【转】由Linux内核bug引起SSH登录缓慢问题的排查与解决

时间:2019-12-09    阅读次数:77    来源:ITPUB

今年7月,有一位用户反馈,使用该镜像创建出的快杰云主机每次启动时,第一次SSH登录会很慢,有时候需几十秒甚至几分钟才能登录成功,影响了使用体验。经过排查,定位到是Linux内核随机数熵池初始化慢的原因,且在多个条件组合下才会触发。更深入调查则发现因为内核bug,凡使用了libssl 1.1.1的进程(如开启了https的nginx)都有类似问题,会对系统安全产生不少潜在影响。最终我们通过升级自主维护的内核,很快妥善修复了该问题,保证了快杰云主机的体验和安全性。

本文对排查过程加以梳理。

1

初步排查

该问题只在单个用户上出现过,且只影响启动后的首次SSH登录,一旦登录成功便恢复正常。现场捕获不易,不过我们设法将其复现。

ssh -v打开ssh用户端的冗余日志模式尝试登录问题主机,发现总是会卡在”debug1: pledge: network”处,根据提示,sshd已经完成了用户的身份认证过程。

可以看出,问题应当是发生在身份鉴定刚完成后,由此判断,问题有较大可能是发生在 /etc/pam.d/sshd 定义的PAM过程中。
motd检视/etc/pam.d/sshd文件,根据现象以及直觉,决定尝试先屏蔽几段配置,其中就包括motd行,motd(message of the day)是Ubuntu登录后呈现给用户看到的部分banner内容。随后重启主机,发现ssh登录变快,不再卡住。

查阅资料可知,motd机制下,pam_motd.so会依次执行 /etc/update-motd.d/ 目录下的全部脚本,而这些脚本的输出则会被拼凑输出到文件/run/motd.dynamic中,最终呈现在banner中。

因此,怀疑是这些脚本的执行过程中产生的卡顿,阅读这些脚本,执行断点echo 调试,最后发现,位于”50-landscape-sysinfo”脚本中的“/usr/bin/landscape-sysinfo”命令执行时就会造成卡顿。

landscape-sysinfo

该命令仅仅是一个用来搜集显示banner中系统资源使用情况的工具,出现此问题有点难以置信,可实际上登录进入后多次执行此命令也没有出现卡顿。

尝试进一步追踪此命令的执行,使用strace追踪此命令的执行,并记录日志。

分析日志可以发现,启动时,该命令被卡在了getrandom系统调用上,解除阻塞时间点为 23:10:48。

getrandom

etrandom封装了对 /dev/urandom 字符设备文件的读取操作,用于获取高质量的随机数,/dev/urandom 会以/dev/random 的值做为seed参考,/dev/random 值则来自硬件运行的噪音(随机质量很高)。这种机制也决定了/dev/urandom在操作系统刚启动时生成的随机数质量不高(刚启动,/dev/random中噪音不足,生成慢,随机性差,容易被预测,间接导致了/dev/urandom的起始seed质量低下),所以 /dev/urandom 内部对其质量设置了三种状态:

  • 0=未初始化,但是/dev/urandom已经可用;
  • 1=快速初始化,使用了少量熵数进行了快速初始化,在刚启动时就尽快可以被用起来,质量还行,但是仍然不被建议用于加密场景,通常发生在操作系统启动后的几秒内;
  • 2=完全初始化,随机数的质量达到最高,可以用于加密场景,操作系统启动后约几十秒-几分钟的时间才能达到。

在默认情况下,getrandom读取/dev/urandom前会去检测 /dev/urandom 的质量状态,如果尚未完全初始化,则会阻塞,直到其完全初始化,以此来保障通过此接口获得到的随机数质量高且速度快,为安全领域提供可靠的依赖。了解了getrandom接口的作用和表现后,再去翻看内核的启动日志,找到了时间相关性极高的点。

可以看到,23:10:48时 /dev/urandom 完全初始化后,随即getrandom的调用阻塞也被解除了,再多次重复验证后,关联性被确认。此时的结论以及建议解决办法为:原因:操作系统初始化随机数熵池速度较慢,导致ssh登录时使用到随机数的一条命令时被阻塞。

建议:禁用motd或者删除landscape-sysinfo来达到加速ssh登录的目的。

2

深入调查

初步调查的结论有点违反常理,禁用或者删除的措施也需谨慎。为此,我决定找出更多的证据,此外,也需要解释为什么旧版本的Ubuntu并没有此现象。尝试查看表现正常的主机上 landscape-sysinfo 的 strace 表现,查阅日志后注意到,此环境下的strace记录与问题主机中strace记录在调用模式上存在不同,表现正常的主机上landscape-sysinfo中没有这样的调用“getrandom(“xxx”, 32, 0) ”,注意第三个flag参数值,此flag用于表明使用getrandom的默认行为,即/dev/urandom未完全初始化时则阻塞。所有getrandom的地方都使用了flag GRND_NONBLOCK,即如果没有初始化完成不要阻塞,返回错误就好。至此,怀疑是landscape-sysinfo版本问题。landscape-sysinfo对比两台主机上的landscape-sysinfo版本,发现版本号确实不同,有问题的版本号较高,没问题的版本号较低。

将没问题的主机执行apt-get update & apt-get upgrade,升级后发现问题果然重现。得出临时结论:landscape-sysinfo新版本使用了getrandom的阻塞模式获取随机数,不要升级landscape-sysinfo的版本即可。

开始尝试在其它主机上进行复现和验证,却发现,在另一个高内核版本的镜像中,低版本的landscape-sysinfo也能复现此问题,strace追踪调用,发现其调用行为与高版本的landscape-sysinfo表现相似,鉴于此命令实际上是python3脚本,怀疑是其依赖的库升级导致。检查apt-get upgrade升级的package,找出与随机数关联度较大的几个包,几次排除尝试后,定位发现,其实是由于libssl1.1这个库的升级导致的问题,getrandom的调用也是源自于libssl1.1。

libssl1.1翻阅。

可以看到,的确,libssl1.1.1的升级,重写了内部随机数的生成器,也符合前面的表现,更新为使用getrandom读取更加安全的随机数(代价是刚开机时使用就容易被阻塞)。继续尝试在其它主机上进行复现和验证,又发现,在某个低内核版本的Ubuntu主机上,安装的正是libssl1.1.1,却不能复现问题。按照预期,libssl1.1.1的升级就是为了更安全,而如果一开机就能立刻得到随机数,这根本就违背的getrandom接口的设计初衷,此时倾向于怀疑内核可能存在bug。

内核bug以libssl调用getrandom被阻塞为关键主题查阅资料,最终找到相关性较强的资料,其中CRNG指密码学强度的随机数发生器。根据此资料,证实了内核bug的猜测,内核在4.16时修正过这样一个bug:getrandom在快速初始化完成后就不再阻塞,这与getrandom的接口设计违背,容易造成安全问题(CVE-2018-1108)

验证主机的内核版本为4.15.0,与此情况符合,即很有可能是bug没有被修复,此时,开始尝试升级低内核版本主机的内核版本,如果此猜测正确,那么升级到高版本后应当同样会发生卡顿问题。在apt源上挑选了一个5.0版本的内核,升级后发现,居然也没有问题。翻阅内核日志,发现了一个新的现象,此前看到对于/dev/urandom的初始化,一般是会有一条“fast init done”日志,较长时间后会跟随一个“crng init done”日志,正好对应着/dev/urandom的两种质量状态。

而此内核版本下,则是在刚启动就立即出现了“crng done (trusting CPU’s manufacturer) ”的日志,明显表明熵池被极速的初始化了,自然不会出现卡顿问题。

查询此现象相关资料,找到了一个内核编译选项:CONFIG_RANDOM_TRUST_CPU。CONFIG_RANDOM_TRUST_CPU此选项通过参考x86指令集中的RDRAND来初始化随机数熵池,以此达到让getrandom不再blocking的目的,前提是需要操作者信任CPU制造商。RDRAND指令由Intel在IVB世代中首次引入x86中,AMD在2015年6月时跟进,由于此指令并非标准指令,因此操作系统使用前需要做额外的功能检测。

首次出现于4.19版本:检查高版本内核的两台主机,的确,有问题的主机此flag并没有enable,无问题的主机此flag显式的enable了。

而有问题主机使用的内核版本,取自于Ubuntu官方的最新主线分支编译,默认没有启动此flag做优化。结论此问题的出现需要同时满足以下几个条件:1. linux内核版本在4.17及以上2. linux内核编译选项 CONFIG_RANDOM_TRUST_CPU is not set,或者CPU非IVB及以上的x863. linux内核bug未被社区revert(4.x的最新社区版本几乎都被revert,5.x没有)4. libssl版本在1.1.1及以上影响面事实上,SSH登录卡顿仅仅是一种表象,这个问题的真实影响范围,可以扩展得非常大。凡是使用了libssl1.1.1来生成随机数的进程全都会受影响,导致重启后3-5分钟内会被随机数block。比如,服务器上跑着nginx(开启https),一般认为机器启动后,nginx马上启动就能提供服务了,但是受此问题影响,nginx会被卡住三五分钟。就是说,前三五分钟内的用户https请求全部会出现访问失败的现象。

问题修复

为了做到性能与安全兼顾,在编译4.19及更高版本的内核时,启用CONFIG_RANDOM_TRUST_CPU选项,我们采用此方法,enable选项并确保虚拟机可以访问RDRAND指令集,很快重新发布了云主机镜像。如果用户使用自定义内核,应尽量避开4.17-4.19之间的版本,或者妥善处理好CVE-2018-1108。

3

总结

提起云主机,首先会想到计算、存储、网络,甚少有人关注内核。然而,内核构建也是云主机的核心工作,对性能和稳定性至关重要。SSH登录缓慢起初是单一用户的反馈,且限于Ubuntu启动后的首次登录,但通过坚持排查和顺藤摸瓜,我们发现了潜在的影响面并予以修复,防患于未然。

【责编:程序猿DD】
回复(0 条回复)
游客
论坛咨询