最近又收到了運維報警：表示有些服務器負載非常高，讓我們定位問題。

還真是想什么來什么，前些天還故意把某些服務器的負載提高(沒錯，老板讓我寫個 Bug!)，不過還好是不同的環(huán)境，互相沒有影響。

定位問題

拿到問題后首先去服務器上看了看，發(fā)現(xiàn)運行的只有我們的 Java 應用。于是先用 PS 命令拿到了應用的 PID。

接著使用 top -Hp pid 將這個進程的線程顯示出來。輸入大寫的 P 可以將線程按照 CPU 使用比例排序，于是得到以下結果：

 

果然某些線程的 CPU 使用率非常高。為了方便定位問題我立馬使用 jstack pid > pid.log 將線程棧 Dump 到日志文件中。

我在上面 100% 的線程中隨機選了一個 pid=194283 轉換為 16 進制(2f6eb)后在線程快照中查詢，因為線程快照中線程 ID 都是 16 進制存放。

 

發(fā)現(xiàn)這是 Disruptor 的一個堆棧，前段時間正好解決過一個由于 Disruptor 隊列引起的一次 OOM，沒想到又來一出。

為了更加直觀的查看線程的狀態(tài)信息，我將快照信息上傳到專門分析的平臺上：http://fastthread.io/

 

其中有一項菜單展示了所有消耗 CPU 的線程，我仔細看了下發(fā)現(xiàn)幾乎都是和上面的堆棧一樣。

也就是說都是 Disruptor 隊列的堆棧，同時都在執(zhí)行 java.lang.Thread.yield 函數(shù)。

眾所周知 yield 函數(shù)會讓當前線程讓出 CPU 資源，再讓其他線程來競爭。

根據(jù)剛才的線程快照發(fā)現(xiàn)處于 Runnable 狀態(tài)并且都在執(zhí)行 yield 函數(shù)的線程大概有 30 幾個。

因此初步判斷為大量線程執(zhí)行 yield 函數(shù)之后互相競爭導致 CPU 使用率增高，而通過對堆棧發(fā)現(xiàn)是和使用 Disruptor 有關。

解決問題

而后我查看了代碼，發(fā)現(xiàn)是根據(jù)每一個業(yè)務場景在內部都會使用 2 個 Disruptor 隊列來解耦。

假設現(xiàn)在有 7 個業(yè)務類型，那就等于是創(chuàng)建 2*7=14 個 Disruptor 隊列，同時每個隊列有一個消費者，也就是總共有 14 個消費者(生產(chǎn)環(huán)境更多)。

同時發(fā)現(xiàn)配置的消費等待策略為 YieldingWaitStrategy 這種等待策略確實會執(zhí)行 yield 來讓出 CPU。

代碼如下：

 

初步看來和這個等待策略有很大的關系。

本地模擬

為了驗證，我在本地創(chuàng)建了 15 個 Disruptor 隊列同時結合監(jiān)控觀察 CPU 的使用情況。

 

創(chuàng)建了 15 個 Disruptor 隊列，同時每個隊列都用線程池來往 Disruptor 隊列里面發(fā)送 100W 條數(shù)據(jù)。

消費程序僅僅只是打印一下：

 

跑了一段時間發(fā)現(xiàn) CPU 使用率確實很高：

 

同時 Dump 線程發(fā)現(xiàn)和生產(chǎn)的現(xiàn)象也是一致的：消費線程都處于 Runnable 狀態(tài)，同時都在執(zhí)行 yield。

通過查詢 Disruptor 官方文檔發(fā)現(xiàn)：

 

YieldingWaitStrategy 是一種充分壓榨 CPU 的策略，使用自旋 + yield 的方式來提高性能。

當消費線程(Event Handler threads)的數(shù)量小于 CPU 核心數(shù)時推薦使用該策略。

 

同時查閱到其他的等待策略 BlockingWaitStrategy (也是默認的策略)，它使用的是鎖的機制，對 CPU 的使用率不高。

于是在和之前同樣的條件下將等待策略換為 BlockingWaitStrategy。

 

和剛才的 CPU 對比會發(fā)現(xiàn)到后面使用率會有明顯的降低;同時 Dump 線程后會發(fā)現(xiàn)大部分線程都處于 Waiting 狀態(tài)。

優(yōu)化解決

看樣子將等待策略換為 BlockingWaitStrategy 可以減緩 CPU 的使用。

但留意到官方對 YieldingWaitStrategy 的描述里談到：當消費線程(Event Handler threads)的數(shù)量小于 CPU 核心數(shù)時推薦使用該策略。

而現(xiàn)有的使用場景很明顯消費線程數(shù)已經(jīng)大大的超過了核心 CPU 數(shù)了，因為我的使用方式是一個 Disruptor 隊列一個消費者，所以我將隊列調整為只有 1 個再試試(策略依然是 YieldingWaitStrategy)。

 

跑了一分鐘，發(fā)現(xiàn) CPU 的使用率一直都比較平穩(wěn)而且不高。

總結

所以排查到此可以有一個結論了，想要根本解決這個問題需要將我們現(xiàn)有的業(yè)務拆分;現(xiàn)在是一個應用里同時處理了 N 個業(yè)務，每個業(yè)務都會使用好幾個 Disruptor 隊列。

由于是在一臺服務器上運行，所以 CPU 資源都是共享的，這就會導致 CPU 的使用率居高不下。

所以我們的調整方式如下：

• 為了快速緩解這個問題，先將等待策略換為 BlockingWaitStrategy，可以有效降低 CPU 的使用率(業(yè)務上也還能接受)。
• 第二步就需要將應用拆分(上文模擬的一個 Disruptor 隊列)，一個應用處理一種業(yè)務類型;然后分別單獨部署，這樣也可以互相隔離互不影響。

當然還有其他的一些優(yōu)化，因為這也是一個老系統(tǒng)了，這次 Dump 線程居然發(fā)現(xiàn)創(chuàng)建了 800+ 的線程。

創(chuàng)建線程池的方式也是核心線程數(shù)、***線程數(shù)是一樣的，導致一些空閑的線程也得不到回收;這樣會有很多無意義的資源消耗。

所以也會結合業(yè)務將創(chuàng)建線程池的方式調整一下，將線程數(shù)降下來，盡量的物盡其用。