Java 應(yīng)用線上問題排查思路、常用工具小結(jié)

來源：https://ricstudio.top/archives/java-online-question-probe

前言

本文總結(jié)了一些常見的線上應(yīng)急現(xiàn)象和對應(yīng)排查步驟和工具。分享的主要目的是想讓對線上問題接觸少的同學(xué)有個(gè)預(yù)先認(rèn)知，免得在遇到實(shí)際問題時(shí)手忙腳亂。畢竟作者自己也是從手忙腳亂時(shí)走過來的。

只不過這里先提示一下。在線上應(yīng)急過程中要記住，只有一個(gè)總體目標(biāo)：盡快恢復(fù)服務(wù)，消除影響。不管處于應(yīng)急的哪個(gè)階段，我們首先必須想到的是恢復(fù)問題，恢復(fù)問題不一定能夠定位問題，也不一定有完美的解決方案，也許是通過經(jīng)驗(yàn)判斷，也許是預(yù)設(shè)開關(guān)等，但都可能讓我們達(dá)到快速恢復(fù)的目的，然后保留部分現(xiàn)場，再去定位問題、解決問題和復(fù)盤。

在大多數(shù)情況下，我們都是先優(yōu)先恢復(fù)服務(wù)，保留下當(dāng)時(shí)的異常信息（內(nèi)存dump、線程dump、gc log等等，在緊急情況下甚至可以不用保留，等到事后去復(fù)現(xiàn)），等到服務(wù)正常，再去復(fù)盤問題。

好，現(xiàn)在讓我們進(jìn)入正題吧。

常見現(xiàn)象：CPU 利用率高/飆升

場景預(yù)設(shè)：

監(jiān)控系統(tǒng)突然告警，提示服務(wù)器負(fù)載異常。

預(yù)先說明：

CPU飆升只是一種現(xiàn)象，其中具體的問題可能有很多種，這里只是借這個(gè)現(xiàn)象切入。

注：CPU使用率是衡量系統(tǒng)繁忙程度的重要指標(biāo)。但是CPU使用率的安全閾值是相對的，取決于你的系統(tǒng)的IO密集型還是計(jì)算密集型。一般計(jì)算密集型應(yīng)用CPU使用率偏高load偏低，IO密集型相反。

常見原因：

• 頻繁 gc
• 死循環(huán)、線程阻塞、io wait...etc

模擬

這里為了演示，用一個(gè)最簡單的死循環(huán)來模擬CPU飆升的場景，下面是模擬代碼，

在一個(gè)最簡單的SpringBoot Web 項(xiàng)目中增加CpuReaper這個(gè)類，

打包成jar之后，在服務(wù)器上運(yùn)行。java -jar cpu-reaper.jar &

第一步：定位出問題的線程

方法 a: 傳統(tǒng)的方法

1. top 定位CPU 最高的進(jìn)程

   執(zhí)行top命令，查看所有進(jìn)程占系統(tǒng)CPU的排序，定位是哪個(gè)進(jìn)程搞的鬼。在本例中就是咱們的java進(jìn)程。PID那一列就是進(jìn)程號。(對指示符含義不清楚的見【附錄】)

   

2. top -Hp pid 定位使用 CPU 最高的線程

   

3. printf '0x%x' tid 線程 id 轉(zhuǎn)化 16 進(jìn)制

4. jstack pid | grep tid 找到線程堆棧

方法 b: show-busy-java-threads

這個(gè)腳本來自于github上一個(gè)開源項(xiàng)目，項(xiàng)目提供了很多有用的腳本，show-busy-java-threads就是其中的一個(gè)。使用這個(gè)腳本，可以直接簡化方法A中的繁瑣步驟。如下，

方法 c: arthas thread

阿里開源的arthas現(xiàn)在已經(jīng)幾乎包攬了我們線上排查問題的工作，提供了一個(gè)很完整的工具集。在這個(gè)場景中，也只需要一個(gè)thread -n命令即可。

要注意的是，arthas的cpu占比，和前面兩種cpu占比統(tǒng)計(jì)方式不同。前面兩種針對的是Java進(jìn)程啟動(dòng)開始到現(xiàn)在的cpu占比情況，arthas這種是一段采樣間隔內(nèi)，當(dāng)前JVM里各個(gè)線程所占用的cpu時(shí)間占總cpu時(shí)間的百分比。

具體見官網(wǎng)：https://alibaba.github.io/arthas/thread.html

后續(xù)

通過第一步，找出有問題的代碼之后，觀察到線程棧之后。我們就要根據(jù)具體問題來具體分析。這里舉幾個(gè)例子。

情況一：發(fā)現(xiàn)使用CPU最高的都是GC 線程。

gc 排查的內(nèi)容較多，所以我決定在后面單獨(dú)列一節(jié)講述。

情況二：發(fā)現(xiàn)使用CPU最高的是業(yè)務(wù)線程

• io wait
• 比如此例中，就是因?yàn)榇疟P空間不夠?qū)е碌膇o阻塞
• 等待內(nèi)核態(tài)鎖，如 synchronized
• jstack -l pid | grep BLOCKED 查看阻塞態(tài)線程堆棧
• dump 線程棧，分析線程持鎖情況。
• arthas提供了thread -b，可以找出當(dāng)前阻塞其他線程的線程。針對 synchronized 情況

常見現(xiàn)象：頻繁 GC

1. 回顧GC流程

在了解下面內(nèi)容之前，請先花點(diǎn)時(shí)間回顧一下GC的整個(gè)流程。

接前面的內(nèi)容，這個(gè)情況下，我們自然而然想到去查看gc 的具體情況。

• 方法a : 查看gc 日志
• 方法b : jstat -gcutil 進(jìn)程號 統(tǒng)計(jì)間隔毫秒 統(tǒng)計(jì)次數(shù)（缺省代表一致統(tǒng)計(jì)
• 方法c : 如果所在公司有對應(yīng)用進(jìn)行監(jiān)控的組件當(dāng)然更方便（比如Prometheus + Grafana）

這里對開啟 gc log 進(jìn)行補(bǔ)充說明。一個(gè)常常被討論的問題（慣性思維）是在生產(chǎn)環(huán)境中GC日志是否應(yīng)該開啟。因?yàn)樗a(chǎn)生的開銷通常都非常有限，因此我的答案是需要開啟。但并不一定在啟動(dòng)JVM時(shí)就必須指定GC日志參數(shù)。

HotSpot JVM有一類特別的參數(shù)叫做可管理的參數(shù)。對于這些參數(shù)，可以在運(yùn)行時(shí)修改他們的值。我們這里所討論的所有參數(shù)以及以“PrintGC”開頭的參數(shù)都是可管理的參數(shù)。這樣在任何時(shí)候我們都可以開啟或是關(guān)閉GC日志。比如我們可以使用JDK自帶的jinfo工具來設(shè)置這些參數(shù)，或者是通過JMX客戶端調(diào)用HotSpotDiagnostic MXBean的setVMOption方法來設(shè)置這些參數(shù)。

這里再次大贊arthas??，它提供的vmoption命令可以直接查看，更新VM診斷相關(guān)的參數(shù)。

獲取到gc日志之后，可以上傳到GC easy幫助分析，得到可視化的圖表分析結(jié)果。

2. GC 原因及定位

prommotion failed

從S區(qū)晉升的對象在老年代也放不下導(dǎo)致 FullGC（fgc 回收無效則拋 OOM）。

可能原因：

• survivor 區(qū)太小，對象過早進(jìn)入老年代

  查看 SurvivorRatio 參數(shù)

• 大對象分配，沒有足夠的內(nèi)存

  dump 堆，profiler/MAT 分析對象占用情況

• old 區(qū)存在大量對象

  dump 堆，profiler/MAT 分析對象占用情況

你也可以從full GC 的效果來推斷問題，正常情況下，一次full GC應(yīng)該會(huì)回收大量內(nèi)存，所以 正常的堆內(nèi)存曲線應(yīng)該是呈鋸齒形。如果你發(fā)現(xiàn)full gc 之后堆內(nèi)存幾乎沒有下降，那么可以推斷：**堆中有大量不能回收的對象且在不停膨脹，使堆的使用占比超過full GC的觸發(fā)閾值，但又回收不掉，導(dǎo)致full GC一直執(zhí)行。換句話來說，可能是內(nèi)存泄露了。

一般來說，GC相關(guān)的異常推斷都需要涉及到內(nèi)存分析，使用jmap之類的工具dump出內(nèi)存快照（或者 Arthas的heapdump）命令，然后使用MAT、JProfiler、JVisualVM等可視化內(nèi)存分析工具。

至于內(nèi)存分析之后的步驟，就需要小伙伴們根據(jù)具體問題具體分析啦。

常見現(xiàn)象：線程池異常

場景預(yù)設(shè)：

業(yè)務(wù)監(jiān)控突然告警，或者外部反饋提示大量請求執(zhí)行失敗。

異常說明：

Java 線程池以有界隊(duì)列的線程池為例，當(dāng)新任務(wù)提交時(shí)，如果運(yùn)行的線程少于 corePoolSize，則創(chuàng)建新線程來處理請求。如果正在運(yùn)行的線程數(shù)等于 corePoolSize 時(shí)，則新任務(wù)被添加到隊(duì)列中，直到隊(duì)列滿。當(dāng)隊(duì)列滿了后，會(huì)繼續(xù)開辟新線程來處理任務(wù)，但不超過 maximumPoolSize。當(dāng)任務(wù)隊(duì)列滿了并且已開辟了最大線程數(shù)，此時(shí)又來了新任務(wù)，ThreadPoolExecutor 會(huì)拒絕服務(wù)。

常見問題和原因

這種線程池異常，一般可以通過開發(fā)查看日志查出原因，有以下幾種原因：

1. 下游服務(wù) 響應(yīng)時(shí)間（RT）過長

   這種情況有可能是因?yàn)橄掠畏?wù)異常導(dǎo)致的，作為消費(fèi)者我們要設(shè)置合適的超時(shí)時(shí)間和熔斷降級機(jī)制。

   另外針對這種情況，一般都要有對應(yīng)的監(jiān)控機(jī)制：比如日志監(jiān)控、metrics監(jiān)控告警等，不要等到目標(biāo)用戶感覺到異常，從外部反映進(jìn)來問題才去看日志查。

2. 數(shù)據(jù)庫慢 sql 或者數(shù)據(jù)庫死鎖

查看日志中相關(guān)的關(guān)鍵詞。

1. Java 代碼死鎖

   jstack –l pid | grep -i –E 'BLOCKED | deadlock'

四、常見問題恢復(fù)

這一部分內(nèi)容參考自此篇文章

對于上文提到的一些問題，這里總結(jié)了一些恢復(fù)的方法。

五、Arthas

這里還是想單獨(dú)用一節(jié)安利一下Arthas這個(gè)工具。

Arthas 是阿里巴巴開源的Java 診斷工具，基于 Java Agent 方式，使用 Instrumentation 方式修改字節(jié)碼方式進(jìn)行 Java 應(yīng)用診斷。

• dashboard ：系統(tǒng)實(shí)時(shí)數(shù)據(jù)面板, 可查看線程，內(nèi)存，gc 等信息
• thread ：查看當(dāng)前線程信息，查看線程的堆棧，如查看最繁忙的前 n 線程
• getstatic：獲取靜態(tài)屬性值，如 getstatic className attrName 可用于查看線上開關(guān)真實(shí)值
• sc：查看 jvm 已加載類信息，可用于排查 jar 包沖突
• sm：查看 jvm 已加載類的方法信息
• jad：反編譯 jvm 加載類信息,排查代碼邏輯沒執(zhí)行原因
• logger：查看logger信息，更新logger level
• watch：觀測方法執(zhí)行數(shù)據(jù)，包含出參、入?yún)ⅰ惓５?/section>
• trace：方法內(nèi)部調(diào)用時(shí)長，并輸出每個(gè)節(jié)點(diǎn)的耗時(shí)，用于性能分析
• tt：用于記錄方法，并做回放

以上內(nèi)容節(jié)選自Arthas官方文檔。

另外，Arthas里的 還集成了 ognl 這個(gè)輕量級的表達(dá)式引擎，通過ognl，你可以用arthas 實(shí)現(xiàn)很多的“騷”操作。

其他的這里就不多說了，感興趣的可以去看看arthas的官方文檔、github issue。

六、涉及工具

再說下一些工具。

• Arthas
• useful-scripts
• GC easy
• Smart Java thread dump analyzer - thread dump analysis in seconds
• PerfMa - Java虛擬機(jī)參數(shù)/線程dump/內(nèi)存dump分析
• Linux 命令
• Java N 板斧
• MAT、JProfiler...等可視化內(nèi)存分析工具

參考

• https://developer.aliyun.com/article/757655
• Arthas 3.2.0 文檔
• 《分布式服務(wù)架構(gòu)：原理、設(shè)計(jì)與實(shí)戰(zhàn)》

附錄

top 命令顯示的指示符的含義