"服务不可用"怎么排查?讲了100遍还是记不住?

点击上方蓝色“后端面试那些事儿”,选择“设为星标”

学最好的别人,做最好的自己

https://urlify.cn/Q3Ar6z
 

正文如下:

下面是线上机器的cpu使用率,可以看到从4月8日开始,随着时间cpu使用率在逐步增高,最终使用率达到100%导致线上服务不可用,后面重启了机器后恢复。


# 排查思路


简单分析下可能出问题的地方,分为5个方向:


  • 系统本身代码问题
  • 内部下游系统的问题导致的雪崩效应
  • 上游系统调用量突增
  • http请求第三方的问题
  • 机器本身的问题

# 开始排查


  1. 查看日志,没有发现集中的错误日志,初步排除代码逻辑处理错误。
  2. 首先联系了内部下游系统观察了他们的监控,发现一起正常。可以排除下游系统故障对我们的影响。
  3. 查看provider接口的调用量,对比7天没有突增,排除业务方调用量的问题。
  4. 查看tcp监控,TCP状态正常,可以排除是http请求第三方超时带来的问题。
  5. 查看机器监控,6台机器cpu都在上升,每个机器情况一样。排除机器故障问
    题。即通过上述方法没有直接定位到问题。


# 解决方案


1、重启了6台中问题比较严重的5台机器,先恢复业务。保留一台现场,用来分析问题。


2、查看当前的tomcat线程pid。


3、查看该pid下线程对应的系统占用情况。top -Hp 384


4、发现pid 4430 4431 4432 4433 线程分别占用了约40%的cpu

5、将这几个pid转为16进制,分别为114e 114f 1150 1151

6、下载当前的java线程栈 sudo -u tomcat jstack -l 384>/1.txt

7、查询5中对应的线程情况,发现都是gc线程导致的



8、dump java堆数据

sudo -u tomcat jmap -dump:live,format=b,file=/dump201612271310.dat 384


9、使用MAT加载堆文件,可以看到javax.crypto.JceSecurity对象占用了95%的内存空间,初步定位到问题。


MAT下载地址:

http://www.eclipse.org/mat/


10、查看类的引用树,看到BouncyCastleProvider对象持有过多。即我们代码中对该对象的处理方式是错误的,定位到问题。


# 代码分析


我们代码中有一块是这样写的


这是加解密的功能,每次运行加解密都会new一个BouncyCastleProvider对象,放倒Cipher.getInstance()方法中。


看下Cipher.getInstance()的实现,这是jdk的底层代码实现,追踪到JceSecurity类中


verifyingProviders每次put后都会remove,verificationResults只会put,不会remove.


看到verificationResults是一个static的map,即属于JceSecurity类的。所以每次运行到加解密都会向这个map put一个对象,而这个map属于类的维度,所以不会被GC回收。这就导致了大量的new的对象不被回收。


# 代码改进


将有问题的对象置为static,每个类持有一个,不会多次新建。



# 本文总结


遇到线上问题不要慌,首先确认排查问题的思路:


  1. 查看日志
  2. 查看CPU情况
  3. 查看TCP情况
  4. 查看java线程,jstack
  5. 查看java堆,jmap
  6. 通过MAT分析堆文件,寻找无法被回收的对象


往期推荐

为什么汉字不能当密码,假如用汉字做密码,又会怎样?

Spring中涉及的设计模式总结

到底是什么原因才导致 select * 效率低下的?

@Autowire 和 @Resource 注解使用的正确姿势,别再用错的了!!

一起进大厂,每日学干货

关注我回复【加群】,加入Java技术交流群


点击“阅读原文”,领取 2021 年最新免费技术资料大全

↓↓↓ 

已有 0 条评论

    欢迎您,新朋友,感谢参与互动!