分享一次 Java 記憶體泄漏的排查
- 2019 年 11 月 11 日
- 筆記
來源：http://t.cn/EIYkz7W
- 由來
- 問題
- 網路問題？
- 問題爆發
- 解決
- 記憶體泄漏
- jstat
- 排查
- 分析棧
- 下載堆 dump 文件。
- 使用 MAT 分析 jvm heap
- 分析程式碼
- 小結
由來
前些日子小組內安排值班，輪流看顧我們的服務，主要做一些報警郵件處理、Bug 排查、運營 issue 處理的事。工作日還好，無論幹什麼都要上班的，若是輪到周末，那這一天算是毀了。
不知道是公司網路廣了就這樣還是網路運維組不給力，網路總有問題，不是這邊交換機脫網了就是那邊路由器壞了，還偶發地各種超時，而我們靈敏地服務探測服務總能準確地抓住偶現的小問題，給美好的工作加點料。好幾次值班組的小夥伴們一起吐槽，商量著怎麼避過服務保活機制，偷偷停了探測服務而不讓人發現（雖然也並不敢）。
前些天我就在周末處理了一次探測服務的鍋。
問題
網路問題？
晚上七點多開始，我就開始不停地收到報警郵件，郵件顯示探測的幾個介面有超時情況。多數執行棧都在：
java.io.BufferedReader.readLine(BufferedReader.java:371) java.io.BufferedReader.readLine(BufferReader.java:389) java_io_BufferedReader$readLine.call(Unknown Source) com.domain.detect.http.HttpClient.getResponse(HttpClient.groovy:122) com.domain.detect.http.HttpClient.this$2$getResponse(HttpClient.groovy)
這個執行緒棧的報錯我見得多了，我們設置的 HTTP DNS 超時是 1s， connect 超時是 2s， read 超時是 3s，這種報錯都是探測服務正常發送了 HTTP 請求，伺服器也在收到請求正常處理後正常響應了，但數據包在網路層層轉發中丟失了，所以請求執行緒的執行棧會停留在獲取介面響應的地方。這種情況的典型特徵就是能在伺服器上查找到對應的日誌記錄。而且日誌會顯示伺服器響應完全正常。與它相對的還有執行緒棧停留在 Socket connect 處的，這是在建連時就失敗了，服務端完全無感知。
我注意到其中一個介面報錯更頻繁一些，這個介面需要上傳一個 4M 的文件到伺服器，然後經過一連串的業務邏輯處理，再返回 2M 的文本數據，而其他的介面則是簡單的業務邏輯，我猜測可能是需要上傳下載的數據太多，所以超時導致丟包的概率也更大吧。
根據這個猜想，群登上伺服器，使用請求的 request_id 在近期服務日誌中搜索一下，果不其然，就是網路丟包問題導致的介面超時了。
當然這樣 leader 是不會滿意的，這個結論還得有人接鍋才行。於是趕緊聯繫運維和網路組，向他們確認一下當時的網路狀態。網路組同學回復說是我們探測服務所在機房的交換機老舊，存在未知的轉發瓶頸，正在優化，這讓我更放心了，於是在部門群里簡單交待一下，算是完成任務。
問題爆發
本以為這次值班就起這麼一個小波浪，結果在晚上八點多，各種介面的報警郵件蜂擁而至，打得準備收拾東西過周日單休的我措手不及。
這次幾乎所有的介面都在超時，而我們那個大量網路 I/O 的介面則是每次探測必超時，難道是整個機房故障了么。
我再次通過伺服器和監控看到各個介面的指標都很正常，自己測試了下介面也完全 OK，既然不影響線上服務，我準備先通過探測服務的介面把探測任務停掉再慢慢排查。
結果給暫停探測任務的介面發請求好久也沒有響應，這時候我才知道沒這麼簡單。
解決
記憶體泄漏
於是趕快登陸探測伺服器，首先是 top free df 三連，結果還真發現了些異常。
我們的探測進程 CPU 佔用率特別高，達到了 900%。
我們的 Java 進程，並不做大量 CPU 運算，正常情況下，CPU 應該在 100~200% 之間，出現這種 CPU 飆升的情況，要麼走到了死循環，要麼就是在做大量的 GC。
使用 jstat -gc pid [interval] 命令查看了 java 進程的 GC 狀態，果然，FULL GC 達到了每秒一次。
這麼多的 FULL GC，應該是記憶體泄漏沒跑了，於是 使用 jstack pid > jstack.log 保存了執行緒棧的現場，使用 jmap -dump:format=b,file=heap.log pid 保存了堆現場，然後重啟了探測服務，報警郵件終於停止了。
jstat
jstat 是一個非常強大的 JVM 監控工具，一般用法是： jstat [-options] pid interval
它支援的查看項有：
- -class 查看類載入資訊
- -compile 編譯統計資訊
- -gc 垃圾回收資訊
- -gcXXX 各區域 GC 的詳細資訊 如 -gcold
使用它，對定位 JVM 的記憶體問題很有幫助。
排查
問題雖然解決了，但為了防止它再次發生，還是要把根源揪出來。
分析棧
棧的分析很簡單，看一下執行緒數是不是過多，多數棧都在幹嘛。
> grep 'java.lang.Thread.State' jstack.log | wc -l > 464
才四百多執行緒，並無異常。
> grep -A 1 'java.lang.Thread.State' jstack.log | grep -v 'java.lang.Thread.State' | sort | uniq -c |sort -n 10 at java.lang.Class.forName0(Native Method) 10 at java.lang.Object.wait(Native Method) 16 at java.lang.ClassLoader.loadClass(ClassLoader.java:404) 44 at sun.nio.ch.EPollArrayWrapper.epollWait(Native Method) 344 at sun.misc.Unsafe.park(Native Method)
執行緒狀態好像也無異常，接下來分析堆文件。
下載堆 dump 文件。
堆文件都是一些二進位數據，在命令行查看非常麻煩，Java 為我們提供的工具都是可視化的，Linux 伺服器上又沒法查看，那麼首先要把文件下載到本地。
由於我們設置的堆記憶體為 4G，所以 dump 出來的堆文件也很大，下載它確實非常費事，不過我們可以先對它進行一次壓縮。
gzip 是個功能很強大的壓縮命令，特別是我們可以設置 -1 ~ -9 來指定它的壓縮級別，數據越大壓縮比率越大，耗時也就越長，推薦使用 -6~7， -9 實在是太慢了，且收益不大，有這個壓縮的時間，多出來的文件也下載好了。
使用 MAT 分析 jvm heap
MAT 是分析 Java 堆記憶體的利器，使用它打開我們的堆文件（將文件後綴改為 .hprof）, 它會提示我們要分析的種類，對於這次分析，果斷選擇 memory leak suspect。
從上面的餅圖中可以看出，絕大多數堆記憶體都被同一個記憶體佔用了，再查看堆記憶體詳情，向上層追溯，很快就發現了罪魁禍首。
分析程式碼
找到記憶體泄漏的對象了，在項目里全局搜索對象名，它是一個 Bean 對象，然後定位到它的一個類型為 Map 的屬性。
這個 Map 根據類型用 ArrayList 存儲了每次探測介面響應的結果，每次探測完都塞到 ArrayList 里去分析，由於 Bean 對象不會被回收，這個屬性又沒有清除邏輯，所以在服務十來天沒有上線重啟的情況下，這個 Map 越來越大，直至將記憶體佔滿。
記憶體滿了之後，無法再給 HTTP 響應結果分配記憶體了，所以一直卡在 readLine 那。而我們那個大量 I/O 的介面報警次數特別多，估計跟響應太大需要更多記憶體有關。
給程式碼 owner 提了 PR，問題圓滿解決。
小結
其實還是要反省一下自己的，一開始報警郵件里還有這樣的執行緒棧：
groovy.json.internal.JsonParserCharArray.decodeValueInternal(JsonParserCharArray.java:166) groovy.json.internal.JsonParserCharArray.decodeJsonObject(JsonParserCharArray.java:132) groovy.json.internal.JsonParserCharArray.decodeValueInternal(JsonParserCharArray.java:186) groovy.json.internal.JsonParserCharArray.decodeJsonObject(JsonParserCharArray.java:132) groovy.json.internal.JsonParserCharArray.decodeValueInternal(JsonParserCharArray.java:186)
看到這種報錯執行緒棧卻沒有細想，要知道 TCP 是能保證消息完整性的，況且消息沒有接收完也不會把值賦給變數，這種很明顯的是內部錯誤，如果留意後細查是能提前查出問題所在的，查問題真是差了哪一環都不行啊。
