排查Java线上服务故障的方法和实例分析

前言

　　作为在线系统负责人或者是一个技术专家，你可能刚刚接手一个项目就需要处理紧急故障，或者被要求帮忙处理一些紧急的故障，这个时候的情景是：

　　(1)你可能对这个业务仅仅是听说过，而不怎么真正了解；

　　(2)你可能没有这个故障的详细信息，比如可能仅仅是有使用方反馈服务中断了10分钟；

　　(3)你对代码细节还没有仔细研究过。

　　这个时候该怎么解决问题呢？根据以前的经验，工程师们常常倾向于直接登上服务器检查代码，试图立刻修改问题。或者是把某些可能是问题的配置做修改，但并不是100%确认这就是问题的根本原因。但结果往往是在解决问题的同时引入了新的问题，或者是没有找到问题的根本原因，导致用户的再次投诉。

正文

　　处理和排除故障分为4个必须的步骤：

　　(1) 紧急处理

　　(2) 添加监控

　　(3) 使用JDK性能监控工具

　　(4) 分析源代码。从治标不治本，到治标又治本。

紧急处理

　　紧急处理，顾名思义，是检查和评度当前故障的影响范围，并尽快使服务先恢复起来。其中检查和评估当前故障的影响范围是非常重要的。

　　以微博系统举例，一般用户的投诉率为千分之1，如果有超过10起用户投诉，就可能是大面积故障。如果只是负责线上跟踪的QA人员反馈的问题，而没有用户投诉，则可以有较多的时间去处理。

　　对于紧急的大面积故障，首先想到的不应该是检查问题。而是需要立刻追查最近线上系统是否有更改，我们的经验是95%的故障都是在新代码上线后的12小时内发生的。此时应该立刻回滚新更改。另外5%的故障大部分是由于业务扩展导致的。互联网业有一个规律，线上系统每半年需要重构一次，否则无法对应业务量的增长。对于这种业务量增长造成的故障，通常可以通过重启服务来紧急处理。

　　因此，紧急处理的首选是立刻回滚新更改。

添加监控

　　紧急处理之后，服务已经恢复了，但是问题并没有找到。如果是新代码上线造成的故障，回滚之后，工程师会有各种手段，在测试环境追查问题。而针对系统容量不足造成的故障，需要特别添加监控作为追查问题的重要手段。因为互联网业务请求高峰和低谷差别非常明显，微博业务中的请求高峰往往出现在晚上10点左右，而且不是稳定的出现。要求工程师们每天悲催的坐在电脑前守到晚上10点，却不见得能发现问题，是非常低效的。监控一般用一个简单的脚本就可以搞定，比如http服务监控，Shell脚本代码如下:

　　MAX_LATENCY_TIME=5

　　curl -m $MAX_LATENCY_TIME "http://1.2.3.4:8011/...."

　　if [ $? -ne 0 ] ; then

　　sIp=`hostname`

　　errmsg="gexin install latency > "$MAX_LATENCY_TIME"s"

　　// 具体告警的处理

　　echo $errmsg

　　echo send success

　　fi

使用JDK性能监控工具

　　刚刚添加的监控开始报警了。登上服务器，该做些什么呢？一般需要做如下动作，

　　(1)首先要查看日志，看看有没有Exception。另外日志中常常有对接口调用，缓存使用的监控告警信息。

　　(2)看看目前gc的状况如何，使用JDK自带的工具就可以。jstat -gc -h 10 vmid 5000，每5秒打出一次。我遇到过两次线上故障，都是简单的通过jstat就找到了问题。一次是Permanent区分配过小，JVM内存溢出。另一次是发生了过多的Full GC，使得系统停止响应。内存造成的问题通过简单的重启服务就可以使得服务恢复，但重启之后往往很快又出现问题。这个期间你要监控gc，看看期间发生了什么事情。如果是old区增长的过快，就可能是内存泄露。这个时候，你需要看看到底是什么对象占用了你的内存。

　　(3)jmap -histo vmid > jmap.log，该命令会打出所有对象，包括占用的byte数和实例个数。分享一个线上jmap实例，

　　Jmap.log代码

　　num #instances #bytes class name

　　---------------------------------------------

　　1: 10540623 668712400 [B

　2: 10532610 252782640 com.google.protobuf.ByteString

3: 4305941 234036872 [Ljava.lang.Object;

4: 1066822 170691520 cn.abc.data.protobuf.UserWrap$User

5: 3950998 158039920 java.util.TreeMap$Entry

6: 3950159 126405088 com.google.protobuf.UnknownFieldSet$Field

7: 780773 118677496 cn.abc.data.protobuf.StatusWrap$Status

8: 4305047 103321128 java.util.ArrayList

9: 4301379 103233096 java.util.Collections$UnmodifiableRandomAccessList

10: 3207948 102654336 java.util.HashMap$Entry

11: 2571737 82300280 [C

12: 2569460 82222720 java.lang.String

13: 3952892 63246272 java.lang.Integer

14: 1314438 63093024 java.util.TreeMap

15: 2533229 60797496 java.lang.Long

16: 1065093 51124464 cn.abc.data.protobuf.PostSourceWrap$PostSource

17: 1314430 42061760 java.util.Collections$UnmodifiableMap

18: 284198 40924512 cn.sina.api.data.protobuf.CommentWrap$Comment

19: 4273 34273568 [Ljava.util.HashMap$Entry;

20: 459983 33118776 cn.abc.data.protobuf.AbcMessageWrap$AbcMessage

21: 458776 22021248 java.util.concurrent.ScheduledThreadPoolExecutor$ScheduledFutureTask

22: 458776 22021248 java.util.concurrent.FutureTask$Sync

23: 1314416 21030656 com.google.protobuf.UnknownFieldSet

24: 459982 11039568 cn.sina.datapush.notifier.core.DispatcherBase$MessageProcessor

25: 458776 11010624 java.util.concurrent.Executors$RunnableAdapter

26: 458776 7340416 cn.abc.datapush.notifier.core.DispatcherBase$MessageProcessor$1

27: 40897 5909152 <constMethodKlass>

28: 40897 4917592 <methodKlass>

29: 3193 3748688 <constantPoolKlass>

30: 62093 3274344 <symbolKlass>

　　排名前几位的都是Byte，Char，String，Integer之类的，不要灰心，继续往下看，后面会出现一些有趣的对象。第22位发现了45万个FutureTask，很显然这是不正常的。应该是某线程响应过慢，造成待处理任务出现了堆积。查看代码，果然处理线程只有4条，大量的请求得不到响应。通过gc分析，每5秒钟会产生100M左右的对象得不到处理，所以JVM heap很快就被耗尽。将线程数改为36条，问题立刻得到了解决。

　　(4)检查目前cpu占用情况，top -H，然后按“1”，会看到当前进程中每个线程所占CPU的比例。注意观察前几名，然后jstack -l vmid > jstack.log打出线程堆栈，看看是什么线程占用了CPU。这里需要注意的是，top -H显示的线程id是十进制，而jstack打出的线程堆栈是16进制。看看那些最忙的thread是不是那些真正应该忙的thread，如果是一些“黑马”线程，则要考虑是否是代码有死循环或者是意外的问题。

分析源代码

　　分析源代码是最有技术含量的事情，也是比较耗时而且不见得有效果的事情。所以我把源码分析放到解决线上问题的最后一步，因为必须要做到“有的放矢”。带着问题去分析代码，会比较容易。通过20%代码的修改，就可以解决80%的性能问题。比如上面这个线上问题，肯定是线程处理慢造成的问题。需要针对线程的调用，同步异步等进行分析。