一次线上OOM问题的个人复盘

╰+哭是因爲堅強的太久メ 2023-09-25 21:22 161阅读 0赞

![format_png][]

> 原创：扣钉日记（微信公众号ID：codelogs），欢迎分享，非公众号转载保留此声明。

上个月，我们一个java服务上线后，偶尔会发生内存OOM(Out Of Memory)问题，但由于OOM导致服务不响应请求，健康检查多次不通过，最后部署平台kill了java进程，这导致定位这次OOM问题也变得困难起来。

最终，在多次review代码后发现，是SQL意外地查出大量数据导致的，如下：

<sql id="conditions">
        <where>
            <if test="outerId != null">
                and `outer_id` = #{outerId}
            </if>
            <if test="orderType != null and orderType != ''">
                and `order_type` = #{orderType}
            </if>
            ...
        </where>
    </sql>
    
    <select id="queryListByConditions" resultMap="orderResultMap">
        select * from order <include refid="conditions"/> 
    </select>
    复制代码

查询逻辑类似上面的示例，在Service层有个根据outer\_id的查询方法，然后直接调用了Mapper层一个通用查询方法queryListByConditions。

但我们有个调用量极低的场景，可以不传outer\_id这个参数，导致这个通用查询方法没有添加这个过滤条件，导致查了全表，进而导致OOM问题。

我们内部对这个问题进行了复盘，考虑到OOM问题还是蛮常见的，所以给大家也分享下。

#### 事前 ####

在OOM问题发生前，为什么测试阶段没有发现问题？

其实在编写技术方案时，是有考虑到这个场景的，但在提测时，忘记和测试同学沟通此场景，导致遗漏了此场景的测试验证。

关于测试用例不全面，其实不管是疏忽问题、经验问题、质量意识问题或人手紧张问题，从人的角度来说，都很难彻底避免，人没法像机器那样很听话的、不疏漏的执行任何指令。

既然人做不到，那就让机器来做，这就是单元测试、自动化测试的优势，通过逐步积累测试用例，可覆盖的场景就会越来越多。

当然，实施单元测试等方案，也会增加不少成本，需要权衡质量与研发效率谁更重要，毕竟在需求不能砍的情况下，质量与效率只能二选其一，这是任何一本项目管理的书都提到过的。

#### 事中 ####

在感知到OOM问题发生时，由于进程被部署平台kill，导致现场丢失，难以快速定位到问题点。

一般java里面是推荐使用`-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/home/dump/`这种JVM参数来保存现场的，这两个参数的意思是，当JVM发生OOM异常时，自动dump堆内存到文件中，但在我们的场景中，这个方案难以生效，如下：

1.  在堆占满之前，会发生很多次FGC，jvm会尽最大努力腾挪空间，导致还没有OOM时，系统实际已经不响应了，然后被kill了，这种场景无dump文件生成。
2.  就算有时幸运，JVM发生了OOM异常开始dump，由于dump文件过大(我们约10G)，导致dump文件还没保存完，进程就被kill了，这种场景dump文件不完整，无法使用。

为了解决这个问题，有如下2种方案：

方案1：利用k8s容器生命周期内的Hook

我们部署平台是套壳k8s的，k8s提供了preStop生命周期钩子，在容器销毁前会先执行此钩子，只要将`jmap -dump`命令放入preStop中，就可以在k8s健康检查不通过并kill容器前将内存dump出来。

要注意的是，正常发布也会调用此钩子，需要想办法绕过，我们的办法是将健康检查也做成脚本，当不通过时创建一个临时文件，然后在preStop脚本中判断存在此文件才dump，preStop脚本如下：

if [ -f "/tmp/health_check_failed" ]; then
        echo "Health check failed, perform dumping and cleanups...";
        pid=`ps h -o pid --sort=-pmem -C java|head -n1|xargs`;
        if [[ $pid ]]; then
            jmap -dump:format=b,file=/home/work/logs/applogs/heap.hprof $pid
        fi
    else
        echo "No health check failure detected. Exiting gracefully.";
    fi 
    复制代码

> 注：也可以考虑在堆占用高时才dump内存，效果应该差不多。

方案2：容器中挂脚本监控堆占用，占用高时自动dump

#!/bin/bash
    
    while sleep 1; do
        now_time=$(date +%F_%H-%M-%S)
        pid=`ps h -o pid --sort=-pmem -C java|head -n1|xargs`;
        [[ ! $pid ]] && { unset n pre_fgc; sleep 1m; continue; }
        data=$(jstat -gcutil $pid|awk 'NR>1{print $4,$(NF-2)}');
        read old fgc <<<"$data";
        echo "$now_time: $old $fgc";
        if [[ $(echo $old|awk '$1>80{print $0}') ]]; then
            (( n++ ))
        else
            (( n=0 ))
        fi
        if [[ $n -ge 3 || $pre_fgc && $fgc -gt $pre_fgc && $n -ge 1 ]]; then
            jstack $pid > /home/dump/jstack-$now_time.log;
            if [[ "$@" =~ dump ]];then
                jmap -dump:format=b,file=/home/dump/heap-$now_time.hprof $pid;
            else
                jmap -histo $pid > /home/dump/histo-$now_time.log;
            fi
            { unset n pre_fgc; sleep 1m; continue; }
        fi
        pre_fgc=$fgc
    done
    复制代码

每秒检查老年代占用，3次超过80%或发生一次FGC后还超过80%，记录jstack、jmap数据，此脚本保存为jvm\_old\_mon.sh文件。

然后在程序启动脚本中加入`nohup bash jvm_old_mon.sh dump &`即可，添加dump参数时会执行`jmap -dump`导全部堆数据，不添加时执行`jmap -histo`导对象分布情况。

#### 事后 ####

为了避免同类OOM case再次发生，可以对查询进行兜底，在底层对查询SQL改写，当发现查询没有limit时，自动添加limit xxx，避免查询大量数据。  
优点：对数据库友好，查询数据量少。  
缺点：添加limit后可能会导致查询漏数据，或使得本来会OOM异常的程序，添加limit后正常返回，并执行了后面意外的处理。

我们使用了Druid连接池，使用Druid Filter实现的话，大致如下：

public class SqlLimitFilter extends FilterAdapter {
        // 匹配limit 100或limit 100,100
        private static final Pattern HAS_LIMIT_PAT = Pattern.compile(
                "LIMIT\\s+[\\d?]+(\\s*,\\s*[\\d+?])?\\s*$", Pattern.CASE_INSENSITIVE);
        private static final int MAX_ALLOW_ROWS = 20000;
    
        /**
         * 若查询语句没有limit，自动加limit
         * @return 新sql
         */
        private String rewriteSql(String sql) {
            String trimSql = StringUtils.stripToEmpty(sql);
            // 不是查询sql，不重写
            if (!StringUtils.lowerCase(trimSql).startsWith("select")) {
                return sql;
            }
            // 去掉尾部分号
            boolean hasSemicolon = false;
            if (trimSql.endsWith(";")) {
                hasSemicolon = true;
                trimSql = trimSql.substring(0, trimSql.length() - 1);
            }
            // 还包含分号，说明是多条sql，不重写
            if (trimSql.contains(";")) {
                return sql;
            }
            // 有limit语句，不重写
            int idx = StringUtils.lowerCase(trimSql).indexOf("limit");
            if (idx > -1 && HAS_LIMIT_PAT.matcher(trimSql.substring(idx)).find()) {
                return sql;
            }
            StringBuilder sqlSb = new StringBuilder();
            sqlSb.append(trimSql).append(" LIMIT ").append(MAX_ALLOW_ROWS);
            if (hasSemicolon) {
                sqlSb.append(";");
            }
            return sqlSb.toString();
        }
    
        @Override
        public PreparedStatementProxy connection_prepareStatement(FilterChain chain, ConnectionProxy connection, String sql)
                throws SQLException {
            String newSql = rewriteSql(sql);
            return super.connection_prepareStatement(chain, connection, newSql);
        }
        //...此处省略了其它重载方法
    }
    复制代码

本来还想过一种方案，使用MySQL的流式查询并拦截jdbc层`ResultSet.next()`方法，在此方法调用超过指定次数时抛异常，但最终发现MySQL驱动在`ResultSet.close()`方法调用时，还是会读取剩余未读数据，查询没法提前终止，故放弃之。

[format_png]: https://img-blog.csdnimg.cn/img_convert/56255ed1453999cf66622bf326b822f5.webp?x-oss-process=image/format,png