Tomcat 9.0.26 高併發場景下DeadLock問題排查與修復

本文首發於 vivo互聯網技術 微信公衆號 
連接： https://mp.weixin.qq.com/s/-OcCDI4L5GR8vVXSYhXJ7w
做者：黃衛兵、陳錦霞

1、Tomcat容器 9.0.26 版本 Deadlock 問題

1.1 問題現象

1.1.1  發生 Deadlock 的背景

某接口/get.do壓測，3分鐘後，成功事務數TPS由1W驟降至0。

1.1.2  Tomcat服務器出現大量的CLOSE_WAIT

被壓測服務器，出現TCP CLOSE_WAIT狀態個數在200~2W左右。

1.2 初步定位：線程堆棧信息入手

經過jstack打印Tomcat堆棧信息，發現「Found 1 deadlock」

Found one Java-level deadlock:
=============================
"http-nio-8080-exec-409":
waiting to lock monitor 0x00007f064805aa78 (object 0x00000006c0ebf148, a java.util.HashSet),
which is held by "http-nio-8080-ClientPoller"
"http-nio-8080-ClientPoller":
waiting to lock monitor 0x00007f05e8061058 (object 0x00000007bfe40a70, a java.lang.Object),
which is held by "http-nio-8080-exec-205"
"http-nio-8080-exec-205":
waiting to lock monitor 0x00007f0614018448 (object 0x00000006c0e8e088, a java.util.HashSet),
which is held by "http-nio-8080-BlockPoller"
"http-nio-8080-BlockPoller":
waiting to lock monitor 0x0000000001ed06e8 (object 0x00000007bfe110f8, a java.lang.Object),
which is held by "http-nio-8080-exec-380"
"http-nio-8080-exec-380":
waiting to lock monitor 0x00007f064805aa78 (object 0x00000006c0ebf148, a java.util.HashSet),
which is held by "http-nio-8080-ClientPoller"

1.2.1  快速修復方案

內部討論後，認爲當前Tomcat版本可能有Bug。不影響項目進度，簡單修改方案把SpringBoot 使用的Tomcat 9.0.26 降級到Tomcat 8。降級後再次壓測，沒有發現問題。基本上能夠肯定Tomcat 9.0.26 應該是存在 Deadlock 問題。

1.3  問題進一步跟蹤

1.3.1  向Apache社區的反饋

爲了確認問題，咱們試着給Tomcat提交Bug反饋。

從堆棧信息來看，是3類線程5個線程因爲加鎖的順序不致，從而相互等待發生了死鎖。圖形化上面加鎖的過程以下圖。

1.4 問題緣由分析

明確了死鎖的過程，可是哪一個環節出了問題呢。這就須要深刻到源碼層去定位問題。首先須要下載OpenJDK 源碼，而後是Tomcat 9.0.26 的源碼。根據堆棧信息，定位到相應的代碼位置。咱們理出以下圖Tomcat 9.0.26死鎖流程說明。

要比較好的理解上圖，須要對於NIO有必定的瞭解。在Tomcat中NIO主要是理解NIO Endpoint。

Poller是對於Selector的一個封裝，而線程名爲exec-xx的執行線程是Channel的封裝。在NIO中Channel註冊到Selector而後經過SelectionKey來記錄對應關係。到此，主角都上場了。

Poller的run方法做爲後臺線程一直在輪詢（select）準備好的SelectionKey，在輪詢的時候也順便須要把cancelledKey中的SelectionKey給反註冊。執行線程EXEC-XX在處理時會先判斷鏈接的狀態，好比失敗、異常等狀況會調用Channel的close方法去關閉鏈接。

而Channel的close實際只是把SelectionKey加入到cancelledKey。二者都須要先鎖定，但鎖定的順序不一致，從而致使死鎖。

1.4.1  與Tomcat開發者的交流

在提交Bug後，很快獲得了Remy Maucherat的回覆，首先他提到這個NIO內部的死鎖。而後咱們提到NIO內部的死鎖是因爲Poller.run和Poller.canceledKey在併發時導到的。

Remy Maucherat很快就進行了修復，主要是把Poller.canceledKey中close移到了finally中去執行，也就是先讓Poller.run得到鎖。

在獲得修復後，咱們使用替換後的代碼進行了再次壓測，死鎖問題沒有出現了。Remy Maucherat同時提到在最新的OpenJDK中相關問題的修復，但只會出如今jdk 11和14版本。

溝通中的詳情見下圖。

1.4.2  Github上修復的驗證

https://github.com/apache/tomcat/commit/9b1a8b67bffe462fc745b19e15ed59c37e2e1dcf

1.5 結果驗證

使用 https://github.com/apache/tomcat/commit/9b1a8b67bffe462fc745b19e15ed59c37e2e1dcf 提供修復後代碼，從新打包tomcat-embed-core.jar 替換9.X.XX的再次壓測，TPS平穩在1.5W左右。

到此問題基本是定位清楚，並獲得了修復。Remy Maucherat也回覆到「The fix will be in Tomcat 9.0.31+」。

目前Tomcat 最新版本是Tomcat 9.0.30，還須要耐心等待31版本更新。建議使用Tomcat 8版本。

2、相關連接與參考

1. OpenJdk源碼下載
2. Tomcat 源碼
3. 來自阿里云溪社區：斷網故障時Mtop觸發Tomcat高併發場景下的BUG排查和修復
4. 深度解讀Tomcat中的NIO模型 

更多內容敬請關注 vivo 互聯網技術 微信公衆號

注：轉載文章請先與微信號：labs2020 聯繫。