開發與維運

用 Arthas 神器來診斷 HBase 異常進程

2020-08-31

作者 | 介龍平，英文名 leo，碼農一枚

【Arthas 官方社區正在舉行徵文活動，參加即有獎品拿~點擊投稿】

1. 異常突起

HBase 集群的某一個 RegionServer 的 CPU 使用率突然飆升到百分之百，單獨重啟該 RegionServer 之後，CPU 的負載依舊會逐漸攀上頂峰。多次重啟集群之後，CPU 滿載的現象依然會復現，且會持續居高不下，慢慢地該 RegionServer 就會宕掉，慢慢地 HBase 集群就完犢子了。

2. 異常之上的現象

CDH 監控頁面來看，除 CPU 之外的幾乎所有核心指標都是正常的，磁盤和網絡 IO 都很低，內存更是充足，壓縮隊列，刷新隊列也是正常的。

1.png

普羅米修斯的監控也是類似這樣的，就不貼圖了。

監控指標裡的數字，只能直觀地告訴我們現象，不能告訴我們異常的起因。因此我們的第二反應是看日誌。

2.png
（企業微信截圖）

與此同時，日誌中還有很多類似這樣的干擾輸出。

3.png

後來發現這樣的輸出只是一些無關緊要的信息，對分析問題沒有任何幫助，甚至會干擾我們對問題的定位。

但是，日誌中大量 scan responseTooSlow 的警告信息，似乎在告訴我們，HBase 的 Server 內部正在發生著大量耗時的 scan 操作，這也許就是 CPU 負載高的元凶。可是，由於各種因素的作用，我們當時的關注點並沒有在這個上面，因為這樣的信息，我們在歷史的時間段裡也頻繁撞見。

3. 初識 arthas

監控和日誌都不能讓我們百分百確定 CPU 負載高是由哪些操作引起的，我們用 top 命令也只能看到 HBase 這個進程消耗了很多 CPU，就像下圖看到的這樣。

4.png

如果不做進一步分析，你仍然不知道，問題出現在 HBase 相關進程下的哪些執行線程。Java 中分析進程的命令，可以使用 jstack 或 jstat gcutil 等。但是，今天要介紹的主角不是這倆，甚至不是 async-profiler，而是 arthas。async-profiler 雖然也是一個很強大的工具，但是 arthas 包含了它，且功能更強大，堪稱神器。

arthas 很早以前就聽說過，起初以為它只能用來分析 WEB 應用，例如 Spring Boot，這兩天仔細翻看其官方文檔之後，才覺得自己是多麼的無知。arthas 的相關介紹和入門使用，請參考其文檔，它的官方文檔比任何第三方資料都詳細和友好。

4. 用 arthas 來分析 HBase 的異常進程

4.1 運行 arthas

java -jar /data/arthas/arthas-boot.jar  --target-ip 0.0.0.0
  • --target-ip 默認 127.0.0.1，此處賦值為 0.0.0.0 是為了使用 webconsole

4.2 arthas 運行成功的界面

5.png

命令 top 定位到的異常的 HBase 進程 ID 是 1214，該進程就是 HRegionServer 的進程。輸入序號 1，回車，就進入了監聽該進程的命令行界面。

4.3 dashboard

6.png

運行 dashboard 命令回車，就可以查看該進程佔用資源的總體情況，可以從圖中看到，ID 為 59 的線程，佔用的 CPU 最高。

4.4 thread

7.png

輸入 thread 命令回車，查看該進程下所有線程的執行情況。

4.5 thread -n 3

8.png

輸出資源佔用前三名的線程。

4.6 thread -n 3 -i 5000

9.png

單位時間為 5 秒內，資源佔用前三名的線程。

4.7 使用async-profiler生成火焰圖

生成火焰圖的最簡單命令。

profiler start

隔一段時間，大概三十秒。

profiler stop

10.png

在 web console 裡查看。

11.png

關於火焰圖的入門級知識：

查看 jvm 進程 cpu 火焰圖工具。

火焰圖裡很清楚地定位到 CPU 時間佔用最高的線程是綠框最長的那些線程，也就是 scan 操作。

5. scan 操作引起的 CPU 負載過高

通過以上的進程分析，我們最終可以確定，scan 操作的發生，導致 CPU 負載很高。我們查詢 HBase 的 API 基於 happybase 封裝而成，https://happybase.readthedocs.io/en/latest/

其實常規的 scan 操作是能正常返回結果的，發生異常查詢的表也不是很大，所以我們排除了熱點的可能。抽象出來業務方的查詢邏輯是：

from happybase.connection import Connection
import time
start = time.time()
con = Connection(host='ip', port=9090, timeout=3000)
table = con.table("table_name")
try:
    res = list(table.scan(filter="PrefixFilter('273810955|')",
                      row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',
                      limit=3))
except Exception as e:
    pass
end = time.time()
print 'timeout: %d' % (end - start)

PrefixFilter 和 row_start 的組合是為了實現分頁查詢的需求，row_start 的一堆亂碼字符，是加密的一個 user_id，裡面有特殊字符。日誌中看到，所有的耗時查詢，都有此類亂碼字符的傳參。於是，我們猜想，查詢出現的異常與這些亂碼字符有關。

但是，後續測試復現的時候又發現。

# 會超時
  res = list(table.scan(filter="PrefixFilter('273810955|')",
                      row_start='27', limit=3))
  # 不會超時
  res = list(table.scan(filter="PrefixFilter('273810955|')",
                      row_start='27381095', limit=3))

也就是，即使不是亂碼字符傳參，filter 和 row_start 組合異常，也會導致 CPU 異常的高，row_start 指定的過小，小於前綴，數據掃描的範圍估計就會變大，類似觸發了全表掃描，CPUload 勢必會變大。

6. 頻繁創建連接或使用線程池造成 scan 線程持續增長

我們操作 HBase 的公共代碼是由 happybase 封裝而成，其中還用到了 happybase 的線程池，在我們更深入的測試中又發現了一個現象，當我們使用連接池或在循環中重複創建連接時，然後用 arthas 監控線程情況，發現 scan 的線程會很嚴重，測試代碼如下：

6.1 連接在循環外部創建，重複使用

from happybase.connection import Connection
import time
con = Connection(host='ip', port=9090, timeout=2000)
table = con.table("table")
for i in range(100):
    try:
          start = time.time()
        res = list(table.scan(filter="PrefixFilter('273810955|')",
                              row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',
                              limit=3))
    except Exception as e:
        pass
    end = time.time()
    print 'timeout: %d' % (end - start)

程序開始運行時，可以打開 arthas 進入到 HRegionServer 進程的監控，運行 thread 命令，查看此時的線程使用情況：

12.png

13.png

小部分在運行，大部分在等待。此時，CPU 的負載情況：

14.png

6.2 循環在內部頻繁創建然後使用

代碼如下：

from happybase.connection import Connection
import time
for i in range(100):
    try:
        start = time.time()
        con = Connection(host='ip', port=9090, timeout=2000)
        table = con.table("table")
        res = list(table.scan(filter="PrefixFilter('273810955|')",
                              row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',
                              limit=3))
    except Exception as e:
        pass
    end = time.time()
    print 'timeout: %d' % (end - start)

下圖中可以看到開始 RUNNING 的線程越來越多，CPU 的消耗也越來越大。

15.png

16.png

此時 CPU 的使用情況，由剛才的較為平穩，陡然上升：

17.png

6.3 連接池的方式訪問 HBase

CPU 被之前的實驗拉高，重啟下集群使 CPU 的狀態恢復到之前平穩的狀態。然後繼續我們的測試，測試代碼：

沒有超時時間

from happybase import ConnectionPool
import time
pool = ConnectionPool(size=1, host='ip', port=9090)
for i in range(100):
    start = time.time()
    try:
        with pool.connection(2000) as con:
            table = con.table("table")
            res = list(table.scan(filter="PrefixFilter('273810955|')",
                                  row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',
                                  limit=3))
    except Exception as e:
        pass
    end = time.time()
    print 'timeout: %d' % (end - start)

如果不指定超時時間，會只有一個線程持續運行，因為我的連接池設置為 1。

18.png

CPU 的負載也不是太高，如果我的連接池設置的更大，或者我的併發加大，那麼這些耗時 scan 的線程應該會更多，CPU 使用率也會飆升。

19.png

指定超時時間

from happybase import ConnectionPool
import time
pool = ConnectionPool(size=1, host='ip', port=9090, timeout=2000)
for i in range(100):
    start = time.time()
    try:
        with pool.connection(2000) as con:
            table = con.table("table")
            res = list(table.scan(filter="PrefixFilter('273810955|')",
                                  row_start='\x0f\x10&R\xca\xdf\x96\xcb\xe2\xad7$\xad9khE\x19\xfd\xaa\x87\xa5\xdd\xf7\x85\x1c\x81ku ^\x92k',
                                  limit=3))
    except Exception as e:
        pass
    end = time.time()
    print 'timeout: %d' % (end - start)

此次測試中，我指定了連接池中的超時時間，期望的是，連接超時，及時斷開，繼續下一次耗時查詢。此時，服務端處理 scan 請求的線程情況：

20.png

服務端用於處理 scan 請求的 RUNNING 狀態的線程持續增長，並耗費大量的 CPU。

21.png

7. hbase.regionserver.handler.count

22.png

參考大神的博客，以及自己對這個參數的理解，每一個客戶端發起的 RPC 請求（讀或寫），發送給服務端的時候，服務端就會有一個線程池，專門負責處理這些客戶端的請求，這個線程池可以保證同一時間點有 30 個線程可運行，剩餘請求要麼阻塞，要麼被塞進隊列中等待被處理，scan 請求撐滿了服務端的線程池，大量的耗時操作，把 CPU 資源消耗殆盡，其餘常規的讀寫請求也勢必大受影響，慢慢集群就完犢子了。

8. 控制 scan 請求佔用很小的隊列

首先，這個 hbase.regionserver.handler.count 的參數不能被調小，如果太小，集群併發高時，讀寫延時必高，因為大部分請求都在排隊。理想情況是，讀和寫佔用不同的線程池，在處理讀請求時，scan 和 get 分別佔用不同的線程池，實現線程池資源隔離。如果是我的話，第一反應可能也會簡單、粗略地搞仨線程池，寫線程池，get 線程池、scan 線程池。scan 線程池分配很小的核心線程，讓其佔用很小的資源，限制其無限擴張。但是真實的情況是這樣嗎？暫時，我還沒仔細研究源碼，HBase 提供瞭如下參數，可以滿足讀寫資源分離的需求。以下內容摘自 HBase 官網文檔，翻譯為谷歌翻譯。https://hbase.apache.org/2.1/book.html

hbase.regionserver.handler.count

描述
在RegionServer上旋轉的RPC偵聽器實例數。主機將相同的屬性用於主機處理程序的計數。過多的處理程序可能適得其反。使它成為CPU計數的倍數。如果大多數情況下是隻讀的，則處理程序計數接近cpu計數的效果很好。從兩倍的CPU計數開始，然後從那裡進行調整。
默認
30

hbase.ipc.server.callqueue.handler.factor

描述
確定呼叫隊列數量的因素。值為0表示在所有處理程序之間共享一個隊列。值為1表示每個處理程序都有自己的隊列。
默認
0.1

hbase.ipc.server.callqueue.read.ratio

描述
將呼叫隊列劃分為讀寫隊列。指定的間隔（應在0.0到1.0之間）將乘以呼叫隊列的數量。值為0表示不拆分呼叫隊列，這意味著讀取和寫入請求都將被推送到同一組隊列中。小於0.5的值表示讀隊列少於寫隊列。值為0.5表示將有相同數量的讀取和寫入隊列。大於0.5的值表示將有比寫隊列更多的讀隊列。值1.0表示除一個隊列外的所有隊列均用於調度讀取請求。示例：給定呼叫隊列的總數為10，讀比率為0表示：10個隊列將包含兩個讀/寫請求。read.ratio為0.3表示：3個隊列將僅包含讀取請求，而7個隊列將僅包含寫入請求。read.ratio為0.5表示：5個隊列僅包含讀取請求，而5個隊列僅包含寫入請求。read.ratio為0.8表示：8個隊列將僅包含讀取請求，而2個隊列將僅包含寫入請求。read.ratio為1表示：9個隊列將僅包含讀取請求，而1個隊列將僅包含寫入請求。
默認
0

hbase.ipc.server.callqueue.scan.ratio

描述
給定讀取呼叫隊列的數量（根據呼叫隊列總數乘以callqueue.read.ratio計算得出），scan.ratio屬性會將讀取呼叫隊列分為小讀取隊列和長讀取隊列。小於0.5的值表示長讀隊列少於短讀隊列。值為0.5表示將有相同數量的短讀和長讀隊列。大於0.5的值表示長讀取隊列比短讀取隊列多。值為0或1表示使用相同的隊列進行獲取和掃描。示例：假設讀取呼叫隊列的總數為8，則scan.ratio為0或1表示：8個隊列將同時包含長讀取請求和短讀取請求。scan.ratio為0.3表示：2個隊列將僅包含長讀請求，而6個隊列將僅包含短讀請求。scan.ratio為0.5表示：4個隊列將僅包含長讀請求，而4個隊列將僅包含短讀請求。scan.ratio為0.8表示：6個隊列將僅包含長讀請求，而2個隊列將僅包含短讀請求。
默認
0

這幾個參數的作用官網解釋的還挺詳細，按照其中的意思，配置一定比例，就可以達到讀寫隊列，get 和 scan 隊列分離的目的，但是，調配參數後，繼續如上測試，發現，並不難控制 RUNNING 的線程的數量，發現沒毛用。

這裡有一個疑問，隊列和我所理解的線程池直接到底是什麼關係？是否是一個東西？這個之後需要觀其源碼，窺其本質。

9. 總結

囉囉嗦嗦總算把定位問題的整個過程記錄了下來，其實文字描述的還不算很詳盡，只是儘可能還原當時的場景和梳理問題的大體思維流程，免得以後遺忘，同時也期望各位同行能從我這裡受到點啟發，期間也受到了不少大神的提點，在此也特別感謝各方大佬的幫助。

Arthas 徵文活動火熱進行中

Arthas 官方正在舉行徵文活動，如果你有：

  • 使用 Arthas 排查過的問題
  • 對 Arthas 進行源碼解讀
  • 對 Arthas 提出建議
  • 不限，其它與 Arthas 有關的內容

歡迎參加徵文活動，還有獎品拿哦~點擊投稿

“阿里巴巴雲原生關注微服務、Serverless、容器、Service Mesh 等技術領域、聚焦雲原生流行技術趨勢、雲原生大規模的落地實踐，做最懂雲原生開發者的公眾號。”

Leave a Reply

Your email address will not be published. Required fields are marked *