<div dir="ltr"><br><div class="gmail_extra"><br><br><div class="gmail_quote">On 10 July 2014 11:27, Ihar Hrachyshka <span dir="ltr"><<a href="mailto:ihrachys@redhat.com" target="_blank">ihrachys@redhat.com</a>></span> wrote:<br>
<blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">-----BEGIN PGP SIGNED MESSAGE-----<br>
Hash: SHA512<br>
<div class=""><br>
On 10/07/14 11:07, Salvatore Orlando wrote:<br>
> The patch for bug 1329564 [1] merged about 11 hours ago. From [2]<br>
> it seems there has been an improvement on the failure rate, which<br>
> seem to have dropped to 25% from over 40%. Still, since the patch<br>
> merged there have been 11 failures already in the full job out of<br>
> 42 jobs executed in total. Of these 11 failures: - 3 were due to<br>
> problems in the patches being tested - 1 had the same root cause as<br>
> bug 1329564. Indeed the related job started before the patch merged<br>
> but finished after. So this failure "doesn't count". - 1 was for an<br>
> issue introduced about a week ago which actually causing a lot of<br>
> failures in the full job [3]. Fix should be easy for it; however<br>
> given the nature of the test we might even skip it while it's<br>
> fixed. - 3 were for bug 1333654 [4]; for this bug discussion is<br>
> going on on gerrit regarding the most suitable approach. - 3 were<br>
> for lock wait timeout errors. Several people in the community are<br>
> already working on them. I hope this will raise the profile of this<br>
> issue (maybe some might think it's just a corner case as it rarely<br>
> causes failures in smoke jobs, whereas the truth is that error<br>
> occurs but it does not cause job failure because the jobs isn't<br>
> parallel).<br>
<br>
</div>Can you give directions on where to find those lock timeout failures?<br>
I'd like to check logs to see whether they have the same nature as<br>
most other failures (e.g. improper yield under transaction).<br></blockquote><div><br></div><div>This logstash query will give you all occurences of lock wait timeout issues: message:"(OperationalError) (1205, 'Lock wait timeout exceeded; try restarting transaction')" AND tags:"screen-q-svc.txt"</div>
<div><br></div><div>The fact that in most cases the build succeeds anyway is misleading, because in many cases these errors occur in RPC handling between agents and servers, and therefore are not detected by tempest. The neutron full job, which is parallel, increases their occurrence because of parallelism - and since API request too occur concurrently it also yields a higher tempest build failure rate.</div>
<div><br></div><div>However, as I argued in the past the "lock wait timeout" error should always be treated as an error condition.</div><div>Eugene has already classified lock wait timeout failures and filed bugs for them a few weeks ago.</div>
<div><br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">
<div><div class="h5"><br>
><br>
> Summarizing, I think time is not yet ripe to enable the full job;<br>
> once bug 1333654 is fixed, we should go for it. AFAIK there is no<br>
> way for working around it in gate tests other than disabling<br>
> nova/neutron event reporting, which I guess we don't want to do.<br>
><br>
> Salvatore<br>
><br>
> [1] <a href="https://review.openstack.org/#/c/105239" target="_blank">https://review.openstack.org/#/c/105239</a> [2]<br>
> <a href="http://logstash.openstack.org/#eyJzZWFyY2giOiJidWlsZF9zdGF0dXM6RkFJTFVSRSBBTkQgbWVzc2FnZTpcIkZpbmlzaGVkOiBGQUlMVVJFXCIgQU5EIGJ1aWxkX25hbWU6XCJjaGVjay10ZW1wZXN0LWRzdm0tbmV1dHJvbi1mdWxsXCIgQU5EIGJ1aWxkX2JyYW5jaDpcIm1hc3RlclwiIiwiZmllbGRzIjpbXSwib2Zmc2V0IjowLCJ0aW1lZnJhbWUiOiIxNzI4MDAiLCJncmFwaG1vZGUiOiJjb3VudCIsInRpbWUiOnsiZnJvbSI6IjIwMTQtMDctMTBUMDA6MjQ6NTcrMDA6MDAiLCJ0byI6IjIwMTQtMDctMTBUMDg6MjQ6NTMrMDA6MDAiLCJ1c2VyX2ludGVydmFsIjoiMCJ9LCJzdGFtcCI6MTQwNDk4MjU2MjM2OCwibW9kZSI6IiIsImFuYWx5emVfZmllbGQiOiIifQ==" target="_blank">http://logstash.openstack.org/#eyJzZWFyY2giOiJidWlsZF9zdGF0dXM6RkFJTFVSRSBBTkQgbWVzc2FnZTpcIkZpbmlzaGVkOiBGQUlMVVJFXCIgQU5EIGJ1aWxkX25hbWU6XCJjaGVjay10ZW1wZXN0LWRzdm0tbmV1dHJvbi1mdWxsXCIgQU5EIGJ1aWxkX2JyYW5jaDpcIm1hc3RlclwiIiwiZmllbGRzIjpbXSwib2Zmc2V0IjowLCJ0aW1lZnJhbWUiOiIxNzI4MDAiLCJncmFwaG1vZGUiOiJjb3VudCIsInRpbWUiOnsiZnJvbSI6IjIwMTQtMDctMTBUMDA6MjQ6NTcrMDA6MDAiLCJ0byI6IjIwMTQtMDctMTBUMDg6MjQ6NTMrMDA6MDAiLCJ1c2VyX2ludGVydmFsIjoiMCJ9LCJzdGFtcCI6MTQwNDk4MjU2MjM2OCwibW9kZSI6IiIsImFuYWx5emVfZmllbGQiOiIifQ==</a><br>

><br>
><br>
[3]<br>
> <a href="http://logstash.openstack.org/#eyJzZWFyY2giOiJtZXNzYWdlOlwiSFRUUEJhZFJlcXVlc3Q6IFVucmVjb2duaXplZCBhdHRyaWJ1dGUocykgJ21lbWJlciwgdmlwLCBwb29sLCBoZWFsdGhfbW9uaXRvcidcIiBBTkQgdGFnczpcInNjcmVlbi1xLXN2Yy50eHRcIiIsImZpZWxkcyI6W10sIm9mZnNldCI6MCwidGltZWZyYW1lIjoiY3VzdG9tIiwiZ3JhcGhtb2RlIjoiY291bnQiLCJ0aW1lIjp7ImZyb20iOiIyMDE0LTA3LTAxVDA4OjU5OjAxKzAwOjAwIiwidG8iOiIyMDE0LTA3LTEwVDA4OjU5OjAxKzAwOjAwIiwidXNlcl9pbnRlcnZhbCI6IjAifSwic3RhbXAiOjE0MDQ5ODI3OTc3ODAsIm1vZGUiOiIiLCJhbmFseXplX2ZpZWxkIjoiIn0=" target="_blank">http://logstash.openstack.org/#eyJzZWFyY2giOiJtZXNzYWdlOlwiSFRUUEJhZFJlcXVlc3Q6IFVucmVjb2duaXplZCBhdHRyaWJ1dGUocykgJ21lbWJlciwgdmlwLCBwb29sLCBoZWFsdGhfbW9uaXRvcidcIiBBTkQgdGFnczpcInNjcmVlbi1xLXN2Yy50eHRcIiIsImZpZWxkcyI6W10sIm9mZnNldCI6MCwidGltZWZyYW1lIjoiY3VzdG9tIiwiZ3JhcGhtb2RlIjoiY291bnQiLCJ0aW1lIjp7ImZyb20iOiIyMDE0LTA3LTAxVDA4OjU5OjAxKzAwOjAwIiwidG8iOiIyMDE0LTA3LTEwVDA4OjU5OjAxKzAwOjAwIiwidXNlcl9pbnRlcnZhbCI6IjAifSwic3RhbXAiOjE0MDQ5ODI3OTc3ODAsIm1vZGUiOiIiLCJhbmFseXplX2ZpZWxkIjoiIn0=</a><br>

><br>
><br>
[4] <a href="https://bugs.launchpad.net/nova/+bug/1333654" target="_blank">https://bugs.launchpad.net/nova/+bug/1333654</a><br>
><br>
><br>
> On 2 July 2014 17:57, Salvatore Orlando <<a href="mailto:sorlando@nicira.com">sorlando@nicira.com</a>><br>
> wrote:<br>
><br>
>> Hi again,<br>
>><br>
>> From my analysis most of the failures affecting the neutron full<br>
>> job are because of bugs [1] and [2] for which patch [3] and [4]<br>
>> have been proposed. Both patches address the nova side of the<br>
>> neutron/nova notification system for vif plugging. It is worth<br>
>> noting that these bugs did manifest only in the neutron full job<br>
>> not because of its "full" nature, but because of its "parallel"<br>
>> nature.<br>
>><br>
>> Openstackers with a good memory will probably remember we fixed<br>
>> the parallel job back in January, before the massive "kernel bug"<br>
>> gate outage [5]. However, since parallel testing was<br>
>> unfortunately never enabled on the smoke job we run on the gate,<br>
>> we allowed new bugs to slip in. For this reason I would recommend<br>
>> the following: - once patches [3] and [4] have been reviewed and<br>
>> merge, re-assess neutron full job failure rate over a period of<br>
>> 48 hours (72 if the period includes at least 24 hours within a<br>
>> weekend - GMT time) - turn neutron full job to voting if the<br>
>> previous step reveals a failure rate below 10%, otherwise go back<br>
>> to the drawing board<br>
>><br>
>> In my opinion whether the full job should be enabled in an<br>
>> asymmetric fashion or not should be a decision for the QA and<br>
>> Infra teams. Once the full job is made voting there will<br>
>> inevitably be a higher failure rate. An asymmetric gate will not<br>
>> cause backlogs on other projects, so less angry people, but as<br>
>> Matt said it will still allow other bugs to slip in. Personally<br>
>> I'm ok either way.<br>
>><br>
>> The reason why we're expecting a higher failure rate on the full<br>
>> job is that we have already observed that some "known" bugs, such<br>
>> as the various lock timeout issues affecting neutron tend to show<br>
>> with a higher frequency on the full job because of its parallel<br>
>> nature.<br>
>><br>
>> Salvatore<br>
>><br>
>> [1] <a href="https://launchpad.net/bugs/1329546" target="_blank">https://launchpad.net/bugs/1329546</a> [2]<br>
>> <a href="https://launchpad.net/bugs/1333654" target="_blank">https://launchpad.net/bugs/1333654</a> [3]<br>
>> <a href="https://review.openstack.org/#/c/99182/" target="_blank">https://review.openstack.org/#/c/99182/</a> [4]<br>
>> <a href="https://review.openstack.org/#/c/103865/" target="_blank">https://review.openstack.org/#/c/103865/</a> [5]<br>
>> <a href="https://bugs.launchpad.net/neutron/+bug/1273386" target="_blank">https://bugs.launchpad.net/neutron/+bug/1273386</a><br>
>><br>
>><br>
>><br>
>><br>
>> On 25 June 2014 23:38, Matthew Treinish <<a href="mailto:mtreinish@kortar.org">mtreinish@kortar.org</a>><br>
>> wrote:<br>
>><br>
>>> On Tue, Jun 24, 2014 at 02:14:16PM +0200, Salvatore Orlando<br>
>>> wrote:<br>
>>>> There is a long standing patch [1] for enabling the neutron<br>
>>>> full job. Little before the Icehouse release date, when we<br>
>>>> first pushed this, the neutron full job had a failure rate of<br>
>>>> less than 10%. However, since has come by, and perceived<br>
>>>> failure rates were higher, we ran again this analysis.<br>
>>><br>
>>> So I'm not exactly a fan of having the gates be asymmetrical.<br>
>>> It's very easy for breaks to slip in blocking the neutron gate<br>
>>> if it's not voting everywhere. Especially because I think most<br>
>>> people have been trained to ignore the full job because it's<br>
>>> been nonvoting for so long. Is there a particular reason we<br>
>>> just don't switch everything all at once? I think having a<br>
>>> little bit of friction everywhere during the migration is fine.<br>
>>> Especially if we do it way before a milestone. (as opposed to<br>
>>> the original parallel switch which was right before H-3)<br>
>>><br>
>>>><br>
>>>> Here are the findings in a nutshell. 1) If we were to enable<br>
>>>> the job today we might expect about a 3-fold increase in<br>
>>>> neutron job failures when compared with the smoke test.<br>
>>> This is<br>
>>>> unfortunately not acceptable and we therefore need to<br>
>>>> identify and fix<br>
>>> the<br>
>>>> issues causing the additional failure rate. 2) However this<br>
>>>> also puts us in a position where if we wait until the failure<br>
>>>> rate drops under a given threshold we might end up chasing a<br>
>>> moving<br>
>>>> target as new issues might be introduced at any time since<br>
>>>> the job is<br>
>>> not<br>
>>>> voting. 3) When it comes to evaluating failure rates for a<br>
>>>> non voting job,<br>
>>> taking<br>
>>>> the rough numbers does not mean anything, as that will take<br>
>>>> in account patches 'in progress' which end up failing the<br>
>>>> tests because of<br>
>>> problems in<br>
>>>> the patch themselves.<br>
>>>><br>
>>>> Well, that was pretty much a lot for a "nutshell"; however if<br>
>>>> you're not yet bored to death please go on reading.<br>
>>>><br>
>>>> The data in this post are a bit skewed because of a rise in<br>
>>>> neutron job failures in the past 36 hours. However, this rise<br>
>>>> affects both the full<br>
>>> and<br>
>>>> the smoke job so it does not invalidate what we say here. The<br>
>>>> results<br>
>>> shown<br>
>>>> below are representative of the gate status 12 hours ago.<br>
>>>><br>
>>>> - Neutron smoke job failure rates (all queues) 24 hours:<br>
>>>> 22.4% 48 hours: 19.3% 7 days: 8.96% - Neutron smoke job<br>
>>>> failure rates (gate queue only): 24 hours: 10.41% 48 hours:<br>
>>>> 10.20% 7 days: 3.53% - Neutron full job failure rate (check<br>
>>>> queue only as it's non voting): 24 hours: 31.54% 48 hours:<br>
>>>> 28.87% 7 days: 25.73%<br>
>>>><br>
>>>> Check/Gate Ratio between neutron smoke failures 24 hours:<br>
>>>> 2.15 48 hours: 1.89 7 days: 2.53<br>
>>>><br>
>>>> Estimated job failure rate for neutron full job if it were to<br>
>>>> run in the gate: 24 hours: 14.67% 48 hours: 15.27% 7 days:<br>
>>>> 10.16%<br>
>>>><br>
>>>> The numbers are therefore not terrible, but definitely not<br>
>>>> good enough; looking at the last 7 days the full job will<br>
>>>> have a failure rate about 3 times higher than the smoke job.<br>
>>>><br>
>>>> We then took, as it's usual for us when we do this kind of<br>
>>>> evaluation, a window with a reasonable number of failures (41<br>
>>>> in our case), and<br>
>>> analysed<br>
>>>> them in detail.<br>
>>>><br>
>>>> Of these 41 failures 17 were excluded because of infra<br>
>>>> problems, patches 'in progress', or other transient failures;<br>
>>>> considering that over the<br>
>>> same<br>
>>>> period of time 160 full job runs succeeded this would leave<br>
>>>> us with 24 failures on 184 run, and therefore a failure rate<br>
>>>> of 13.04%, which not<br>
>>> far<br>
>>>> from the estimate.<br>
>>>><br>
>>>> Let's consider now these 24 'real' falures: A)  2 were for<br>
>>>> the SSH timeout (8.33% of failures, 1.08% of total full<br>
>>> job<br>
>>>> runs). These specific failure is being analyzed to see if a<br>
>>>> specific fingerprint can be found B) 2  (8.33% of failures,<br>
>>>> 1.08% of total full job runs) were for a<br>
>>> failure<br>
>>>> in test load balancer basic, which is actually a test design<br>
>>>> issue and<br>
>>> is<br>
>>>> already being addressed [2] C) 7 (29.16% of failures, 3.81%<br>
>>>> of total full job runs) were for an<br>
>>> issue<br>
>>>> while resizing a server, which has been already spotted and<br>
>>>> has a bug in progress [3] D) 5 (20.83% of failures, 2.72% of<br>
>>>> total full job runs) manifested as a failure in<br>
>>>> test_server_address; however the actual root cause was being<br>
>>>> masked by [4]. A bug has been filed [5]; this is the most<br>
>>>> worrying one<br>
>>> in<br>
>>>> my opinion as there are many cases where the fault happens<br>
>>>> but does not trigger a failure because of the way tempest<br>
>>>> tests are designed. E) 6 are because of our friend lock wait<br>
>>>> timeout. This was initially<br>
>>> filed<br>
>>>> as [6] but since then we've closed it to file more detailed<br>
>>>> bug reports<br>
>>> as<br>
>>>> the lock wait timeout can manifest in various places; Eugene<br>
>>>> is leading<br>
>>> the<br>
>>>> effort on this problem with Kevin B.<br>
>>>><br>
>>>><br>
>>>> Summarizing the only failure modes specific to the full job<br>
>>>> seem to be<br>
>>> C &<br>
>>>> D. If we were able to fix those we should reasonably expect a<br>
>>>> failure<br>
>>> rate<br>
>>>> of about 6.5%. That's still almost twice as the smoke job,<br>
>>>> but I deem it acceptable for two reasons: 1- by voting, we<br>
>>>> will avoid new bugs affecting the full job from being<br>
>>>> introduced. it is worth reminding people that any bug<br>
>>>> affecting the full job is likely to affect production<br>
>>>> environments<br>
>>><br>
>>> +1, this is a very good point.<br>
>>><br>
>>>> 2- patches failing in the gate will spur neutron developers<br>
>>>> to quickly<br>
>>> find<br>
>>>> a fix. Patches failing a non voting job will cause some<br>
>>>> neutron core<br>
>>> team<br>
>>>> members to write long and boring posts to the mailing list.<br>
>>>><br>
>>><br>
>>> Well, you can always hope. :) But, in my experience the error<br>
>>> is often fixed quickly but the lesson isn't learned, so it will<br>
>>> just happen again. That's why I think we should just grit our<br>
>>> teeth and turn it on everywhere.<br>
>>><br>
>>>> Salvatore<br>
>>>><br>
>>>><br>
>>>><br>
>>>><br>
>>>> [1] <a href="https://review.openstack.org/#/c/88289/" target="_blank">https://review.openstack.org/#/c/88289/</a> [2]<br>
>>>> <a href="https://review.openstack.org/#/c/98065/" target="_blank">https://review.openstack.org/#/c/98065/</a> [3]<br>
>>>> <a href="https://bugs.launchpad.net/nova/+bug/1329546" target="_blank">https://bugs.launchpad.net/nova/+bug/1329546</a> [4]<br>
>>>> <a href="https://bugs.launchpad.net/tempest/+bug/1332414" target="_blank">https://bugs.launchpad.net/tempest/+bug/1332414</a> [5]<br>
>>>> <a href="https://bugs.launchpad.net/nova/+bug/1333654" target="_blank">https://bugs.launchpad.net/nova/+bug/1333654</a> [5]<br>
>>>> <a href="https://bugs.launchpad.net/nova/+bug/1283522" target="_blank">https://bugs.launchpad.net/nova/+bug/1283522</a><br>
>>><br>
>>> Very cool, thanks for the update Salvatore. I'm very excited to<br>
>>> get this voting.<br>
>>><br>
>>><br>
>>> -Matt Treinish<br>
>>><br>
>>> _______________________________________________ OpenStack-dev<br>
>>> mailing list <a href="mailto:OpenStack-dev@lists.openstack.org">OpenStack-dev@lists.openstack.org</a><br>
>>> <a href="http://lists.openstack.org/cgi-bin/mailman/listinfo/openstack-dev" target="_blank">http://lists.openstack.org/cgi-bin/mailman/listinfo/openstack-dev</a><br>
>>><br>
>>><br>
>><br>
><br>
>>><br>
><br>
><br>
> _______________________________________________ OpenStack-dev<br>
> mailing list <a href="mailto:OpenStack-dev@lists.openstack.org">OpenStack-dev@lists.openstack.org</a><br>
> <a href="http://lists.openstack.org/cgi-bin/mailman/listinfo/openstack-dev" target="_blank">http://lists.openstack.org/cgi-bin/mailman/listinfo/openstack-dev</a><br>
><br>
</div></div>-----BEGIN PGP SIGNATURE-----<br>
Version: GnuPG/MacGPG2 v2.0.22 (Darwin)<br>
Comment: Using GnuPG with Thunderbird - <a href="http://www.enigmail.net/" target="_blank">http://www.enigmail.net/</a><br>
<br>
iQEcBAEBCgAGBQJTvlxzAAoJEC5aWaUY1u57FJ8H/i+gPR/VZuWFvkOu7pNTHuSj<br>
8iSA1LJRGe7I9185Gbh22fVzGlahqDpB2hCJjKtWIcL/ml/pgSNGzafB/DhqUUlL<br>
4GT1UUHptqlKaNX9GLl9I/bknUBEtpwg3hSBivVdCkRYiVwfX86a2ZeeHaCAONwY<br>
ykhiNgoXhR6mr8oEJEIvtjnTDlodR+1dcEq+Nchf/6Fzd8J29dI2Qu38JkweK/qP<br>
m6koPdKSJFzrneOWMCW0Dta6yBKjb3bMCNJUVO/KSGg+MRuSmrufOmLCW5JFu95S<br>
DWIQSTWs3A+dSy9+xuByClQP9kDpG3aUXxW6uRu5UshHMAF5vLATmdCdK4kBiBY=<br>
=K9qm<br>
-----END PGP SIGNATURE-----<br>
<div class=""><div class="h5"><br>
_______________________________________________<br>
OpenStack-dev mailing list<br>
<a href="mailto:OpenStack-dev@lists.openstack.org">OpenStack-dev@lists.openstack.org</a><br>
<a href="http://lists.openstack.org/cgi-bin/mailman/listinfo/openstack-dev" target="_blank">http://lists.openstack.org/cgi-bin/mailman/listinfo/openstack-dev</a><br>
</div></div></blockquote></div><br></div></div>