"服務(wù)不可用"怎么排查？講了100遍還是記不住？
作者 |?kingszelda
一、發(fā)現(xiàn)問題
下面是線上機器的cpu使用率，可以看到從4月8日開始，隨著時間cpu使用率在逐步增高，最終使用率達到100%導(dǎo)致線上服務(wù)不可用，后面重啟了機器后恢復(fù)。
二、排查思路
簡單分析下可能出問題的地方，分為5個方向：
1.系統(tǒng)本身代碼問題
2.內(nèi)部下游系統(tǒng)的問題導(dǎo)致的雪崩效應(yīng)
3.上游系統(tǒng)調(diào)用量突增
4.http請求第三方的問題
5.機器本身的問題
三、開始排查
1.查看日志，沒有發(fā)現(xiàn)集中的錯誤日志，初步排除代碼邏輯處理錯誤。
2.首先聯(lián)系了內(nèi)部下游系統(tǒng)觀察了他們的監(jiān)控，發(fā)現(xiàn)一起正常。可以排除下游系統(tǒng)故障對我們的影響。
3.查看provider接口的調(diào)用量，對比7天沒有突增，排除業(yè)務(wù)方調(diào)用量的問題。
4.查看tcp監(jiān)控，TCP狀態(tài)正常，可以排除是http請求第三方超時帶來的問題。
5.查看機器監(jiān)控，6臺機器cpu都在上升，每個機器情況一樣。排除機器故障問題。
即通過上述方法沒有直接定位到問題。
四、解決方案
1.重啟了6臺中問題比較嚴重的5臺機器，先恢復(fù)業(yè)務(wù)。保留一臺現(xiàn)場，用來分析問題。
2.查看當(dāng)前的tomcat線程pid
3.查看該pid下線程對應(yīng)的系統(tǒng)占用情況。top -Hp 384
據(jù)說這套組合拳，可以把面試官給問懵逼了，你要不要試試？
4.發(fā)現(xiàn)pid 4430 4431 4432 4433 線程分別占用了約40%的cpu
5.將這幾個pid轉(zhuǎn)為16進制，分別為114e 114f 1150 1151
6.下載當(dāng)前的java線程棧 sudo -u tomcat jstack -l 384>/1.txt
7.查詢5中對應(yīng)的線程情況，發(fā)現(xiàn)都是gc線程導(dǎo)致的
8.dump java堆數(shù)據(jù)
sudo -u tomcat jmap -dump:live,format=b,file=/dump201612271310.dat 384
9.使用MAT加載堆文件，可以看到j(luò)avax.crypto.JceSecurity對象占用了95%的內(nèi)存空間，初步定位到問題。
MAT下載地址：http://www.eclipse.org/mat/
微信8.0之后，又悄悄上線新功能：別人“搶不到”的紅包！趕緊看看灰度到你了沒？
10.查看類的引用樹，看到BouncyCastleProvider對象持有過多。即我們代碼中對該對象的處理方式是錯誤的，定位到問題。
五、代碼分析
我們代碼中有一塊是這樣寫的
這是加解密的功能，每次運行加解密都會new一個BouncyCastleProvider對象,放倒Cipher.getInstance()方法中。
看下Cipher.getInstance()的實現(xiàn)，這是jdk的底層代碼實現(xiàn)，追蹤到JceSecurity類中
verifyingProviders每次put后都會remove,verificationResults只會put，不會remove.
蘋果開源代碼中驚現(xiàn)“wechat”，老外注釋的吐槽亮了！
看到verificationResults是一個static的map，即屬于JceSecurity類的。
所以每次運行到加解密都會向這個map put一個對象，而這個map屬于類的維度，所以不會被GC回收。這就導(dǎo)致了大量的new的對象不被回收。
六、代碼改進
將有問題的對象置為static，每個類持有一個，不會多次新建。
七、本文總結(jié)
遇到線上問題不要慌，首先確認排查問題的思路：
查看日志 查看CPU情況 查看TCP情況 查看java線程，jstack 查看java堆，jmap 通過MAT分析堆文件，尋找無法被回收的對象
往期推薦
