背景
上午剛到公司，準備開始一天的摸魚之旅時突然收到了一封監控中心的郵件。
心中暗道不好，因爲監控系統從來不會告訴我應用完美無 bug，其實系統挺猥瑣。
打開郵件一看，果然告知我有一個應用的線程池隊列達到閾值觸發了報警。
由於這個應用出問題非常影響用戶體驗；於是立馬讓運維保留現場 dump 線程和內存同時重啓應用，還好重啓之後恢復正常。於是開始着手排查問題。
分析
首先了解下這個應用大概是做什麼的。
簡單來說就是從 MQ 中取出數據然後丟到後面的業務線程池中做具體的業務處理。
而報警的隊列正好就是這個線程池的隊列。
跟蹤代碼發現構建線程池的方式如下：
ThreadPoolExecutor executor = new ThreadPoolExecutor(coreSize, maxSize,
0L, TimeUnit.MILLISECONDS,
new LinkedBlockingQueue<Runnable>());;
put(poolName,executor);
採用的是默認的 LinkedBlockingQueue 並沒有指定大小（這也是個坑），於是這個隊列的默認大小爲 Integer.MAX_VALUE。
由於應用已經重啓，只能從僅存的線程快照和內存快照進行分析。
內存分析
先利用 MAT 分析了內存，的到了如下報告。
其中有兩個比較大的對象，一個就是之前線程池存放任務的 LinkedBlockingQueue，還有一個則是 HashSet。
當然其中隊列佔用了大量的內存，所以優先查看，HashSet 一會兒再看。
由於隊列的大小給的夠大，所以結合目前的情況來看應當是線程池裏的任務處理較慢，導致隊列的任務越堆越多，至少這是目前可以得出的結論。
線程分析
再來看看線程的分析，這裏利用 fastthread.io 這個網站進行線程分析。
因爲從表現來看線程池裏的任務遲遲沒有執行完畢，所以主要看看它們在幹嘛。
正好他們都處於 RUNNABLE 狀態，同時堆棧如下：
發現正好就是在處理上文提到的 HashSet，看這個堆棧是在查詢 key 是否存在。通過查看 312 行的業務代碼確實也是如此。
這裏的線程名字也是個坑，讓我找了好久。
定位
分析了內存和線程的堆棧之後其實已經大概猜出一些問題了。
這裏其實有一個前提忘記講到：
這個告警是凌晨三點發出的郵件，但並沒有電話提醒之類的，所以大家都不知道。
到了早上上班時才發現並立即 dump 了上面的證據。
所有有一個很重要的事實：這幾個業務線程在查詢 HashSet 的時候運行了 6 7 個小時都沒有返回。
通過之前的監控曲線圖也可以看出：
操作系統在之前一直處於高負載中，直到我們早上看到報警重啓之後才降低。
同時發現這個應用生產上運行的是 JDK1.7 ，所以我初步認爲應該是在查詢 key 的時候進入了 HashMap 的環形鏈表導致 CPU 高負載同時也進入了死循環。
爲了驗證這個問題再次 review 了代碼。
整理之後的僞代碼如下：
//線程池
private ExecutorService executor;
private Set<String> set = new hashSet();
private void execute(){
while(true){
//從 MQ 中獲取數據
String key = subMQ();
executor.excute(new Worker(key)) ;
}
}
public class Worker extends Thread{
private String key ;
public Worker(String key){
this.key = key;
}
@Override
private void run(){
if(!set.contains(key)){
//數據庫查詢
if(queryDB(key)){
set.add(key);
return;
}
}
//達到某種條件時清空 set
if(flag){
set = null ;
}
}
}
大致的流程如下：
- 源源不斷的從 MQ 中獲取數據。
- 將數據丟到業務線程池中。
- 判斷數據是否已經寫入了
Set。 - 沒有則查詢數據庫。
- 之後寫入到
Set中。
這裏有一個很明顯的問題，那就是作爲共享資源的 Set 並沒有做任何的同步處理。
這裏會有多個線程併發的操作，由於 HashSet 其實本質上就是 HashMap，所以它肯定是線程不安全的，所以會出現兩個問題：
- Set 中的數據在併發寫入時被覆蓋導致數據不準確。
- 會在擴容的時候形成環形鏈表。
第一個問題相對於第二個還能接受。
通過上文的內存分析我們已經知道這個 set 中的數據已經不少了。同時由於初始化時並沒有指定大小，僅僅只是默認值，所以在大量的併發寫入時候會導致頻繁的擴容，而在 1.7 的條件下又可能會形成環形鏈表。
不巧的是代碼中也有查詢操作（contains()）,觀察上文的堆棧情況：
發現是運行在 HashMap 的 465 行，來看看 1.7 中那裏具體在做什麼：
已經很明顯了。這裏在遍歷鏈表，同時由於形成了環形鏈表導致這個 e.next 永遠不爲空，所以這個循環也不會退出了。
到這裏其實已經找到問題了，但還有一個疑問是爲什麼線程池裏的任務隊列會越堆越多。我第一直覺是任務執行太慢導致的。
仔細查看了代碼發現只有一個地方可能會慢：也就是有一個數據庫的查詢。
把這個 SQL 拿到生產環境執行發現確實不快，查看索引發現都有命中。
但我一看錶中的數據發現已經快有 7000W 的數據了。同時經過運維得知 MySQL 那臺服務器的 IO 壓力也比較大。
所以這個原因也比較明顯了：
由於每消費一條數據都要去查詢一次數據庫，MySQL 本身壓力就比較大，加上數據量也很高所以導致這個 IO 響應較慢，導致整個任務處理的就比較慢了。
但還有一個原因也不能忽視；由於所有的業務線程在某個時間點都進入了死循環，根本沒有執行完任務的機會，而後面的數據還在源源不斷的進入，所以這個隊列只會越堆越多！
這其實是一個老應用了，可能會有人問爲什麼之前沒出現問題。
這是因爲之前數據量都比較少，即使是併發寫入也沒有出現併發擴容形成環形鏈表的情況。這段時間業務量的暴增正好把這個隱藏的雷給揪出來了。所以還是得信墨菲他老人家的話。
總結
至此整個排查結束，而我們後續的調整措施大概如下：
HashSet不是線程安全的，換爲ConcurrentHashMap同時把value寫死一樣可以達到set的效果。- 根據我們後面的監控，初始化
ConcurrentHashMap的大小盡量大一些，避免頻繁的擴容。 MySQL中很多數據都已經不用了，進行冷熱處理。儘量降低單表數據量。同時後期考慮分表。- 查數據那裏調整爲查緩存，提高查詢效率。
- 線程池的名稱一定得取的有意義，不然是自己給自己增加難度。
- 根據監控將線程池的隊列大小調整爲一個具體值，並且要有拒絕策略。
- 升級到
JDK1.8。 - 再一個是報警郵件酌情考慮爲電話通知。
HashMap 的死循環問題在網上層出不窮，沒想到還真被我遇到了。現在要滿足這個條件還是挺少見的，比如 1.8 以下的 JDK 這一條可能大多數人就碰不到，正好又證實了一次墨菲定律。
同時我會將文章更到這裏，方便大家閱讀和查詢。 https://crossoverjie.top/JCSprout/
你的點贊與分享是對我最大的支持
