线上问题排查思路、工具小结

​前言​

本文总结了一些常见的​​线上应急现象​​​和​​对应排查步骤​​​和​​工具​​。分享的主要目的是想让对线上问题接触少的同学有个预先认知，免得在遇到实际问题时手忙脚乱。

只不过这里先提示一下。在线上应急过程中要记住，只有一个总体目标：​尽快恢复服务，消除影响​。不管处于应急的哪个阶段，我们首先必须想到的是恢复问题，恢复问题不一定能够定位问题，也不一定有完美的解决方案，也许是通过经验判断，也许是预设开关等，但都可能让我们达到快速恢复的目的，然后​保留部分现场，再去定位问题、解决问题和复盘​。

在大多数情况下，我们都是先优先恢复服务，保留下当时的异常信息（内存dump、线程dump、gc log等等，在紧急情况下甚至可以不用保留，等到事后去复现），等到服务正常，再去复盘问题。

好，现在让我们进入正题吧。

​常见现象：CPU 利用率高/飙升​

​场景预设：​

监控系统突然告警，提示服务器负载异常。

​预先说明：​

CPU飙升只是一种现象，其中具体的问题可能有很多种，这里只是借这个现象切入。

注：CPU使用率是衡量系统繁忙程度的重要指标。但是​CPU使用率的安全阈值是相对的，取决于你的系统的IO密集型还是计算密集型​。一般计算密集型应用CPU使用率偏高load偏低，IO密集型相反。

​常见原因：​

• 频繁 gc

• 死循环、线程阻塞、io wait...etc

​模拟​

这里为了演示，用一个最简单的死循环来模拟CPU飙升的场景，下面是模拟代码，

在一个最简单的SpringBoot Web 项目中增加​​CpuReaper​​这个类，

/**
 * 模拟 cpu 飙升场景
 * @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;
      }
    }
  }
}

打包成jar之后，在服务器上运行。​​java \-jar cpu-reaper.jar &​​

​第一步：定位出问题的线程​

方法 A: 传统的方法

1. ​​top​​ 定位CPU 最高的进程

   执行​​top​​命令，查看所有进程占系统CPU的排序，定位是哪个进程搞的鬼。在本例中就是咱们的java进程。PID那一列就是进程号。(对指示符含义不清楚的见【附录】)

2. 

3. ​​top \-Hp pid​​ 定位使用 CPU 最高的线程

4. 

5. ​​printf '0x%x' tid​​ 线程 id 转化 16 进制

> printf '0x%x' 12817> 0x3211

1. ​​jstack pid | grep tid​​ 找到线程堆栈

> jstack 12816 | grep 0x3211 -A 30

方法 B: show-busy-java-threads

这个脚本来自于github上一个开源项目，项目提供了很多有用的脚本，​​show-busy-java-threads​​就是其中的一个。使用这个脚本，可以直接简化方法A中的繁琐步骤。如下，

> 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

show-busy-java-threads
# 从所有运行的Java进程中找出最消耗CPU的线程（缺省5个），打印出其线程栈
# 缺省会自动从所有的Java进程中找出最消耗CPU的线程，这样用更方便
# 当然你可以手动指定要分析的Java进程Id，以保证只会显示你关心的那个Java进程的信息
show-busy-java-threads -p <指定的Java进程Id>

show-busy-java-threads -c <要显示的线程栈数>

方法 C: arthas ​​thread​​

阿里开源的arthas现在已经几乎包揽了我们线上排查问题的工作，提供了一个很完整的工具集。在这个场景中，也只需要一个​​thread \-n​​命令即可。

> curl -O https://arthas.gitee.io/arthas-boot.jar # 下载

要注意的是，arthas的cpu占比，和前面两种cpu占比统计方式不同。前面两种针对的是Java进程启动开始到现在的cpu占比情况，arthas这种是一段采样间隔内，当前JVM里各个线程所占用的cpu时间占总cpu时间的百分比。

具体见官网：https://alibaba.github.io/arthas/thread.html

​后续​

通过第一步，找出有问题的代码之后，观察到线程栈之后。我们​就要根据具体问题来具体分析​。这里举几个例子。

情况一：发现使用CPU最高的都是GC 线程。

GC task thread#0 (ParallelGC)" os_prio=0 tid=0x00007fd99001f800 nid=0x779 runnableGC 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

gc 排查的内容较多，所以我决定在后面单独列一节讲述。

情况二：发现使用CPU最高的是业务线程

• io wait

• 比如此例中，就是因为磁盘空间不够导致的io阻塞

• 等待内核态锁，如 synchronized

• ​​jstack \-l pid | grep BLOCKED​​ 查看阻塞态线程堆栈

• dump 线程栈，分析线程持锁情况。

• arthas提供了​​thread \-b​​，可以找出当前阻塞其他线程的线程。针对 synchronized 情况

​常见现象：频繁 GC​

​1. 回顾GC流程​

在了解下面内容之前，请先花点时间回顾一下GC的整个流程。

---

接前面的内容，这个情况下，我们自然而然想到去查看gc 的具体情况。

• 方法a : 查看gc 日志

• 方法b : ​​jstat \-gcutil 进程号 统计间隔毫秒 统计次数（缺省代表一致统计​​

• 方法c : 如果所在公司有对应用进行监控的组件当然更方便（比如Prometheus + Grafana）

这里对开启 gc log 进行补充说明。一个常常被讨论的问题（惯性思维）是在生产环境中GC日志是否应该开启。因为它所产生的开销通常都非常有限，因此我的答案是需要​开启​。但并不一定在启动JVM时就必须指定GC日志参数。

HotSpot JVM有一类特别的参数叫做可管理的参数。对于这些参数，可以在运行时修改他们的值。我们这里所讨论的所有参数以及以“PrintGC”开头的参数都是可管理的参数。这样在任何时候我们都可以开启或是关闭GC日志。比如我们可以使用JDK自带的jinfo工具来设置这些参数，或者是通过JMX客户端调用​​HotSpotDiagnostic MXBean的​​setVMOption方法来设置这些参数。

这里再次大赞arthas❤️，它提供的​​vmoption​​命令可以直接查看，更新VM诊断相关的参数。

获取到gc日志之后，可以上传到GC easy帮助分析，得到可视化的图表分析结果。

​2. GC 原因及定位​

​prommotion failed​

从S区晋升的对象在老年代也放不下导致 FullGC（fgc 回收无效则抛 OOM）。

可能原因：

• survivor 区太小，对象过早进入老年代

  查看 SurvivorRatio 参数

• 大对象分配，没有足够的内存

  dump 堆，profiler/MAT 分析对象占用情况

• old 区存在大量对象

  dump 堆，profiler/MAT 分析对象占用情况

你也可以从full GC 的效果来推断问题，正常情况下，一次full GC应该会回收大量内存，所以 ​正常的堆内存曲线应该是呈锯齿形​。如果你发现full gc 之后堆内存几乎没有下降，那么可以推断：**堆中有大量不能回收的对象且在不停膨胀，使堆的使用占比超过full GC的触发阈值，但又回收不掉，导致full GC一直执行。换句话来说，可能是内存泄露了。

一般来说，GC相关的异常推断都需要涉及到​内存分析​，使用​​jmap​​​之类的工具dump出内存快照（或者 Arthas的​​heapdump​​）命令，然后使用MAT、JProfiler、JVisualVM等可视化内存分析工具。

至于内存分析之后的步骤，就需要小伙伴们根据具体问题具体分析啦。

​常见现象：线程池异常​

​场景预设：​

业务监控突然告警，或者外部反馈提示大量请求执行失败。

​异常说明：​

Java 线程池以有界队列的线程池为例，当新任务提交时，如果运行的线程少于 corePoolSize，则创建新线程来处理请求。如果正在运行的线程数等于 corePoolSize 时，则新任务被添加到队列中，直到队列满。当队列满了后，会继续开辟新线程来处理任务，但不超过 maximumPoolSize。当任务队列满了并且已开辟了最大线程数，此时又来了新任务，ThreadPoolExecutor 会拒绝服务。

​常见问题和原因​

这种线程池异常，一般可以通过开发查看日志查出原因，有以下几种原因：

1. 下游服务 响应时间（RT）过长

   这种情况有可能是因为下游服务异常导致的，作为消费者我们要设置合适的超时时间和熔断降级机制。

   另外针对这种情况，一般都要有对应的监控机制：比如日志监控、metrics监控告警等，不要等到目标用户感觉到异常，从外部反映进来问题才去看日志查。

2. 数据库慢 sql 或者数据库死锁

查看日志中相关的关键词。

1. Java 代码死锁

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

​四、常见问题恢复​

对于上文提到的一些问题，这里总结了一些恢复的方法。

​五、Arthas​

这里还是想单独用一节安利一下Arthas这个工具。

Arthas 是阿里巴巴开源的Java 诊断工具，基于 Java Agent 方式，使用 Instrumentation 方式修改字节码方式进行 Java 应用诊断。

• dashboard ：系统实时数据面板, 可查看线程，内存，gc 等信息

• thread ：查看当前线程信息，查看线程的堆栈，如查看最繁忙的前 n 线程

• getstatic：获取静态属性值，如 ​​getstatic className attrName​​ 可用于查看线上开关真实值

• sc：查看 jvm 已加载类信息，可用于排查 jar 包冲突

• sm：查看 jvm 已加载类的方法信息

• jad：反编译 jvm 加载类信息,排查代码逻辑没执行原因

• logger：查看logger信息，更新logger level

• watch：观测方法执行数据，包含出参、入参、异常等

• trace：方法内部调用时长，并输出每个节点的耗时，用于性能分析

• tt：用于记录方法，并做回放

以上内容节选自Arthas官方文档。

另外，_Arthas_里的 还集成了 ​ognl​ 这个轻量级的表达式引擎，通过ognl，你可以用arthas 实现很多的“骚”操作。

其他的这里就不多说了，感兴趣的可以去看看arthas的官方文档、github issue。

​六、涉及工具​

再说下一些工具。

• Arthas

• useful-scripts

• GC easy

• Smart Java thread dump analyzer - thread dump analysis in seconds

• PerfMa - Java虚拟机参数/线程dump/内存dump分析

• Linux 命令

• Java N 板斧

• MAT、JProfiler...等可视化内存分析工具

​参考​

• https://developer.aliyun.com/article/757655

• Arthas 3.2.0 文档

• 《分布式服务架构：原理、设计与实战》

​附录​

​top 命令显示的指示符的含义​

指示符	含义
PID	进程id
USER	进程所有者
PR	进程优先级
NI	nice值。负值表示高优先级，正值表示低优先级
VIRT	进程使用的虚拟内存总量，单位kb。VIRT=SWAP+RES
RES	进程使用的、未被换出的物理内存大小，单位kb。RES=CODE+DATA
SHR	共享内存大小，单位kb
S	进程状态。D=不可中断的睡眠状态 R=运行 S=睡眠 T=跟踪/停止 Z=僵尸进程
%CPU	上次更新到现在的CPU时间占用百分比
%MEM	进程使用的物理内存百分比
TIME+	进程使用的CPU时间总计，单位1/100秒
COMMAND	进程名称（命令名/命令行）

---