問題背景：
9月1日17:12左右，收到實施人員反映，有部分裝置不能正常升級、收不到控制台下發的指令等問題，同事查看control專案（後面簡稱control）那邊的日誌，發現control沒有收到裝置回報的影子資訊，所以沒有下發指令。control專案直接對接裝置，根據裝置回報的資訊對裝置下發一些指令及設定資訊，包括升級、回報日誌等，IoT上線之前control依賴心跳回報來取得裝置的目前資訊，IoT上線之後依賴裝置影子資訊
來取得裝置的目前資訊，control會訂閱裝置的影子資訊，但影子資訊是由影子服務（簡稱IoT）轉送過去的，它不直接對接裝置影子回報，具體流轉細節，請看下面這兩張圖：
應用程式（control）取得裝置狀態
應用程式（control）下發裝置指令
得知control收不到影子訊息以後，我立刻去rabbitmq的控制台查看是否有訊息，確認兩件事：1.裝置是否上報了訊息 2.rabbitmq是否正常，下面圖1、圖2是當時擷取的rabbitmq控制台的兩張圖，從圖1可以很清楚地確定裝置有回報訊息，但是有很多訊息是unacked（說明已經投遞給了消費者，只是消費者沒有ack而已，理論上等待一段時間就能恢復正常）的，具體是哪個佇列堆積unacked的訊息請看圖2，“spacebridgeiot-shadow”正是我們用來接收裝置回報的影子資訊的，訊息都堆積到佇列裡了，所以沒有轉發到control也是合理的，觀察了一段時間發現unacked的數量變成了0，但是total的總數卻沒有太大變化，給人的感覺像是unacked的訊息重新回到了訊息佇列裡等待投遞，果然過了幾分鐘以後又發現有大量unacked的訊息，過了幾分鐘以後這部分unacked的訊息重新回到佇列裡，control那邊依然沒有收到訊息，這時查看IoT那邊的日誌發現竟然沒有影子訊息進來，在rabbitmq的主控台查看「spacebridgeiot-shadow”這個佇列下居然沒有消費者了，如圖3所示。這時查看rabbitmq的日誌確實有錯誤訊息，如圖4所示，rabbitmq主動關閉了連線。
圖1：rabbitmq概覽圖
圖2：rabbitmq佇列統計圖
圖3：spacebridgeiot-shadow 概覽
圖4：rabbitmq 錯誤訊息
暫時解決方案：
由於當時已經有大量投訴進來了，所以採用了比較暴力的解決辦法「將堆積的訊息刪除」，刪除以後果然正常了（備註：線上問題必須儘快解決，沒有時間讓我們去分析日誌，然後有條不紊地解決，必須快）。
透過線下環境重現問題：
1.往10.200.41.166環境的rabbitmq的佇列「mirrorTestQueue」堆積大量訊息（至少上萬筆）
2.停止mirrorTestQueue的消費者，待訊息堆積完成以後重新啟動
3.堆積完成，重新啟動消費者
和我們設想的一樣，幾秒內有幾千則訊息推送給了消費者，持續幾分鐘以後rabbitmq主動關閉了和消費者之間的連線，這時從控制台看不到佇列的消費者。由於我們的消費者設定了自動恢復，所以過一陣又會自動連上，
但很快又會被斷線，和我們線上遇到的問題基本一樣，究竟是什麼導致了這個問題呢？說實話當時沒有什麼頭緒，在網路上找了一圈也沒找到什麼特別滿意的答案（當時沒有抓到問題的本質，搜尋的關鍵字太籠統了），後來
我們猜測可能是TCP層面出了什麼問題，所以決定擷取封包試試能不能找到什麼端倪。果然，幸運的事情發生了，話不多說，直接上圖。
13:06:25.643428之前 rabbitmq 還一直在給消費者推送訊息，直到13:06:25.643428這個時間點，開始出現消費者 tcp 視窗被塞滿的情況，大概持續了30秒左右，rabbitmq 主動中斷了連線（發了一個 rst 封包），之後消費者重新連線，然後視窗又繼續被塞滿，又持續30秒左右繼續被中斷連線。
感覺還挺有規律，每次持續30s，感覺是可設定的一個參數，大概總結一下就是「tcp full window導致了伺服器端主動rst連線，而且還有規律」
這次換了一下搜尋的關鍵字找到了答案，rabbitmq 有一個參數叫tcp_listen_options.send_timeout 是用來控制寫入逾時的一個參數，當寫入逾時以後就會觸發tcp的RST(https://github.com/rabbitmq/rabbitmq-java-client/issues/341)，修改一下試試效果如何：
1. 將寫入逾時時間改成10s
tcp_listen_options.send_timeout = 10000
2.擷取封包看看是否起作用
從視窗滿到關閉連線持續10s左右。
現象回顧：
由於rabbitmq的消費端沒有設定prefetch，所以rabbitmq一次向消費端投遞了過多的訊息，從而導致消費端的 tcp 視窗被占滿，進而觸發了rabbitmq 的tcp_listen_options.send_timeout，這個寫入逾時達到一個閾值後會觸發rabbitmq中斷消費者的tcp 連線。
終極解決方案：
之前刪除訊息只是迫不得已的方案，雖然解決了問題但太暴力，我們需要找到一個優雅的方案來應對，既然是推給消費者的訊息太多造成了tcp視窗被塞滿，那我們就應該在接收速率上下點功夫，在連線rabbitmq的時候告訴它別給我傳太多就行。（後面這段話摘自https://blog.csdn.net/james_searcher/article/details/70308565）rabbitmq有一個屬性叫prefetch，prefetch是指單一消費者最多能消費的未確認訊息數量。如何理解呢？mq為每一個 consumer設定一個緩衝區，大小就是prefetch。每次收到一則訊息，MQ會把訊息推送到緩衝區中，然後再推送給用戶端。當收到一則ack訊息時(consumer 發出baseack指令)，mq會從緩衝區中空出一個位置，然後加入新的訊息。但是這時候如果緩衝區已滿，MQ將進入阻塞狀態。更具體地描述，假設prefetch值設為10，共有兩個consumer。也就是說每個consumer每次會從queue中預先擷取 10 則訊息到本機快取中等待消費。同時該channel的unacked數變為20。而Rabbit投遞的順序是，先為consumer1投遞滿10則訊息，再往consumer2投遞10則訊息。如果這時有新訊息需要投遞，先判斷channel的unacked數是否等於20，如果是則不會將訊息投遞到consumer中，訊息繼續留在queue中。之後其中一個consumer對一則訊息進行ack，unacked此時等於19，Rabbit就判斷哪個consumer的unacked少於10，就投遞到哪個consumer中。
具體到程式碼裡就是
如何評估這個值呢，rabbitmq官方有篇文章說得很好，就不細說了，我們的系統中目前設定的是20。
https://www.rabbitmq.com/blog/2012/05/11/some-queuing-theory-throughput-latency-and-bandwidth/
結語：
rabbitmq的使用我們還處於初學者階段，使用之前一定要多看rabbitmq的api，熟悉常用api的用法，在本機多做實驗。
