本文已收錄 https://github.com/lkxiaolou/lkxiaolou 歡迎star。搜索關(guān)注微信公眾號(hào)"捉蟲大師"，后端技術(shù)分享，架構(gòu)設(shè)計(jì)、性能優(yōu)化、源碼閱讀、問題排查、踩坑實(shí)踐。
最近某天的深夜，剛洗完澡就接到業(yè)務(wù)方打來電話，說他們的 dubbo 服務(wù)出故障了，要我協(xié)助排查一下。
電話里，詢問了他們幾點(diǎn)
是線上有損故障嗎？——是
止損了嗎？——止損了
有保留現(xiàn)場嗎？——沒有
于是我打開電腦，連上 VPN 看問題。為了便于理解，架構(gòu)簡化如下
只需要關(guān)注 A、B、C 三個(gè)服務(wù)，他們之間調(diào)用都是 dubbo 調(diào)用。
發(fā)生故障時(shí) B 服務(wù)有幾臺(tái)機(jī)器完全夯死，處理不了請(qǐng)求，剩余正常機(jī)器請(qǐng)求量激增，耗時(shí)增加，如下圖（圖一請(qǐng)求量、圖二耗時(shí)）
由于現(xiàn)場已被破壞，只能先看監(jiān)控和日志
監(jiān)控
除了上述監(jiān)控外，翻看了 B 服務(wù) CPU 和內(nèi)存等基礎(chǔ)監(jiān)控，發(fā)現(xiàn)故障的幾臺(tái)機(jī)器內(nèi)存上漲比較多，都達(dá)到了 80% 的水平線，且 CPU 消耗也變多
這時(shí)比較懷疑內(nèi)存問題，于是看了下 JVM 的 fullGC 監(jiān)控
果然 fullGC 時(shí)間上漲很多，基本可以斷定是內(nèi)存泄漏導(dǎo)致服務(wù)不可用了。但為什么會(huì)內(nèi)存泄漏，還無法看出端倪。
日志
申請(qǐng)機(jī)器權(quán)限，查看日志，發(fā)現(xiàn)了一條很奇怪的 WARN 日志
[dubbo-future-timeout-thread-1] WARN org.apache.dubbo.common.timer.HashedWheelTimer$HashedWheelTimeout (HashedWheelTimer.java:651) - [DUBBO] An exception was thrown by TimerTask., dubbo version: 2.7.12, current host: xxx.xxx.xxx.xxx java.util.concurrent.RejectedExecutionException: Task org.apache.dubbo.remoting.exchange.support.DefaultFuture$TimeoutCheckTask$$Lambda$674/1067077932@13762d5a rejected from java.util.concurrent.ThreadPoolExecutor@7a9f0e84[Terminated, pool size = 0, active threads = 0, queued tasks = 0, completed tasks = 21]
可以看出業(yè)務(wù)方使用的是2.7.12版本的 dubbo
拿這個(gè)日志去 dubbo 的 github 倉庫搜了一下，找到了如下這個(gè) issue：
但很快排除了該問題，因?yàn)樵?2.7.12 版本中已經(jīng)是修復(fù)過的代碼了。
繼續(xù)又找到了這兩個(gè) issue：
從報(bào)錯(cuò)和版本上來看，完全符合，但沒有提及內(nèi)存問題，先不管內(nèi)存問題，看看是否可以按照 #8188 這個(gè) issue 復(fù)現(xiàn)
issue中也說的比較清楚如何復(fù)現(xiàn)，于是我搭了這樣三個(gè)服務(wù)來復(fù)現(xiàn)，剛開始還沒有復(fù)現(xiàn)。通過修復(fù)代碼來反推
刪除代碼部分是有問題，但我們復(fù)現(xiàn)卻難以進(jìn)入這塊，怎么才能進(jìn)入呢？
這里一個(gè) feature 代表一個(gè)請(qǐng)求，只有當(dāng)請(qǐng)求沒有完成時(shí)才會(huì)進(jìn)入，這就好辦了，讓 provider 一直不返回，肯定可以實(shí)現(xiàn)，于是在provider 端測試代碼加入
Thread.sleep(Integer.MAX_VALUE);
經(jīng)過測試果然復(fù)現(xiàn)了，如 issue 所說，當(dāng) kill -9 掉第一個(gè) provider 時(shí)，消費(fèi)者全局 ExecutorService 被關(guān)閉，當(dāng) kill -9 第二個(gè) provider 時(shí)，SHARED_EXECUTOR 也被關(guān)閉。
那么這個(gè)線程池是用來干什么的呢？
它在 HashedWheelTimer 中被用來檢測 consumer 發(fā)出的請(qǐng)求是否超時(shí)。
HashedWheelTimer 是 dubbo 實(shí)現(xiàn)的一種時(shí)間輪檢測請(qǐng)求是否超時(shí)的算法，具體這里不再展開，改天可以詳細(xì)寫一篇 dubbo 中時(shí)間輪算法。
當(dāng)請(qǐng)求發(fā)出后，如果可以正常返回還好，但如果超過設(shè)定的超時(shí)時(shí)間還未返回，則需要這個(gè)線程池的任務(wù)來檢測，對(duì)已經(jīng)超時(shí)的任務(wù)進(jìn)行打斷。
如下代碼為提交任務(wù)，當(dāng)這個(gè)線程池被關(guān)閉后，提交任務(wù)就會(huì)拋出異常，超時(shí)也就無法檢測。
public void expire() {
if (!compareAndSetState(ST_INIT, ST_EXPIRED)) {
return;
}
try {
task.run(this);
} catch (Throwable t) {
if (logger.isWarnEnabled()) {
logger.warn("An exception was thrown by " + TimerTask.class.getSimpleName() + '.', t);
}
}
}到這里恍然大悟：如果請(qǐng)求一直發(fā)送，不超時(shí)，那是不是有可能撐爆內(nèi)存？于是我又模擬了一下，并且開了 3 個(gè)線程一直請(qǐng)求 provider，果然復(fù)現(xiàn)出內(nèi)存被撐爆的場景，而當(dāng)不觸發(fā)這個(gè)問題時(shí)，內(nèi)存是一直穩(wěn)定在一個(gè)低水平上。
這里我用的 arthas 來看的內(nèi)存變化，非常方便
在本地復(fù)現(xiàn)后，于是跟業(yè)務(wù)方求證一下，這個(gè)問題復(fù)現(xiàn)還是比較苛刻的，首先得是異步調(diào)用，其次 provider 需要非正常下線，最后 provider 需要有阻塞，即請(qǐng)求一直不返回。
異步調(diào)用得到業(yè)務(wù)方的確認(rèn)，provider 非正常下線，這個(gè)比較常見，物理機(jī)的故障導(dǎo)致的容器漂移就會(huì)出現(xiàn)這個(gè)情況，最后 provider 有阻塞這點(diǎn)也得到業(yè)務(wù)方的確認(rèn)，確實(shí) C 服務(wù)有一臺(tái)機(jī)器在那個(gè)時(shí)間點(diǎn)附近僵死，無法處理請(qǐng)求，但進(jìn)程又是存活的。
所以這個(gè)問題是 dubbo 2.7.12 的 bug 導(dǎo)致。翻看了下這個(gè) bug 是 2.7.10 引入， 2.7.13 修復(fù)。
差不多花了1天的時(shí)間來定位和復(fù)現(xiàn)，還算順利，運(yùn)氣也比較好，沒怎么走彎路，但這中間也需要有些地方需要引起重視。
止損的同時(shí)最好能保留現(xiàn)場，如本次如果在重啟前 dump 下內(nèi)存或摘除流量保留機(jī)器現(xiàn)場，可能會(huì)幫助加速定位問題。如配置 OOM 時(shí)自動(dòng) dump 內(nèi)存等其他手段。這也是本起事故中不足的點(diǎn)
服務(wù)的可觀測性非常重要，不管是日志、監(jiān)控或其他，都要齊全。基本的如日志、出口、進(jìn)口請(qǐng)求監(jiān)控、機(jī)器指標(biāo)（內(nèi)存、CPU、網(wǎng)絡(luò)等）、JVM 監(jiān)控（線程池、GC 等）。這點(diǎn)做的還可以，基本該有的都有
開源產(chǎn)品，可從關(guān)鍵日志去網(wǎng)絡(luò)查找，極大概率你遇到的問題大家也遇到過。這也是這次幸運(yùn)的點(diǎn)，少走了很多彎路
聯(lián)系客服
