Java 應用線上問題排查思路、工具小結

Java 應用線上問題排查思路、工具小結

❝

原文地址：Java 應用線上問題排查小結

原創不易，轉載請註明出處。

❞

前言

本文總結了一些Java應用線上常見問題的定位步驟，分享的主要目的是想讓對線上問題接觸少的同窗有個預先認知，省得在遇到實際問題時手忙腳亂。畢竟做者本身也是從手忙腳亂時走過來的。

只不過這裏先提示一下。在線上應急過程當中要記住，只有一個整體目標：「儘快恢復服務，消除影響」。 無論處於應急的哪一個階段，咱們首先必須想到的是恢復問題，恢復問題不必定可以定位問題，也不必定有完美的解決方案，也許是經過經驗判斷，也許是預設開關等，但均可能讓咱們達到快速恢復的目的，而後保留部分現場，再去定位問題、解決問題和覆盤。

好，如今讓咱們進入正題吧。

1、CPU 利用率高/飆升

❝

注：CPU使用率是衡量系統繁忙程度的重要指標。可是「CPU使用率的安全閾值是相對的，取決於你的系統的IO密集型仍是計算密集型」。通常計算密集型應用CPU使用率偏高load偏低，IO密集型相反。

❞

「常見緣由：」

• 頻繁 gc
• 死循環、線程阻塞、io wait...etc

模擬

這裏爲了演示，用一個最簡單的死循環來模擬CPU飆升的場景，下面是模擬代碼，

在一個最簡單的SpringBoot Web 項目中增長CpuReaper這個類，

/**  * 模擬 cpu 飆升場景  * @author Richard_yyf  */ @Component public class CpuReaper {   @PostConstruct  public void cpuReaper() {  int num = 0;  long start = System.currentTimeMillis() / 1000;  while (true) {  num = num + 1;  if (num == Integer.MAX_VALUE) {  System.out.println("reset");  num = 0;  }  if ((System.currentTimeMillis() / 1000) - start > 1000) {  return;  }  }  } } 複製代碼

打包成jar以後，在服務器上運行。java -jar cpu-reaper.jar &

第一步：定位出問題的線程

方法 a: 傳統的方法

1. top 定位CPU 最高的進程

   執行top命令，查看全部進程佔系統CPU的排序，定位是哪一個進程搞的鬼。在本例中就是我們的java進程。PID那一列就是進程號。(對指示符含義不清楚的見【附錄】)

   

2. top -Hp pid 定位使用 CPU 最高的線程

   

3. printf '0x%x' tid 線程 id 轉化 16 進制

 > printf '0x%x' 12817
 > 0x3211 複製代碼

4. jstack pid | grep tid 找到線程堆棧

 > jstack 12816 | grep 0x3211 -A 30
複製代碼

方法 b: show-busy-java-threads

這個腳原本自於github上一個開源項目，項目提供了不少有用的腳本，show-busy-java-threads就是其中的一個。使用這個腳本，能夠直接簡化方法A中的繁瑣步驟。以下，

> wget --no-check-certificate https://raw.github.com/oldratlee/useful-scripts/release-2.x/bin/show-busy-java-threads
> chmod +x show-busy-java-threads  > ./show-busy-java-threads 複製代碼

show-busy-java-threads
# 從全部運行的Java進程中找出最消耗CPU的線程（缺省5個），打印出其線程棧  # 缺省會自動從全部的Java進程中找出最消耗CPU的線程，這樣用更方便 # 固然你能夠手動指定要分析的Java進程Id，以保證只會顯示你關心的那個Java進程的信息 show-busy-java-threads -p <指定的Java進程Id>  show-busy-java-threads -c <要顯示的線程棧數> 複製代碼

方法 c: arthas thread

阿里開源的arthas如今已經幾乎包攬了咱們線上排查問題的工做，提供了一個很完整的工具集。在這個場景中，也只須要一個thread -n命令便可。

> curl -O https://arthas.gitee.io/arthas-boot.jar # 下載
複製代碼

❝

要注意的是，arthas的cpu佔比，和前面兩種cpu佔比統計方式不一樣。前面兩種針對的是Java進程啓動開始到如今的cpu佔比狀況，arthas這種是一段採樣間隔內，當前JVM裏各個線程所佔用的cpu時間佔總cpu時間的百分比。

具體見官網：https://alibaba.github.io/arthas/thread.html

❞

後續

經過第一步，找出有問題的代碼以後，觀察到線程棧以後。咱們「就要根據具體問題來具體分析」。這裏舉幾個例子。

狀況一：發現使用CPU最高的都是GC 線程。

GC task thread#0 (ParallelGC)" os_prio=0 tid=0x00007fd99001f800 nid=0x779 runnable GC task thread#1 (ParallelGC)" os_prio=0 tid=0x00007fd990021800 nid=0x77a runnable GC task thread#2 (ParallelGC)" os_prio=0 tid=0x00007fd990023000 nid=0x77b runnable GC task thread#3 (ParallelGC)" os_prio=0 tid=0x00007fd990025000 nid=0x77c runnabl 複製代碼

gc 排查的內容較多，因此我決定在後面單獨列一節講述。

狀況二：發現使用CPU最高的是業務線程

• io wait

  • 好比 此例中，就是由於磁盤空間不夠致使的io阻塞
• 等待內核態鎖，如 synchronized

  • jstack -l pid | grep BLOCKED 查看阻塞態線程堆棧
  • dump 線程棧，分析線程持鎖狀況。
  • arthas提供了 thread -b，能夠找出當前阻塞其餘線程的線程。針對 synchronized 狀況

2、頻繁 GC

1. 回顧GC流程

在瞭解下面內容以前，請先花點時間回顧一下GC的整個流程。

---

接前面的內容，這個狀況下，咱們天然而然想到去查看gc 的具體狀況。

• 方法a : 查看gc 日誌
• 方法b : jstat -gcutil 進程號 統計間隔毫秒 統計次數（缺省表明一致統計
• 方法c : 若是所在公司有對應用進行監控的組件固然更方便（好比Prometheus + Grafana）

這裏對開啓 gc log 進行補充說明。一個經常被討論的問題（慣性思惟）是在生產環境中GC日誌是否應該開啓。由於它所產生的開銷一般都很是有限，所以個人答案是須要「開啓」。但並不必定在啓動JVM時就必須指定GC日誌參數。

❝

HotSpot JVM有一類特別的參數叫作可管理的參數。對於這些參數，能夠在運行時修改他們的值。咱們這裏所討論的全部參數以及以「PrintGC」開頭的參數都是可管理的參數。這樣在任什麼時候候咱們均可以開啓或是關閉GC日誌。好比咱們可使用JDK自帶的jinfo工具來設置這些參數，或者是經過JMX客戶端調用HotSpotDiagnostic MXBean的setVMOption方法來設置這些參數。

這裏再次大讚arthas❤️，它提供的vmoption命令能夠直接查看，更新VM診斷相關的參數。

❞

獲取到gc日誌以後，能夠上傳到GC easy幫助分析，獲得可視化的圖表分析結果。

2. GC 緣由及定位

「prommotion failed」

從S區晉升的對象在老年代也放不下致使 FullGC（fgc 回收無效則拋 OOM）。

可能緣由：

• 「survivor 區過小，對象過早進入老年代」

  查看 SurvivorRatio 參數

• 「大對象分配，沒有足夠的內存」

  dump 堆，profiler/MAT 分析對象佔用狀況

• 「old 區存在大量對象」

  dump 堆，profiler/MAT 分析對象佔用狀況

你也能夠從full GC 的效果來推斷問題，正常狀況下，一次full GC應該會回收大量內存，因此 「正常的堆內存曲線應該是呈鋸齒形」。若是你發現full gc 以後堆內存幾乎沒有降低，那麼能夠推斷： 「堆中有大量不能回收的對象且在不停膨脹，使堆的使用佔比超過full GC的觸發閾值，但又回收不掉，致使full GC一直執行。「換句話來講，多是」內存泄露」了。

通常來講，GC相關的異常推斷都須要涉及到「內存分析」，使用jmap之類的工具dump出內存快照（或者 Arthas的heapdump）命令，而後使用MAT、JProfiler、JVisualVM等可視化內存分析工具。

至於內存分析以後的步驟，就須要小夥伴們根據具體問題具體分析啦。

3、線程池異常

Java 線程池以有界隊列的線程池爲例，當新任務提交時，若是運行的線程少於 corePoolSize，則建立新線程來處理請求。若是正在運行的線程數等於 corePoolSize 時，則新任務被添加到隊列中，直到隊列滿。當隊列滿了後，會繼續開闢新線程來處理任務，但不超過 maximumPoolSize。當任務隊列滿了而且已開闢了最大線程數，此時又來了新任務，ThreadPoolExecutor 會拒絕服務。

常見問題和緣由

這種線程池異常，通常有如下幾種緣由：

1. 「下游服務 響應時間（RT）過長」

   這種狀況有多是由於下游服務異常致使的，做爲消費者咱們要設置合適的超時時間和熔斷降級機制。

   另外針對這種狀況，通常都要有對應的監控機制：好比日誌監控、metrics監控告警等，不要等到目標用戶感受到異常，從外部反映進來問題纔去看日誌查。

2. 「數據庫慢 sql 或者數據庫死鎖」

查看日誌關鍵詞

3. 「Java 代碼死鎖」

   jstack –l pid | grep -i –E 'BLOCKED | deadlock'

上述前兩種問題的排查辦法，通常都是經過查看日誌或者一些監控組件。

4、常見問題恢復

❝

這一部份內容參考自此篇文章

❞

5、Arthas

這裏仍是想單獨用一節安利一下Arthas這個工具。

Arthas 是阿里巴巴開源的Java 診斷工具，基於 Java Agent 方式，使用 Instrumentation 方式修改字節碼方式進行 Java 應用診斷。

• dashboard ：系統實時數據面板, 可查看線程，內存，gc 等信息

• thread ：查看當前線程信息，查看線程的堆棧，如查看最繁忙的前 n 線程

• getstatic：獲取靜態屬性值，如 getstatic className attrName 可用於查看線上開關真實值

• sc：查看 jvm 已加載類信息，可用於排查 jar 包衝突

• sm：查看 jvm 已加載類的方法信息

• jad：反編譯 jvm 加載類信息,排查代碼邏輯沒執行緣由

• logger：查看logger信息，更新logger level

• watch：觀測方法執行數據，包含出參、入參、異常等

• trace：方法內部調用時長，並輸出每一個節點的耗時，用於性能分析

• tt：用於記錄方法，並作回放

❝

以上內容節選自Arthas官方文檔。

❞

另外，Arthas裏的 還集成了 ognl 這個輕量級的表達式引擎，經過ognl，你能夠用arthas 實現不少的「騷」操做。

其餘的這裏就很少說了，感興趣的能夠去看看arthas的官方文檔、github issue。

6、涉及工具

再說下一些工具。

• Arthas（超級推薦❤️❤️）
• useful-scripts
• GC easy
• Smart Java thread dump analyzer - thread dump analysis in seconds
• PerfMa - Java虛擬機參數/線程dump/內存dump分析
• Linux 命令
• Java N 板斧
• MAT、JProfiler...等可視化內存分析工具

結語

我知道我這篇文章對於線上異常的概括並不全面，還有「網絡（超時、TCP隊列溢出...）」、堆外內存等不少的異常場景沒有涉及。主要是由於本身接觸不多，沒有深入體會研究過，強行寫出來免不得會差點意思，更怕的是誤了別人😅。

還有想說的就是，Java 應用線上排查實際很是考究一我的基礎是否紮實、解決問題能力是否過關。好比線程池運行機制、gc分析、Java 內存分析等等，若是基礎不紮實，看了更多的是一頭霧水。另外就是，多看看網上一些好的關於異常排查的經驗文章，這樣即便本身暫時遇不到，可是會在腦海裏面慢慢總結出一套解決相似問題的結構框架，到時候真的遇到了，也就是舉一反三的事情罷了。

❝

若是本文有幫助到你，但願能點個贊，這是對個人最大動力🤝🤝🤗🤗。

❞

參考

• https://developer.aliyun.com/article/757655
• Arthas 3.2.0 文檔
• 《分佈式服務架構：原理、設計與實戰》

附錄

top 命令顯示的指示符的含義

指示符	含義
PID	進程id
USER	進程全部者
PR	進程優先級
NI	nice值。負值表示高優先級，正值表示低優先級
VIRT	進程使用的虛擬內存總量，單位kb。VIRT=SWAP+RES
RES	進程使用的、未被換出的物理內存大小，單位kb。RES=CODE+DATA
SHR	共享內存大小，單位kb
S	進程狀態。D=不可中斷的睡眠狀態 R=運行 S=睡眠 T=跟蹤/中止 Z=殭屍進程
%CPU	上次更新到如今的CPU時間佔用百分比
%MEM	進程使用的物理內存百分比
TIME+	進程使用的CPU時間總計，單位1/100秒
COMMAND	進程名稱（命令名/命令行）