從一次線上故障思考 Java 問題定位思路

（點選上方公眾號，可快速關註）

來源：melonstreet ，

www.cnblogs.com/QG-whz/p/9647614.html

問題出現：現網CPU飆高，Full GC告警

CGI 服務釋出到現網後，現網機器出現了Full GC告警，同時CPU飆高99%。在優先恢復現網服務正常後，開始著手定位Full GC的問題。在現場只能夠抓到四個GC執行緒佔用了很高的CPU，無法抓到引發Full GC的執行緒。查看了服務故障期間的錯誤日誌，發現更多的是由於Full GC引起的問題服務異常日誌，無法確定Full GC的根源。為了查詢問題的根源，只能從釋出本身入手去查問題，發現一次bugfix的提交，有可能觸發一個死迴圈邏輯：

for(int i = 1 ;i <= totalPage ;i++) {

            String path = path_prefix + “?cmd=txt_preview&page;=” + String.valueOf(i) + “&sign;=” + fileSignature;

            url_list.add(path);

}

迴圈中的引數 totalPage 為 long 型別，由一個外部引數進行賦值。當外部引數非常大，超過 int 的最大值時，i遞增到int的最大值後，i++ 會發生翻轉，變成一個負數，從而使 for 會進入死迴圈。利用下麵這段程式碼可以試驗：

public static void main(String[] args) {

    long totalPage = Long.MAX_VALUE;

    for(int i = 0 ;i

        if(i<0){

            System.out.println(i);

        }

    }

}

透過日誌，發現外部確實傳遞了一個非常大的引數：

確認了當命中邏輯的時候，會進入一個死迴圈。在迴圈中不斷進行字串的拼接與list的Add操作，很快就會耗盡JVM堆記憶體導致Full GC。經過測算，實際上並不需要死迴圈，只要是一個比較大的迴圈，就能夠引發Full GC。對totlePage的大小做了限定後，釋出了新版本，沒有再出現Full GC的問題。

現場還原：重現問題，探索定位思路

回顧排查問題的過程並不高效，最開始懷疑過是否是打包有問題或使用的jdk版本不對，花了較多的時間確認打包問題。另一方面，釋出帶出的程式碼較多，透過重覆review程式碼無法很快鎖定問題。為了探索一種更有效的問題定位方法，我將有問題的程式碼重新部署到機器上，手動構造請求觸發bug，探索定位此類問題的通用思路。

如何確定bug可以導致CPU飆升？為何會引發OOM？

1） 在 Java 服務上開啟 JMX，在本地使用 VisualVm 來檢視 Java 服務在執行過程中的記憶體、GC、執行緒等資訊。VisualVM 是 Sun 的一個 OpenJDK 專案，它是集成了多個 JDK 命令工具的一個視覺化工具，它主要用來監控 JVM 的執行情況，可以用它來檢視和瀏覽 Heap Dump、Thread Dump、記憶體物件實體情況、GC 執行情況、CPU 消耗以及類的裝載情況，也可以使用它來建立必要資訊的日誌。

可以看到邏輯被命中的時候，CPU確實是升到100%的，此時也發生了Full GC告警。嘗試著多發了幾次請求，服務直接就掛掉了。這裡有個問題是：不是已經Full GC了嗎，為什麼還會發生OOM？實際上，雖然JVM已經開始回收記憶體，但是由於物件被取用，這些記憶體是回收不掉的。從GC日誌可以看到回收的情況：

從GC日誌中可以看到，新生代的Eden區域與老年代都已經被佔滿。如果新生代放不下物件的時候，object會直接被放到老年代中。除了GC日誌，也可以使用jstat命令來堆Java堆記憶體的使用情況進行統計展示:

jstat -gcutil 12309 1000 10

1000為統計的間隔，單位為毫秒，10為統計的次數，輸出如下：

從輸出中同樣可以看到E（Eden）區與O（Old）區都已經被佔滿了。其他幾個輸出項的含義如下：

• YGC: 從啟動到取樣時Young Generation GC的次數

• YGCT: 從啟動到取樣時Young Generation GC所用的時間 (s).

• FGC: 從啟動到取樣時Old Generation GC的次數.

• FGCT: 從啟動到取樣時Old Generation GC所用的時間 (s).

• GCT: 從啟動到取樣時GC所用的總時間 (s).

可以看到JVM一直在嘗試回收老年代，但是一直沒能將記憶體回收回來。

如何獲取佔用CPU最高的執行緒id？

2）可以登上機器，確認下是什麼執行緒使 CPU 飆高。先ps檢視 Java 行程的 PID：

拿到行程 pid 後，可以使用 top 命令，來看是什麼執行緒佔用了 CPU。

top -p 12309 -H

-p 用於指定行程，-H 用於獲取每個執行緒的資訊，從 top 輸出的內容，可以看到有四個執行緒佔用了非常高的 CPU：

到這裡可以拿到12313、12312、12311、12314這四個執行緒id。為了確定這些是什麼執行緒，需要使用 jstack 命令來檢視這幾個是什麼執行緒。

高佔用CPU的是什麼執行緒？

3) jstack 是 Java 虛擬機器自帶的一種堆疊跟蹤工具，用於打印出給定的 Java 行程 ID 或 core file 或遠端除錯服務的 Java 堆疊資訊。使用下麵命令，將 Java 行程的堆疊資訊列印到檔案中：

jstack -l 12309 > stack.log

在執行緒堆疊資訊中，執行緒 id 是使用十六進位制來表示的。將上面四個四個執行緒 id 轉換為16進位制，分別是0X3019、0X3018、0×3017、0x301A。在 stack.log 中可以找到這幾個執行緒：

到這裡可以確定的是，死迴圈引發了Full GC,四個GC執行緒一直嘗試著回收記憶體，這四個執行緒將CPU佔滿。

是哪些物件佔用了記憶體？

4）Full GC、OOM、CPU 被佔滿的問題都得到瞭解答。那麼再次遇到類似的線上問題時，如何確定或者縮小問題範圍，找到導致問題的程式碼呢？這時候需要進一步觀察的是 Java 堆記憶體的資訊，檢視是什麼物件佔用了記憶體。可以使用上文提到的 VisualVM 來生成 headdump 檔案：

也可以在機器上使用 jmap 命令來生成 head dump 檔案。

jmap -dump:live,format=b,file=headInfo.hprof 12309

live 這個引數表示我們需要抓取的是目前在生命週期內的記憶體物件，也就是說 GC 收不走的物件，在這種場景下，我們需要的就是這些記憶體的資訊。生成了 hprof 檔案後，可以拉回到本地，使用 VisualVM 來開啟它進行分析。開啟後可以看到：

從資訊中可以看到，字串 char[] 在佔了記憶體的73%，因此可以確定的是記憶體洩漏與字串有關。通常生成的 headdump 檔案會很大，也可以使用下麵的命令，來檢視佔用記憶體最多的型別：

jmap -histo 12309 > heap.log

輸出內容如下：

能否對堆內物件進行查詢？

5） 到這裡突然有個想法，如果能夠分析出相似度高的字串，那麼有比較大的可能是這些字串存在洩漏，從而可以縮小問題程式碼的範圍。確實是有這麼一種工具來對堆內的物件進行分析，也就是OQL（Object Query Language）,在VisualVM中可以對headdump檔案執行物件查詢，下麵是一個示例，查詢包含內容最多的List：

select map(top(heap.objects(‘java.util.ArrayList’), ‘rhs.size – lhs.size’, 5),”toHtml(it)+’=’+it.size”)

查詢結果如下：

如何查詢到相似度最高的字串，還在繼續學習研究中。

一些疑問與總結

1）為什麼無法抓到引發 Full GC 的執行緒？一個猜測是執行緒丟擲 OOM 異常之後就被終止了，執行緒只存活了很短的時間。

2）為什麼對 Eden 區回收後存活的物件，不會被複製到 survivor 區？從上面的 GC 日誌可以看到，BeforeGC 與 AfterGC，新生代中的兩個survivor 區（也就是from\to）一直都是0%，這裡猜想可能是 survivor 區太小，沒有足夠的空間存放從 Eden 區複製複製過來的物件。同時老年代也沒有足夠的空間（已經99%了），因此 JVM 的 GC 基本沒有什麼有效的回收操作。

3）重現問題時，在日誌裡發現了一個 OOM 的錯誤資訊：

java.lang.OutOfMemoryError: GC overhead limit exceeded

這種情況發生的原因是, 程式基本上耗盡了所有的可用記憶體, GC 也清理不了。JVM 執行垃圾收集的時間比例太大, 有效的運算量太小。預設情況下, 如果GC花費的時間超過 98%, 並且 GC 回收的記憶體少於 2%, JVM 就會丟擲這個錯誤。從這裡也可以看到 GC 執行緒一直在嘗試回收記憶體，但是回收效果實在太差，也就是第二點提到的。

4）當時線上上環境出現問題時，看到很多 log4 j的錯誤日誌資訊，是什麼原因？猜測大概是寫日誌的 I/O 操作要經過記憶體，而記憶體已經被使用光，無法進行寫操作所導致。這些問題都可以進一步研究。

對於一般的 OOM 問題，透過這幾個方面的思考，大致可以鎖定問題所在，或是縮小問題可能發生的範圍。例如對某些特定型別的記憶體洩漏來說，到這一步已經可以分析出是什麼型別導致記憶體洩漏。而對本案例來說，根據排查結果可以優先考慮的是字串的洩露，程式碼 review 中檢視是否有操作字串的地方，而不會將問題的優先順序鎖定在打包問題上。

【關於投稿】

如果大家有原創好文投稿，請直接給公號傳送留言。

① 留言格式：
【投稿】+《 文章標題》+ 文章連結

② 示例：
【投稿】《不要自稱是程式員，我十多年的 IT 職場總結》：http://blog.jobbole.com/94148/

③ 最後請附上您的個人簡介哈~

看完本文有收穫？請轉發分享給更多人

關註「ImportNew」，提升Java技能