[[437653]]

本文轉(zhuǎn)載自微信公眾號「捉蟲大師」，作者捉蟲大師  。轉(zhuǎn)載本文請聯(lián)系捉蟲大師公眾號。

前言

最近翻看以前寫的 PPT， 發(fā)現(xiàn)了在2019年做的一次技術(shù)分享，關(guān)于 Java 問題排查，由于沒什么公司機密可言，整理下分享給大家~

線上問題處理流程

直接放PPT截圖吧，現(xiàn)在看來依然不過時

問題排查

可從三個方面入手

• 知識：有些問題，思考一下就有答案，就像傳說中多隆那樣，回憶下就知道第83行代碼有問題~
• 工具：當然不是每個人都能做到過目不忘，也有可能這代碼完全不是你寫的，這時就需要靠工具來定位問題
• 數(shù)據(jù)：程序運行時產(chǎn)生的數(shù)據(jù)，也能提供很多線索

知識

知識有很多方面，這里簡單列舉一下：

• 語言(本文特指 Java)：如 JVM 知識、多線程知識等
• 框架：如 Dubbo、Spring 等
• 組件：如 Mysql、RocketMq 等
• 其他：如網(wǎng)絡(luò)、操作系統(tǒng)等

舉個例子，我們需要理解 Java 對象從申請到被回收整個過程，這個圖非常清晰，建議爛熟于心：

然后也要了解常見的垃圾收集器：

吞吐量=單位時間內(nèi)處理的請求數(shù)量=運行代碼時間 / (運行代碼時間 + 垃圾回收時間)

以 ParNew + CMS 為例 ，嘗試回答如下幾個問題：

• 為什么要分代收集?— 關(guān)鍵字：效率
• 對象什么時候進入老年代?— 關(guān)鍵字：年齡、大小
• Young GC 與 Full GC 什么時候發(fā)生?— 關(guān)鍵字：Eden 不足、Old 不足、Meta 不足、map/System.gc

如果我們了解上述的這些知識后，舉個實際例子，當我們發(fā)現(xiàn) Young GC 頻繁觸發(fā)，耗時高，該如何優(yōu)化?

首先思考，Young GC 什么時候觸發(fā)?答案是 Eden 區(qū)不足。

接著，Young GC 耗時主要是哪里耗時?答案是掃描 + 復(fù)制，掃描通常很快，復(fù)制比較慢。

那我們對癥下藥，增加新生代大小試試，結(jié)果真的解決問題了，為什么?我們也分析一下

• 新生代大小為 M 時，假設(shè)對象存活 750ms，young GC間隔 500ms，掃描時間為 T1，復(fù)制時間為 T2
• 新生代大小為 M 時：頻率 2次/s，每次耗時 T1 + T2

新生代擴大為 2M 時：頻率 1次/s，每次耗時 2T1

由于T2遠遠大于T1，所以2T1 < T1 + T2

這就是知識的力量~

工具

Java 棧中的工具，也分為這幾類：

• JDK 自帶：如 jstat、jstack、jmap、jconsole、jvisualvm
• 第三方：MAT(eclipse插件)、GCHisto、GCeasy(在線GC日志分析工具，https://gceasy.io/)
• 開源：大名鼎鼎的Arthas、bistoury(去哪網(wǎng)開源)、Async-profiler

這些工具的原理，我們也需要稍微了解下，比如 Cpu profiler大概有兩類：

• 基于采樣：優(yōu)點是性能開銷低，缺點是采樣有頻率限制，存在SafePoint Bias問題
• 插樁：所有方法添加 AOP 邏輯，優(yōu)點是精準采集，缺點是性能開銷高

比如 uber 開源的 uber-common/jvm-profiler，它就是基于采樣的 Cpu profiler，缺點就是存在 SafePoint Bias 問題，比如有一次排查一個 Cpu 占用問題，就采集到了這樣的火焰圖，可以看到幾乎沒啥用

SafePoint(安全點) 可以簡單理解為 JVM 可以停頓下來的特定位置的點，如果采樣的位置是特定的點，那么采樣就不具有代表性，因為可能在非 SafePoint 時可能消耗了更多的 Cpu，這種現(xiàn)象就被稱為 SafePoint Bias 問題。

但我用另一個 jvm-profiling-tools/async-profiler 來采集，就能看到性能瓶頸：

雖然 Async-profiler 也是基于采樣做，但它能避免 SafePoint Bias 問題，原因是它采用了 AsyncGetCallTrace 的黑科技。于是依據(jù) Async-profiler 給出的火焰圖進行優(yōu)化，Qps 從 58k 漲到 81k，Cpu 反而從72%下降到了41%

數(shù)據(jù)

數(shù)據(jù)包括：

• 監(jiān)控數(shù)據(jù)，如APM、metric、JVM監(jiān)控、分布式鏈路追蹤等等數(shù)據(jù)
• 程序運行數(shù)據(jù)：如業(yè)務(wù)數(shù)據(jù)、AccessLog、GC log、系統(tǒng)日志等

這部分就按實際來分析，沒有統(tǒng)一模板可言。

經(jīng)驗

說了這么多，從經(jīng)驗角度總結(jié)了如下常見問題該從哪些方面入手：

• 執(zhí)行異常：查看日志、debug、請求重放
• 應(yīng)用僵死：jstack
• 耗時高：trace跟蹤、Benchmark
• Cpu利用率高：Cpu profile分析
• GC頻繁、耗時高：GC log分析
• OOM、內(nèi)存占用高、泄漏：dump內(nèi)存分析

案例分享

Cobar僵死，進程端口在，但不能處理請求

先踢掉故障機器，保留現(xiàn)場再排查問題，根據(jù)日志，定位為內(nèi)存泄漏

小思考：能通過日志直接確定是哪里內(nèi)存泄露嗎?— 答案：不能

具體定位可dump內(nèi)存下載到本地分析，文件如果太大，可以先壓縮下

jmap -dump:format=b,file=/cobar.bin ${pid} 

使用 eclipse 的插件 MAT 分析，過程就不放了，結(jié)果是發(fā)現(xiàn)了一個我們對 Cobar 自定義修改導(dǎo)致的 Bug，如果對內(nèi)存分析感興趣，可以直接看我這幾篇實戰(zhàn)文章：

《一次漫長的dubbo網(wǎng)關(guān)內(nèi)存泄露排查經(jīng)歷》

《skywalking內(nèi)存泄露排查》

網(wǎng)關(guān)耗時高

使用 Arthas trace 跟蹤調(diào)用

trace com.beibei.airborne.embed.extension.PojoUtils generalize

接入 Sentinel 導(dǎo)致應(yīng)用僵死

接入限流降級利器 Sentinel 后，配置一條規(guī)則，觸發(fā)后導(dǎo)致應(yīng)用僵死，可使用 jstack 進行排查，一眼就看出問題所在

jstack ${pid} > jstack.txt 

最后

本文最早分享于2019年12月，剛好過去2年，由于是 PPT 整理而來，行文沒有那么絲滑，但問題排查的思路、手段依然是這些，大家學(xué)廢了嗎?