体验了一把线上CPU100%及应用OOM的排查和解决过程

短命女 2023-01-02 01:29 313阅读 0赞

点击上方☝，轻松关注！

及时获取有趣有料的技术文章

![format_png][]

> “
> 
> 下面是我遇到的问题，以及一些简单的排查思路，如有不对的地方，欢迎留言讨论。如果你已经遇到 InMemoryReporterMetrics 导致的OOM问题，并已经解决，则可忽略此文。若你对CPU100%以及线上应用OOM排查思路不清楚，可以浏览下本文。

# 问题现象 #

**【告警通知-应用异常告警】**![format_png 1][]简单看下告警的信息：**拒绝连接**，反正就是服务有问题了，请不要太在意马赛克。

# 环境说明 #

Spring Cloud F版。

项目中默认使用 spring-cloud-sleuth-zipkin 依赖得到 zipkin-reporter。分析的版本发现是 zipkin-reporter版本是 2.7.3 。

<dependency>
     <groupId>org.springframework.cloud</groupId>
     <artifactId>spring-cloud-sleuth-zipkin</artifactId>
    </dependency>
      
    版本：2.0.0.RELEASE

![format_png 2][] 版本说明

# 问题排查 #

通过告警信息，知道是哪一台服务器的哪个服务出现问题。首先登录服务器进行检查。

## 1、检查服务状态和验证健康检查URL是否ok ##

> “
> 
> 这一步可忽略/跳过，与实际公司的的健康检查相关，不具有通用性。

①查看服务的进程是否存在。

> “
> 
> ps -ef | grep  服务名 ps -aux | grep 服务名

②查看对应服务健康检查的地址是否正常，检查 ip port 是否正确

> “
> 
> 是不是告警服务检查的url配置错了，一般这个不会出现问题

③验证健康检查地址

> “
> 
> 这个健康检查地址如：http://192.168.1.110:20606/serviceCheck 检查 IP 和 Port 是否正确。

# 服务正常返回结果
    curl http://192.168.1.110:20606/serviceCheck
    {"appName":"test-app","status":"UP"}
    
    # 服务异常，服务挂掉
    curl http://192.168.1.110:20606/serviceCheck
    curl: (7) couldn't connect to host

## 2、查看服务的日志 ##

查看服务的日志是否还在打印，是否有请求进来。查看发现服务OOM了。

![format_png 3][] OOM错误

tips：java.lang.OutOfMemoryError GC overhead limit exceeded

> oracle官方给出了这个错误产生的原因和解决方法：Exception in thread thread\_name: java.lang.OutOfMemoryError: GC Overhead limit exceeded Cause: The detail message "GC overhead limit exceeded" indicates that the garbage collector is running all the time and Java program is making very slow progress. After a garbage collection, if the Java process is spending more than approximately 98% of its time doing garbage collection and if it is recovering less than 2% of the heap and has been doing so far the last 5 (compile time constant) consecutive garbage collections, then a java.lang.OutOfMemoryError is thrown. This exception is typically thrown because the amount of live data barely fits into the Java heap having little free space for new allocations. Action: Increase the heap size. The java.lang.OutOfMemoryError exception for GC Overhead limit exceeded can be turned off with the command line flag -XX:-UseGCOverheadLimit.

原因：大概意思就是说，JVM花费了98%的时间进行垃圾回收，而只得到2%可用的内存，频繁的进行内存回收(最起码已经进行了5次连续的垃圾回收)，JVM就会曝出ava.lang.OutOfMemoryError: GC overhead limit exceeded错误。![format_png 4][]

上面tips来源：java.lang.OutOfMemoryError GC overhead limit exceeded原因分析及解决方案

## 3、检查服务器资源占用状况 ##

查询系统中各个进程的资源占用状况，使用 top 命令。查看出有一个进程为  11441  的进程 CPU 使用率达到300%，如下截图：

![format_png 5][] CPU爆表

然后 查询这个进程下所有线程的CPU使用情况：

> “
> 
> top -H -p pid 保存文件：top -H -n 1 -p pid > /tmp/pid\_top.txt

# top -H -p 11441
    PID USER      PR  NI  VIRT  RES  SHR S %CPU %MEM    TIME+  COMMAND
    11447 test    20   0 4776m 1.6g  13m R 92.4 20.3  74:54.19 java
    11444 test    20   0 4776m 1.6g  13m R 91.8 20.3  74:52.53 java
    11445 test    20   0 4776m 1.6g  13m R 91.8 20.3  74:50.14 java
    11446 test    20   0 4776m 1.6g  13m R 91.4 20.3  74:53.97 java
    ....

查看 PID：11441 下面的线程，发现有几个线程占用cpu较高。

## 4、保存堆栈数据 ##

**1、打印系统负载快照**  
top -b -n 2 > /tmp/top.txt  
top -H -n 1 -p pid > /tmp/pid\_top.txt

2、cpu升序打印进程对应线程列表  
ps -mp-o THREAD,tid,time | sort -k2r > /tmp/进程号\_threads.txt

3、看tcp连接数 (最好多次采样)  
lsof -p 进程号 > /tmp/进程号\_lsof.txt  
lsof -p 进程号 > /tmp/进程号\_lsof2.txt

**4、查看线程信息 (最好多次采样)**  
jstack -l 进程号 > /tmp/进程号\_jstack.txt  
jstack -l 进程号 > /tmp/进程号\_jstack2.txt  
jstack -l 进程号 > /tmp/进程号\_jstack3.txt

**5、查看堆内存占用概况**  
jmap -heap 进程号 > /tmp/进程号\_jmap\_heap.txt

**6、查看堆中对象的统计信息**  
jmap -histo 进程号 | head -n 100 > /tmp/进程号\_jmap\_histo.txt

**7、查看GC统计信息**  
jstat -gcutil 进程号 > /tmp/进程号\_jstat\_gc.txt  
  
**8、生产对堆快照Heap dump**  
jmap -dump:format=b,file=/tmp/进程号\_jmap\_dump.hprof 进程号

> “
> 
> 堆的全部数据，生成的文件较大。

jmap -dump:live,format=b,file=/tmp/进程号\_live\_jmap\_dump.hprof 进程号

> “
> 
> dump:live,这个参数表示我们需要抓取目前在生命周期内的内存对象，也就是说GC收不走的对象，一般用这个就行。

拿到出现问题的快照数据，然后重启服务。

# 问题分析 #

根据上述的操作，已经获取了出现问题的服务的GC信息、线程堆栈、堆快照等数据。下面就进行分析，看问题到底出在哪里。

## 1、分析cpu占用100%的线程 ##

### 转换线程ID ###

从jstack生成的线程堆栈进程分析。

将 上面线程ID 为  
11447 ：0x2cb7  
11444 ：0x2cb4  
11445 ：0x2cb5  
11446 ：0x2cb6  
转为 16进制（jstack命令输出文件记录的线程ID是16进制）。  
第一种转换方法 :

$ printf “0x%x” 11447
    “0x2cb7”

第二种转换方法 :  在转换的结果加上 0x即可。

![format_png 6][]

### 查找线程堆栈 ###

$ cat 11441_jstack.txt | grep "GC task thread"
    "GC task thread#0 (ParallelGC)" os_prio=0 tid=0x00007f971401e000 nid=0x2cb4 runnable
    "GC task thread#1 (ParallelGC)" os_prio=0 tid=0x00007f9714020000 nid=0x2cb5 runnable
    "GC task thread#2 (ParallelGC)" os_prio=0 tid=0x00007f9714022000 nid=0x2cb6 runnable
    "GC task thread#3 (ParallelGC)" os_prio=0 tid=0x00007f9714023800 nid=0x2cb7 runnable

发现这些线程都是在做GC操作。

## 2、分析生成的GC文件 ##

S0     S1     E      O      M     CCS    YGC     YGCT    FGC    FGCT     GCT   
      0.00   0.00 100.00  99.94  90.56  87.86    875    9.307  3223 5313.139 5322.446

*  S0：幸存1区当前使用比例
 *  S1：幸存2区当前使用比例
 *  E：Eden Space（伊甸园）区使用比例
 *  O：Old Gen（老年代）使用比例
 *  M：元数据区使用比例
 *  CCS：压缩使用比例
 *  YGC：年轻代垃圾回收次数
 *  FGC：老年代垃圾回收次数
 *  FGCT：老年代垃圾回收消耗时间
 *  GCT：垃圾回收消耗总时间

FGC 十分频繁。

## 3、分析生成的堆快照 ##

使用 Eclipse Memory Analyzer 工具。下载地址：https://www.eclipse.org/mat/downloads.php

分析的结果：

![format_png 7][]  
![format_png 8][]看到堆积的大对象的具体内容：![format_png 9][]

问题大致原因，**InMemoryReporterMetrics 引起的OOM。**  
**zipkin2.reporter.InMemoryReporterMetrics** @ 0xc1aeaea8  
Shallow Size: 24 B Retained Size: 925.9 MB

也可以使用：Java内存Dump(https://www.perfma.com/docs/memory/memory-start)进行分析，如下截图，功能没有MAT强大，有些功能需收费。

![format_png 10][]

## 4、原因分析和验证 ##

因为出现了这个问题，查看出现问题的这个服务  **zipkin**的配置，和其他服务没有区别。发现配置都一样。

然后看在试着对应的 zipkin 的jar包，发现出现问题的这个服务依赖的 **zipkin**版本较低。

有问题的服务的 **zipkin-reporter-2.7.3.jar  
其他没有问题的服务 依赖的包 ：zipkin-reporter-2.8.4.jar**

![format_png 11][]  
**将有问题的服务依赖的包版本升级，在测试环境进行验证，查看堆栈快照发现没有此问题了。**

# 原因探索 #

查 zipkin-reporter的 github：搜索 相应的资料  
https://github.com/openzipkin/zipkin-reporter-java/issues?q=InMemoryReporterMetrics  
找到此 下面这个issues：  
https://github.com/openzipkin/zipkin-reporter-java/issues/139  
  
![format_png 12][]

修复代码和验证代码：  
https://github.com/openzipkin/zipkin-reporter-java/pull/119/files  
  
对比两个版本代码的差异：![format_png 13][]简单的DEMO验证：

// 修复前的代码：
      private final ConcurrentHashMap<Throwable, AtomicLong> messagesDropped =
          new ConcurrentHashMap<Throwable, AtomicLong>();
    // 修复后的代码：
      private final ConcurrentHashMap<Class<? extends Throwable>, AtomicLong> messagesDropped =
          new ConcurrentHashMap<>();

修复后使用 这个key ：Class<? extends Throwable>  替换  Throwable。

简单验证：

![format_png 14][] ![format_png 15][]

# 解决方案 #

将zipkin-reporter 版本进行升级即可。使用下面依赖配置，引入的 **zipkin-reporter版本为  2.8.4 。**

<dependency>
      <groupId>io.zipkin.brave</groupId>
      <artifactId>brave</artifactId>
      <version>5.6.4</version>
    </dependency>

小建议：配置JVM参数的时候还是加上下面参数,设置内存溢出的时候输出堆栈快照.

-XX:+HeapDumpOnOutOfMemoryError 
     -XX:HeapDumpPath=path/filename.hprof

# 参考文章 #

记一次sleuth发送zipkin异常引起的OOM  
https://www.jianshu.com/p/f8c74943ccd8

# 彩蛋 #

附上：百度搜索还是有点坑

![format_png 16][] 有点坑

**推荐阅读** ：

[一文学会Java死锁和CPU 100% 问题的排查技巧][Java_CPU 100_]

> “
> 
> 微信公众号不能打开外链，如需查看外链，请点击**阅读原文**。

上面就是本次文章的全部内容，感谢你的阅读，希望对你有帮助，也欢迎你点赞留言和转发~

See you next good day~

![format_png 17][]

![format_png 18][]

**一个技术人珍藏的武学【[秘籍][Link 1]】![format_png 19][]**

**点亮在看**![format_png 20][]

[format_png]: /images/20221120/6dda787a0c2142608cad17883a56f478.png
[format_png 1]: /images/20221120/8b72d69f73ae47a5accc0ef872d27de3.png
[format_png 2]: /images/20221120/6b1e4ace91ce4de88e7587b5676707d0.png
[format_png 3]: /images/20221120/714fe470805f4d608dc8c3ecbfdba99d.png
[format_png 4]: /images/20221120/f7f991f289b048758787f902967c8490.png
[format_png 5]: /images/20221120/d3526103632a4e81b4b36b290109b46d.png
[format_png 6]: /images/20221120/3ad49ad871f74023b4dc21d74d5c29e1.png
[format_png 7]: /images/20221120/7fc88a98f712438eacc8459e9a3b9bd0.png
[format_png 8]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy95emlhYk43cEsyWWlhak1zRTU2ZmpvTkI4eXVValFaNFk4Vk5FY1hUZ1Q1dXI4eTlRUzNzcmRmd2ljbWFyQnQzTTBFcVViQjhyUzRiSnF0SE1UdVVpYk5mYWcvNjQw?x-oss-process=image/format,png
[format_png 9]: /images/20221120/8313f83e190b4e28ba5059c55e3b3fed.png
[format_png 10]: /images/20221120/4d74f0a07922470aab78a3c397dadd38.png
[format_png 11]: /images/20221120/ef7ee5449bbb48188b241f5cbb95eba1.png
[format_png 12]: /images/20221120/e23806db8bcf450088413f792a13d959.png
[format_png 13]: /images/20221120/c90c03df5319487c9d44887db8bf8ace.png
[format_png 14]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy95emlhYk43cEsyWWlhak1zRTU2ZmpvTkI4eXVValFaNFk4MHFpYjJ2c3hYc3QwdHhaYm5pY2ljZkxNcmpJQUdDQjJveWliYkxyR3B6bmZtTEpITDlyQTI1anVSUS82NDA?x-oss-process=image/format,png
[format_png 15]: /images/20221120/2db00f2b65604590a1820e5b79a57aee.png
[format_png 16]: /images/20221120/c2d1b8546d0e4780956c321b186287fc.png
[Java_CPU 100_]: http://mp.weixin.qq.com/s?__biz=MzI2NjA2MTYzMQ%3D%3D&chksm=f28c0c99c5fb858f5876d50ef8e00f722ff01fe781e3eeaca9a95dfa6369f03dc6474c95e35d&idx=1&mid=2649456329&scene=21&sn=7285e2df04a4319006ba2315409d1e4d#wechat_redirect
[format_png 17]: /images/20221120/4e58637f9e3742cd8cae372708d71ebc.png
[format_png 18]: /images/20221120/850b81d17a8c46f391e49c37692b08f5.png
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzI2NjA2MTYzMQ%3D%3D&chksm=f28c0d93c5fb848583366346c5967f77821cf3ae7b6a9eff85ede933ef075641433544b36805&idx=2&mid=2649456579&scene=21&sn=0c8ff12cdd7d48c01ec3bc2d647fdda3#wechat_redirect
[format_png 19]: /images/20221120/edfaa96387b849319d8703dd334c4c42.png
[format_png 20]: /images/20221120/3d86156bce2b4516811dd950da6f70b1.png