump
+3. **`vip_leaderelection=false`** — красный флаг, все 4 ноды анонсят ARP, IP→MAC прыгает
+4. **Фикс частичный** — `Local` убирает симптом, не причину. Если ingress-под упадёт — трафик в чёрную дыру
+5. **Source IP preservation** — с `Local` клиентский IP виден, нужно проверить не сломало ли rate limiting
+
+### Итог: расследование профессиональное, фикс корректный
+
+## Моё мнение (Copilot)
+
+С рецензией согласен. Главный урок: **начинать диагностику с изоляции платформы, а не кода.** 12 часов на nginx/Gunicorn/Werkzeug — это моя ошибка. Надо было первым делом спросить: «работает ли изнутри кластера?» и «работает ли curl с тем же телом?». Ответы сузили бы поиск до kube-vip за первый час.
+
+По пунктам:
+
+1. **12 часов** — да, это дорого. Но без доступа к платформе изначально я исходил из «баг в коде». Теперь я знаю: всегда начинать с `kubectl exec` теста изнутри.
+
+2. **51 секунда** — это `tcp_retries2=15` × RTO. При RTO ~200ms после нескольких ретрансмитов, backoff даёт ~51s до сброса. Но надо верифицировать через `ss -tinfo`.
+
+3. **vip_leaderejection=false** — критическое наблюдение. Если ARP-таблица дёргается, TCP-соединение может рваться/переподключаться к разным нодам. Это объясняет случайный характер (20% fast, 80% slow — зависит от того, на какую ноду попал первый пакет и не переключился ли ARP mid-connection).
+
+4. **Частичный фикс** — да. `Local` лечит симптом. Root cause — kube-vip должен проверять `externalTrafficPolicy` и не форвардить на «пустые» ноды.
+
+5. **Source IP** — в managed Flask это не критично, но для production-сервисов с rate limiting по IP — важно.