線程池運用不當(dāng)?shù)囊淮尉€上事故
在高并發(fā)、異步化等場景，線程池的運用可以說無處不在。線程池從本質(zhì)上來講，即通過空間換取時間，因為線程的創(chuàng)建和銷毀都是要消耗資源和時間的，對于大量使用線程的場景，使用池化管理可以延遲線程的銷毀，大大提高單個線程的復(fù)用能力，進(jìn)一步提升整體性能。
今天遇到了一個比較典型的線上問題，剛好和線程池有關(guān)，另外涉及到死鎖、jstack命令的使用、JDK不同線程池的適合場景等知識點，同時整個調(diào)查思路可以借鑒，特此記錄和分享一下。
01?業(yè)務(wù)背景描述
該線上問題發(fā)生在廣告系統(tǒng)的核心扣費服務(wù)，首先簡單交代下大致的業(yè)務(wù)流程，方便理解問題。
綠框部分即扣費服務(wù)在廣告召回扣費流程中所處的位置，簡單理解：當(dāng)用戶點擊一個廣告后，會從C端發(fā)起一次實時扣費請求(CPC，按點擊扣費模式)，扣費服務(wù)則承接了該動作的核心業(yè)務(wù)邏輯：包括執(zhí)行反作弊策略、創(chuàng)建扣費記錄、click日志埋點等。
12月2號晚上11點左右，我們收到了一個線上告警通知：扣費服務(wù)的線程池任務(wù)隊列大小遠(yuǎn)遠(yuǎn)超出了設(shè)定閾值，而且隊列大小隨著時間推移還在持續(xù)變大。詳細(xì)告警內(nèi)容如下：
相應(yīng)的，我們的廣告指標(biāo)：點擊數(shù)、收入等也出現(xiàn)了非常明顯的下滑，幾乎同時發(fā)出了業(yè)務(wù)告警通知。其中，點擊數(shù)指標(biāo)對應(yīng)的曲線表現(xiàn)如下：
該線上故障發(fā)生在流量高峰期，持續(xù)了將近30分鐘后才恢復(fù)正常。
下面詳細(xì)說下整個事故的調(diào)查和分析過程。
第2步：然后進(jìn)一步排查了扣費服務(wù)依賴的存儲資源（mysql、redis、mq），外部服務(wù)，發(fā)現(xiàn)了事故期間存在大量的數(shù)據(jù)庫慢查詢。
上述慢查詢來自于事故期間一個剛上線的大數(shù)據(jù)抽取任務(wù)，從扣費服務(wù)的mysql數(shù)據(jù)庫中大批量并發(fā)抽取數(shù)據(jù)到hive表。因為扣費流程也涉及到寫mysql，猜測這個時候mysql的所有讀寫性能都受到了影響，果然進(jìn)一步發(fā)現(xiàn)insert操作的耗時也遠(yuǎn)遠(yuǎn)大于正常時期。
第3步：我們猜測數(shù)據(jù)庫慢查詢影響了扣費流程的性能，從而造成了任務(wù)隊列的積壓，所以決定立馬暫定大數(shù)據(jù)抽取任務(wù)。但是很奇怪：停止抽取任務(wù)后，數(shù)據(jù)庫的insert性能恢復(fù)到正常水平了，但是阻塞隊列大小仍然還在持續(xù)增大，告警并未消失。
第4步：考慮廣告收入還在持續(xù)大幅度下跌，進(jìn)一步分析代碼需要比較長的時間，所以決定立即重啟服務(wù)看看有沒有效果。為了保留事故現(xiàn)場，我們保留了一臺服務(wù)器未做重啟，只是把這臺機(jī)器從服務(wù)管理平臺摘掉了，這樣它不會接收到新的扣費請求。
果然重啟服務(wù)的殺手锏很管用，各項業(yè)務(wù)指標(biāo)都恢復(fù)正常了，告警也沒有再出現(xiàn)。至此，整個線上故障得到解決，持續(xù)了大概30分鐘。
下面再詳細(xì)說下事故根本原因的分析過程。
第1步：第二天上班后，我們猜測那臺保留了事故現(xiàn)場的服務(wù)器，隊列中積壓的任務(wù)應(yīng)該都被線程池處理掉了，所以嘗試把這臺服務(wù)器再次掛載上去驗證下我們的猜測，結(jié)果和預(yù)期完全相反，積壓的任務(wù)仍然都在，而且隨著新請求進(jìn)來，系統(tǒng)告警立刻再次出現(xiàn)了，所以又馬上把這臺服務(wù)器摘了下來。
第2步：線程池積壓的幾千個任務(wù)，經(jīng)過1個晚上都沒被線程池處理掉，我們猜測應(yīng)該存在死鎖情況。所以打算通過jstack命令dump線程快照做下詳細(xì)分析。
#找到扣費服務(wù)的進(jìn)程號
$?jstack?pid?>?/tmp/stack.txt
#?通過進(jìn)程號dump線程快照，輸出到文件中
$?jstack?pid?>?/tmp/stack.txt
在jstack的日志文件中，立馬發(fā)現(xiàn)了：用于扣費的業(yè)務(wù)線程池的所有線程都處于waiting狀態(tài)，線程全部卡在了截圖中紅框部分對應(yīng)的代碼行上，這行代碼調(diào)用了countDownLatch的await()方法，即等待計數(shù)器變?yōu)?后釋放共享鎖。
第3步：找到上述異常后，距離找到根本原因就很接近了，我們回到代碼中繼續(xù)調(diào)查，首先看了下業(yè)務(wù)代碼中使用了newFixedThreadPool線程池，核心線程數(shù)設(shè)置為25。針對newFixedThreadPool，JDK文檔的說明如下：
創(chuàng)建一個可重用固定線程數(shù)的線程池，以共享的無界隊列方式來運行這些線程。如果在所有線程處于活躍狀態(tài)時提交新任務(wù)，則在有可用線程之前，新任務(wù)將在隊列中等待。
1、最大線程數(shù)?=?核心線程數(shù)，當(dāng)所有核心線程都在處理任務(wù)時，新進(jìn)來的任務(wù)會提交到任務(wù)隊列中等待；?
2、使用了無界隊列：提交給線程池的任務(wù)隊列是不限制大小的，如果任務(wù)被阻塞或者處理變慢，那么顯然隊列會越來越大。
所以，進(jìn)一步結(jié)論是：核心線程全部死鎖，新進(jìn)的任務(wù)不對涌入無界隊列，導(dǎo)致任務(wù)隊列不斷增加。
/**
?*?執(zhí)行扣費任務(wù)
?*/
public?Result?executeDeduct(ChargeInputDTO?chargeInput)? {
??ChargeTask?chargeTask?=?new?ChargeTask(chargeInput);
??bizThreadPool.execute(()?->?chargeTaskBll.execute(chargeTask?));
??return?Result.success();
}
/*
?*?扣費任務(wù)的具體業(yè)務(wù)邏輯
?*/
public?class?ChargeTaskBll?implements?Runnable?{
??public?void?execute(ChargeTask?chargeTask)?{
?????//?第一步：參數(shù)校驗
?????verifyInputParam(chargeTask);
?????//?第二步：執(zhí)行反作弊子任務(wù)
?????executeUserSpam(SpamHelper.userConfigs);
?????//?第三步：執(zhí)行扣費
?????handlePay(chargeTask);
?????//?其他步驟：點擊埋點等
?????...
??}
}
/**
?*?執(zhí)行反作弊子任務(wù)
?*/
public?void?executeUserSpam(List?configs) ?{
??if?(CollectionUtils.isEmpty(configs))?{
????return;
??}
??try?{
????CountDownLatch?latch?=?new?CountDownLatch(configs.size());
????for?(SpamUserConfigDO?config?:?configs)?{
??????UserSpamTask?task?=?new?UserSpamTask(config,latch);
??????bizThreadPool.execute(task);
????}
????latch.await();
??}?catch?(Exception?ex)?{
????logger.error("",?ex);
??}
}
通過上述代碼，大家能否發(fā)現(xiàn)死鎖是怎么發(fā)生的呢？根本原因在于：一次扣費行為屬于父任務(wù)，同時它又包含了多次子任務(wù)：子任務(wù)用于并行執(zhí)行反作弊策略，而父任務(wù)和子任務(wù)使用的是同一個業(yè)務(wù)線程池。當(dāng)線程池中全部都是執(zhí)行中的父任務(wù)時，并且所有父任務(wù)都存在子任務(wù)未執(zhí)行完，這樣就會發(fā)生死鎖。下面通過1張圖再來直觀地看下死鎖的情況：
假設(shè)核心線程數(shù)是2，目前正在執(zhí)行扣費父任務(wù)1和2。另外，反作弊子任務(wù)1和3都執(zhí)行完了，反作弊子任務(wù)2和4都積壓在任務(wù)隊列中等待被調(diào)度。因為反作弊子任務(wù)2和4沒執(zhí)行完，所以扣費父任務(wù)1和2都不可能執(zhí)行完成，這樣就發(fā)生了死鎖，核心線程永遠(yuǎn)不可能釋放，從而造成任務(wù)隊列不斷增大，直到程序OOM crash。
死鎖原因清楚后，還有個疑問：上述代碼在線上運行很長時間了，為什么現(xiàn)在才暴露出問題呢？另外跟數(shù)據(jù)庫慢查詢到底有沒有直接關(guān)聯(lián)呢？
暫時我們還沒有復(fù)現(xiàn)證實，但是可以推斷出：上述代碼一定存在死鎖的概率，尤其在高并發(fā)或者任務(wù)處理變慢的情況下，概率會大大增加。數(shù)據(jù)庫慢查詢應(yīng)該就是導(dǎo)致此次事故出現(xiàn)的導(dǎo)火索。
05?解決方案
弄清楚根本原因后，最簡單的解決方案就是：增加一個新的業(yè)務(wù)線程池，用來隔離父子任務(wù)，現(xiàn)有的線程池只用來處理扣費任務(wù)，新的線程池用來處理反作弊任務(wù)。這樣就可以徹底避免死鎖的情況了。
06 問題總結(jié)
回顧事故的解決過程以及扣費的技術(shù)方案，存在以下幾點待繼續(xù)優(yōu)化：
推薦閱讀：
歡迎關(guān)注微信公眾號：互聯(lián)網(wǎng)全棧架構(gòu)，收取更多有價值的信息。