開發與維運

“舉報”阿里巴巴 Arthas，大幅降低 OOM Trouble shooting 門檻

2020-06-14

作者 | Mason MA

【Arthas 官方社區正在舉行徵文活動，參加即有獎品拿哦~點擊投稿】

Arthas 是個不錯的工具，這裡要再安利一波，當然整個過程還用到了其他工具，如 MAT、YourKIT（這個是付費的），結合起來使用更加便於發現和解決問題。期間還和開發大佬多次溝通，分別獲取了不同的信息。

一鍵安裝並啟動 Arthas

  • 方式一：通過 Cloud Toolkit 實現 Arthas 一鍵遠程診斷

Cloud Toolkit 是阿里雲發佈的免費本地 IDE 插件，幫助開發者更高效地開發、測試、診斷並部署應用。通過插件，可以將本地應用一鍵部署到任意服務器，甚至雲端（ECS、EDAS、ACK、ACR 和 小程序雲等）；並且還內置了 Arthas 診斷、Dubbo工具、Terminal 終端、文件上傳、函數計算 和 MySQL 執行器等工具。不僅僅有 IntelliJ IDEA 主流版本，還有 Eclipse、Pycharm、Maven 等其他版本。

推薦使用 IDEA 插件下載 Cloud Toolkit 來使用 Arthas：http://t.tb.cn/2A5CbHWveOXzI7sFakaCw8 

  • 方式二：直接下載

地址：https://github.com/alibaba/arthas。

現象

  • 建索引的後臺應用，感覺用不到那麼大內存，現在用到了並且隔兩天就會 oom，需要重啟；
  • 有全量數據和增量數據，OOM 大多發生在全量數據寫入階段，且 OOM 基本都在凌晨首次觸發全量數據更新時出現；
  • 業務應用使用了 G1 收集器（高級高級...）。

內心 OS：糟糕，G1 還不熟可怎麼辦，先想個辦法把大佬們支開，我自己再慢慢研究。

我還有點別的事兒，我等會再看

苟膽假設

在現有掌握的信息下判斷，大膽假設一下，反正猜錯了又不會賠錢。

  • 是否是因為全量數據寫入，超過了堆的承載能力，導致了 OOM？
  • 業務是否有 static 容器使用不當，一直沒回收，一直往裡 put 元素，所以需要兩天 OOM 一次？
  • 內存不夠，是哪些對象佔用最多，先找出來看看？
  • 有沒有大對象？

發抖求證

基本信息

進程啟動參數

-Xms12g 
-Xmx12g
-XX:+UseG1GC 
-XX:InitiatingHeapOccupancyPercent=70 
-XX:MaxGCPauseMillis=200 
-XX:G1HeapWastePercent=20 
-XX:+PrintAdaptiveSizePolicy 
-XX:+UseStringDeduplication 
-XX:+PrintGCDetails 
-XX:+PrintGCDateStamps 
-XX:+PrintGCApplicationStoppedTime 
-XX:+PrintTenuringDistribution 
-Xloggc:/home/search/fse2/gc.log
-XX:+UseGCLogFileRotation 
-XX:NumberOfGCLogFiles=2 
-XX:GCLogFileSize=512M 
-XX:+UnlockDiagnosticVMOptions 
-XX:+PrintNMTStatistics 
-XX:NativeMemoryTracking=summary

可以看到，使用了 G1 收集器，這個之前做業務開發的時候還不常見呢，畢竟是為大內存打造的追求低延遲的垃圾回收器。關於 G1 收集器的一些基本特性，大家可以去搜集一些資料。大概主要包括以下幾項：

  • Region 分區機制
  • SATB，全稱是 Snapshot-At-The-Beginning，由字面理解，是 GC 開始時活著的對象的一個快照
  • Rset，全稱是 Remembered Set，是輔助 GC 過程的一種結構，空間換時間思想
  • Pause Prediction Model 即停頓預測模型

從 G1 的這些屬性來看，它期望做到減少人為操作調優，實現自動化的調優（說到這裡，感覺本次出現的 OOM 似乎跟垃圾收集器本身關聯並不大，並不是因為業務量大堆內存不夠用，可能根本原因在代碼邏輯層面），並且適應在硬件成本降低，大內存堆逐漸變多的場景（後面還有 ZGC 和 Shenandoah，同樣是可以管理超大內存並停頓很低的神奇垃圾收集器）。

已經有GC日誌了，那先看看日誌，發現一處異常：

#### 這裡Heap回收的還只是300多M內存
[Eden: 316.0M(956.0M)->0.0B(1012.0M) Survivors: 48.0M->44.0M Heap: 359.2M(12.0G)->42.0M(12.0G)]
 [Times: user=0.31 sys=0.01, real=0.05 secs]
2020-06-09T02:59:23.489+0800: 2020-06-09T02:59:23.489+0800: 35.922: Total time for which application threads were stopped: 0.0578199 seconds, Stopping threads took: 0.0000940 seconds
35.922: [GC concurrent-root-region-scan-start]
......
......
......
#### 這個點Heap回收的就是11G內存了
[Eden: 724.0M(1012.0M)->0.0B(540.0M) Survivors: 44.0M->72.0M Heap: 11.5G(12.0G)->355.6M(12.0G)] 
 [Times: user=1.51 sys=0.07, real=0.26 secs]
2020-06-09T03:12:36.329+0800: 828.762: Total time for which application threads were stopped: 0.2605902 seconds, Stopping threads took: 0.0000600 seconds

初次調試

增加 -XX:G1ReservePercent 選項的值，為“目標空間”增加預留內存量。

減少 -XX:InitiatingHeapOccupancyPercent 提前啟動標記週期

懷疑在 GC 的當時，有大量數據全量寫入，內存還沒回收完，寫進大量對象，導致了 OOM，於是調了啟動週期，佔比由 70 下降到55，提前觸發，預留更多堆空間。

GC 變得頻繁了，但是內存佔用過大的問題並沒有得到解釋。並且是否會再次在凌晨出現 OOM 還需要等。。。於是還要繼續看看有沒有別的問題。

繼續挖掘

有疑點沒有解答，肯定是要繼續挖掘的，抄起鍵盤就是幹，一頓操作猛如虎。

Arthas

不知道哪位已經安裝了，先拿來用用看吧，大概用到了以下幾個命令：

dashboard

看看基本情況，線程數，堆大小，老年代大小，使用佔比情況。首次看到這裡時，eden 和 old 區的佔用都挺高的， 70~80% 吧（當時忘了截圖）。內存使用率比較高。

1.png

thread

看看線程數有沒有異常，線程數正常，只是找出了資源佔用比較高的線程，其中一個線程在後面其他信息統計中還會出現：

YJPAgent-Telemetry 
ctrl-bidsearch-rank-shard1
YJPAgent-RequestListener
ctrl-bidsearch-rank-shard1

居然有兩個線程是 YourKit 監控工具的 agent，看來這個監控工具對性能影響還挺大的。

profiler

分別採集一下內存和 CPU 的火焰圖數據：

# 內存
profiler start --event alloc
###
profiler stop

# 默認CPU
profiler start
###
profiler stop
  • CPU

2.png

  • 內存

3.png

從 CPU 火焰圖看到，G1 收集器線程居然佔了一半資源，可能採集當時正在進行 GC，不過，除此之外，基本都能定位到是一個叫 IncrementIndexService 的類，使用了比較多的 CPU 和內存資源。

如果業務代碼真的存在缺陷，那麼一定在這個流程裡，後來經過溝通，發現這個應用處理任務主要入口的確是在這裡面。先持有保留意見。

thread 看到的線程和 profiler 看到的 class，都最終定位到是同一個業務流程。

開始驗證之前的猜想：

1. 是否在全量數據寫入的時候有大量對象湧入內存？

計算了一些業務代碼獲取數據的量，元數據大約也就在 1.3G 左右，就算全量寫入，也不應該佔用 12G 的堆內存，所以猜測全量數據寫入時，代碼邏輯可能有什麼缺陷，導致 1.3G 的原數據被封裝成遠大於 1.3G 的對象了。

2. 是否有 static 容器？

有，但是經過 watch 觀察，沒有發現容器只 put 不 remove 的情況，命令如下：

watch com.xxx.classname method "{params,target}" -x 3

3. 有沒有大對象？

對於 G1，默認將堆分成 2048 個 Region，12G 的堆，一個 Region 是 6M，超過 3M 才是大對象。

jmap histo 30123

至少輸出的數據中，大對象不是 G1 定義的大對象。

MAT

既然沒什麼發現，就把堆 dump 出來吧。如果不想或者不能 dump，也可以用 jmap histo 查看內存佔用，優點是不用 dump，缺點是通常不能很好的和業務代碼之間建立關聯。

警告：jmap 或者 Arthas 的 heapdump 操作之前一定要斷開流量。好在我們這個服務沒有線上流量，建索引有延遲，可能短暫影響搜索體驗。

dump 出來之後，發現有 7 個 G，這麼大的文件一般很難傳到本地來分析了，於是用 MAT，佔用服務器 1 個 G 內存進行分析，分析完成的結果下載到本地。

4.png

線程名稱和之前發現的信息吻合，點開 detail 有驚喜。

5.png

一串奇怪的字符串，有點像 XML，好像在拼裝著什麼，於是找到業務大佬請教，發現的確有拼裝 solrDocument 的邏輯，而且，經過 YourKit 輸出部分對象值的片段，可以發現有大部分是在重複拼裝，大概意思如下：

<xml>
...
<country>CA</country>
<country>CA</country>
<country>CA</country>
<country>CA</country>
<country>CA</country>
...n次重複
<country>US</country>
<country>US</country>
<country>US</country>
<country>US</country>
<country>US</country>
<country>US</country>
...n次重複
<country>UK</country>
<country>UK</country>
...
</xml>

代碼邏輯修改其實比較簡單了，業務開發大佬們比較熟悉業務流程，很快就就有了修改方案。

調整之後發現，內存使用量下降了很多。

6.png

直接降到了 4-5G 左右，如果是這樣的話，即便全量數據寫入時，正在做垃圾回收，應該還是夠用的。但是感覺這個代碼邏輯裡面，應該還有優化空間，不過，先解決問題，優化可以做下一步操作。

覆盤

無論從哪個工具得出的數據，都顯示 IncrementIndexService 這個類的邏輯可能有問題，最終問題的根本和 G1 參數設置好像也沒什麼關係，代碼邏輯缺陷才是根源，再擴大內存可能或者調整 JVM 參數，也只能將故障緩解，但是不能解決。

  • 從進程到線程到代碼
  • 獲取 JVM 基本信息，收集器，啟動參數等信息
  • 查看現有的日誌，GC 日誌，業務日誌
  • 溝通業務場景，瞭解輸入數據規模等等
  • 猜想可能存在的原因，大膽的猜
  • 使用工具（Arthas、MAT、YourKit、JDK 自帶命令等等）挖掘信息，火焰圖、耗能線程、線程棧 堆dump，佔比分析 大對象 ...
  • 結合數據重新梳理，發現業務代碼的關聯和可能存在的缺陷，可以嘗試調整參數
  • 業務代碼若有 bug，修復 bug

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 *