曹工改bug：cpu狂飙，old gc频繁，线程神秘死亡连环案件调查报告
前言
前两天，访问开发环境上一个java服务，发现一直转圈圈，因为我开着fiddler，可以看到的现象是，接口一直没返回；本来想着直接jenkins重新构建一下开发环境（即重启服务），突然觉得，还是看看到底啥情况吧。
排查过程
登录到开发环境上（8核16g，centos 7），来了一圈常规操作，结果执行top发现，cpu占用竟然高达400%，然后按照标准流程，那肯定就是查看该进程内占用cpu高的线程是哪个：
top -H -p pid
因为当时没截图，只保存了文本：
线程id cpu占用率
19093 root 20 0 6599852 1.107g 14612 S 19.3 7.1 30:17.26 java
19087 root 20 0 6599852 1.107g 14612 S 15.3 7.1 22:28.15 java
19089 root 20 0 6599852 1.107g 14612 S 15.3 7.1 22:28.99 java
19091 root 20 0 6599852 1.107g 14612 S 15.3 7.1 22:27.07 java
19092 root 20 0 6599852 1.107g 14612 S 15.3 7.1 22:27.47 java
19085 root 20 0 6599852 1.107g 14612 S 14.3 7.1 22:28.11 java
19086 root 20 0 6599852 1.107g 14612 S 14.3 7.1 22:27.32 java
19088 root 20 0 6599852 1.107g 14612 S 14.3 7.1 22:27.11 java
19090 root 20 0 6599852 1.107g 14612 S 13.6 7.1 22:30.03 java
最左侧是线程id，后面有一列为cpu占用率，可以发现，一个线程就占用了20%的cpu。
然后手动将这几个线程id，调用如下语句，转成了十六进制
printf "%x
" 线程id
得到如下结果：
hex 线程id
4a95 19093
4a94 19092
4a90 19088
4a8d 19085
4a8f 19087
4a91 19089
4a92 19090
4a8e 19086
4a93 19091
然后执行jstack，查看这几个线程id，发现都是些gc线程。
既然问题出在gc这里，那自然要祭出jstat神器了。
先看看新生代，倒数第二列，YGC一直很稳定，看来新生代没啥问题。
再看看老年代：
jstat -gcold -h 5 19083 1000 2000
可以发现，FGC挺凶残，再看看OC（old capacity），表示老年代为340m左右（开发环境，没调参数，都是默认的），再看看OU（old used），都用了340m了，然后每次回收，OU都还是维持在那个程度，说明回收没啥效果，这些OU里的对象，基本都回收不掉。
回收不掉，那只能看看都是些什么对象了，如果这些对象确实需要，那就说明我们的old区太小；如果不需要这些对象，说明是内存泄漏。
ok，jmap走一波。
jmap -dump:live,format=b,file=19083.hprof 19083
拿到对应的文件后，下载到本地，用MAT（Eclipse Memory Analyzer ）进行分析。
打开文件的时候，就会让你选择，是否检测内存泄漏，我们这里大概率是内存泄漏，那就让MAT帮我们分析一波。
MAT分析内存泄漏
仔细看上图，可以发现，
-
线程一般是作为一个gc root，这里的线程名称是，cat-TcpSocketSender，线程的class类型是：
org.unidal.helper.Threads$RunnableThread这个类是因为我们这边引入了美团的cat作为监控组件，这个监控组件，有一个服务端war包，部署在tomcat中，监听2280端口；有一个客户端jar包，我们的应用里，就引入了这个jar。所以，这个类，就是美团客户端jar中的类。
我们看看这个类的源码：
org.unidal.helper.Threads.RunnableThread static class RunnableThread extends Thread { private Runnable m_target;发现其继承了jdk的Thread。
这个类中的m_target，指向了
com.dianping.cat.message.io.TcpSocketSender这个类。 -
com.dianping.cat.message.io.TcpSocketSender这个类中，有一个字段，叫m_queue，其Retained Heap达到了400m，也就是说，m_queue里引用的对象，全部加起来，已经是400m了。该字段定义如下：
private MessageQueue m_queue = new DefaultMessageQueue(SIZE);其类型为DefaultMessageQueue，我们可以看看这个类的代码：
public class DefaultMessageQueue implements MessageQueue { private BlockingQueue<MessageTree> m_queue; public DefaultMessageQueue(int size) { m_queue = new ArrayBlockingQueue<MessageTree>(size); }很简单，就是维护了一个队列，名称也叫m_queue，补充一下，这里的size，传进来的是5000.
然后构造了一个ArrayBlockingQueue，里面存放的每个item的class类型，就是MessageTree。
到此为止，大概知道，是美团的cat客户端jar包中，一个队列里存了大量数据，大概有400m，几乎把old 区占用完了，而且一直gc不掉。
现在就看一下，这里面存放的是什么东西？
如果图小，可在单独tab查看，这里可以看到，arrayBlockingQueue的数组中，存放了5000个对象，5000就是这个队列的size的大小。
那具体每个item里存什么了呢？
这个类中，有metric，heartbeats，transaction，event这些，这都是要上报到cat服务端的监控数据；而下面的m_ipaddress这些，正好是我们服务端的ip地址。
大概可以猜出来，这个item，存放了要上报到cat服务端的数据。
那么，问题变成了，为什么没有上报呢？因为我们这边前一阵服务端断了一次电，大概猜到是因为cat服务端没有启动，在服务器上一看，确实没启动。
所以，问题大概就是：因为服务端没启动，所以这边一直发送不出去，导致积压在这个队列里。
我们进一步查看了对应的cat客户端源码，发现这个线程的逻辑，大概如下：
com.dianping.cat.message.io.TcpSocketSender#run
@Override
public void run() {
m_active = true;
while (m_active) {
processAtomicMessage();
// 1
processNormalMessage();
}
}
继续看1处：
private void processNormalMessage() {
while (true) {
// 1
ChannelFuture channel = m_channelManager.channel();
// 2
if (channel != null) {
try {
// 3
MessageTree tree = m_queue.poll();
if (tree != null) {
// 4
sendInternal(channel, tree);
tree.setMessage(null);
} else {
try {
Thread.sleep(5);
} catch (Exception e) {
m_active = false;
}
break;
}
} catch (Throwable t) {
m_logger.error("Error when sending message over TCP socket!", t);
}
} else {
// 5
try {
Thread.sleep(5);
} catch (Exception e) {
m_active = false;
}
}
}
}
- 1处，从m_channelManager,获取一个channel，因为cat客户端使用了netty，所以这里是要获取一个netty的channle，用来发送数据
- 2处，如果拿到的channel不为null，则进入3处；否则进入5处
- 3处，从我们前面提到的罪魁祸首的队列中，取1个item，这里的item就是MessageTree
- 4处，使用channel发送对应的tree
- 5处，如果拿到的channel是null，则睡眠5s
根据上面的逻辑，为什么没有从队列里取item去发送呢，推测是因为在上面1处时，拿到的channel是null。
但是口说无凭，怎么证实呢，我们得先看看1处方法的实现：
ChannelFuture channel = m_channelManager.channel();
com.dianping.cat.message.io.ChannelManager#channel
public ChannelFuture channel() {
// 1
if (m_activeChannelHolder != null) {
ChannelFuture future = m_activeChannelHolder.getActiveFuture();
if (checkWritable(future)) {
return future;
}
}
// 2
return null;
}
如果1处，这里的m_activeChannelHolder是null，那么自然会返回null，那我们看看是不是null吧，还是使用mat，通过TcpSocketSender对象，找到m_channelManager。
然后再去查看m_channelManager的属性：
但是我们发现，这个属性并不是null。
ok，继续看之前那个方法
public ChannelFuture channel() {
// 1
if (m_activeChannelHolder != null) {
// 2
ChannelFuture future = m_activeChannelHolder.getActiveFuture();
if (checkWritable(future)) {
return future;
}
}
return null;
}
现在证实，1处的m_activeChannelHolder不为null，那么，就会走到2处
com.dianping.cat.message.io.ChannelManager.ChannelHolder#getActiveFuture
public ChannelFuture getActiveFuture() {
return m_activeFuture;
}
那我们继续看看m_activeChannelHolder这个对象里的m_activeFuture字段吧：
好，这里发现，m_activeFuture是null。
继续深入checkWritable方法：
大家仔细看上面几张图，checkWritable会返回false，因此channel方法会返回null。
为什么积压发不出去的问题，已经清楚了，是因为channel总是空的。
而在jstack文件中，也能看到，每次jstack的结果，都是这个线程在sleep。
"cat-TcpSocketSender" #116 daemon prio=5 os_prio=0 tid=0x00007f2d6066b000 nid=0x4ce5 sleeping[0x00007f2df9b32000]
java.lang.Thread.State: TIMED_WAITING (sleeping)
at java.lang.Thread.sleep(Native Method)
at com.dianping.cat.message.io.TcpSocketSender.processNormalMessage(TcpSocketSender.java:226)
at com.dianping.cat.message.io.TcpSocketSender.run(TcpSocketSender.java:240)
at java.lang.Thread.run(Thread.java:748)
at org.unidal.helper.Threads$RunnableThread.run(Threads.java:294)
继续深入
到此为止，我们知道了表面上的原因了，是因为TcpSocketSender拿不到channel；那为啥拿不到channel呢，这个还需要分析。
接上文，
public static class ChannelHolder {
// 1
private ChannelFuture m_activeFuture;
private int m_activeIndex = -1;
private String m_activeServerConfig;
private List<InetSocketAddress> m_serverAddresses;
private String m_ip;
private boolean m_connectChanged;
我们现在知道，1处的m_activeFuture是null，这是目前知道的最深入的原因，至于为啥为null？不知道。
我们在代码里，find usage，查看什么地方会设置这个值。
两处，1处进行重连，1处进行初始化。
本地复现：初始化
我们在本地进行了尝试，先试了初始化的场景，我们先关闭了cat服务端，然后在本地复现。
public ChannelManager(Logger logger, List<InetSocketAddress> serverAddresses, ClientConfigManager configManager,MessageIdFactory idFactory) {
...
if (StringUtils.isNotEmpty(routerConfig)) {
...
} else {
// 1
ChannelHolder holder = initChannel(serverAddresses, null);
// 2
if (holder != null) {
m_activeChannelHolder = holder;
} else {
// 3
m_activeChannelHolder = new ChannelHolder();
m_activeChannelHolder.setServerAddresses(serverAddresses);
m_logger.error("error when init cat module due to error config xml in client.xml");
}
}
}
- 1处，初始化channel，因为服务端是关了的，不成功，这里返回null，因此holder为null
- 2处，holder不为null，我们这里走不到
- 3处，我们进入这里，这里直接new了一个ChannelHolder，然后new了之后，也没设置什么属性，因此，这里m_activeChannelHolder里面的m_activeFuture字段，就是null。
ok，我们现在知道了，如果启动的时候，cat服务端不可用，会导致m_activeFuture为null。
但是，一般都不会做的这么挫，都会定时去重连的。那我们看看，难道是重连的代码有问题吗？
重连场景分析
com.dianping.cat.message.io.ChannelManager#reconnectDefaultServer
private void reconnectDefaultServer(ChannelFuture activeFuture, List<InetSocketAddress> serverAddresses) {
try {
int reconnectServers = m_activeChannelHolder.getActiveIndex();
if (reconnectServers == -1) {
reconnectServers = serverAddresses.size();
}
for (int i = 0; i < reconnectServers; i++) {
// 1
ChannelFuture future = createChannel(serverAddresses.get(i));
// 1.1
if (future != null) {
ChannelFuture lastFuture = activeFuture;
// 2
m_activeChannelHolder.setActiveFuture(future);
m_activeChannelHolder.setActiveIndex(i);
closeChannel(lastFuture);
break;
}
}
} catch (Throwable e) {
m_logger.error(e.getMessage(), e);
}
}
1处，进行了重连；
2处，将channel设置到future，因为1.1处进行了判断，future不为null，才走到2，说明如果走到2处，future肯定不为null。
那我们有理由怀疑，这个方法难道没有执行到？
我们在这里打了断点，本地调试的时候，发现确实进来了这个方法。
但是，比较奇怪的是，这个重连逻辑，是有一个单独的线程，名字叫cat-TcpSocketSender-ChannelManager
但是，更奇怪的是，我之前在jstack中，好像没看到这么个线程啊？难道眼花了吗？
不，眼没花
[root@localhost ~]# grep cat-TcpSocketSender-ChannelManager 19083.txt
[root@localhost ~]# grep cat- 19083.txt
"cat-TcpSocketSender" #116 daemon prio=5 os_prio=0 tid=0x00007f2d6066b000 nid=0x4ce5 sleeping[0x00007f2df9b32000]
可以看到，我们的jstack文件里，真的没有这个线程。
好了，我怀疑，它死了。
可以看到，本地正常情况下，竟然有4个cat线程，而服务器上，只有1个。
线程神秘死亡之谜
有点意思，线程都死了，这下就不好排查了，因为只要有一个未捕获异常，就会导致线程挂掉。
那么多代码，怎么知道哪里出了异常呢？
日志。
我们查了下日志，找到了日志文件。
当时排查时间，大概是上午11点多，我们因此反向查看日志。看到了如下部分
[08-20 10:27:36.749] [INFO] [ChannelManager] start connect server/10.15.9.113:2280
[08-20 10:27:36.752] [INFO] [ChannelManager] Connected to CAT server at /10.15.9.113:2280
[08-20 10:27:46.764] [INFO] [ChannelManager] router config changed :10.15.9.113:2280;
[08-20 10:27:46.764] [INFO] [ChannelManager] start connect server/10.15.9.113:2280
[08-20 10:27:46.768] [INFO] [ChannelManager] Connected to CAT server at /10.15.9.113:2280
[08-20 10:27:46.768] [INFO] [ChannelManager] success when init CAT server, new active holderactive future :/10.15.9.113:2280 index:0 ip:10.15.9.113 server config:10.15.9.113:2280;
[08-20 10:27:46.768] [INFO] [ChannelManager] close channel /10.15.9.113:2280
[08-20 10:27:46.769] [INFO] [ChannelManager] switch active channel to active future :/10.15.9.113:2280 index:0 ip:10.15.9.113 server config:10.15.9.113:2280;
其实我们对cat的日志也不熟悉，不知道中间那个[ChannelManager]是什么意思，以为是线程名称，当时就很疑惑，这些日志说明了，10点27分的时候，这个线程还活着啊，为啥就死了呢？
但我们不确定那个[]中间就是线程名，而且感觉也不是很像线程名称。
后面又本地debug试了下，看看打日志到底怎么打的
org.unidal.lookup.logger.TimedConsoleLogger#getTimedMessage
private String getTimedMessage(String level, String message) {
if (m_showClass) {
// 1
return m_format.format(new Object[] { new Date(), level, message, getCallerClassName() });
} else {
return m_format.format(new Object[] { new Date(), level, message });
}
}
发现进入了1处的getCallerClassName，这个返回的值，就被作为了前面提到的[ChannelManager]部分：
private String getCallerClassName() {
StackTraceElement[] elements = new Exception().getStackTrace();
if (elements.length > 5) {
String className = elements[5].getClassName();
int pos = className.lastIndexOf('.');
if (pos > 0) {
return className.substring(pos + 1);
} else {
return className;
}
}
return "N/A";
}
总之呢，这里就是获取logger对应的class名称。
那这么说来，有下面那几行日志，但是具体是哪个线程打印的，其实也不是很确定了。
[08-20 10:27:36.749] [INFO] [ChannelManager] start connect server/10.15.9.113:2280
[08-20 10:27:36.752] [INFO] [ChannelManager] Connected to CAT server at /10.15.9.113:2280
[08-20 10:27:46.764] [INFO] [ChannelManager] router config changed :10.15.9.113:2280;
所以啊，日志还是应该多打印下线程名称，美团这个日志真的有点挫。
后面在日志文件里，各种翻找，发现了关键性日志了：
[08-20 06:34:34.862] [ERROR] [ChannelManager] GC overhead limit exceeded
java.lang.OutOfMemoryError: GC overhead limit exceeded
...
[08-20 06:40:28.962] [ERROR] [CatClientModule$CatThreadListener] Uncaught exception thrown out of thread(cat-TcpSocketSender-ChannelManager)
java.lang.OutOfMemoryError: GC overhead limit exceeded
[08-20 06:40:35.337] [ERROR] [CatClientModule$CatThreadListener] Uncaught exception thrown out of thread(cat-3)
java.lang.OutOfMemoryError: GC overhead limit exceeded
原来啊，这几个线程死了，是因为oom。
线程死了，为啥还记录了日志了？那是因为美团在new线程的时候，设置了uncaughtExceptionHandler.
java.lang.Thread
public class Thread implements Runnable {
private volatile UncaughtExceptionHandler uncaughtExceptionHandler;
com.dianping.cat.util.Threads.RunnableThread
static class RunnableThread extends Thread {
private static ThreadLocal<String> m_callerThreadLocal = new ThreadLocal<String>();
private Runnable m_target;
private String m_caller;
public RunnableThread(ThreadGroup threadGroup, Runnable target, String name, UncaughtExceptionHandler handler) {
super(threadGroup, target, name);
m_target = target;
m_caller = getCaller();
setDaemon(true);
// 1
setUncaughtExceptionHandler(handler);
if (getPriority() != Thread.NORM_PRIORITY) {
setPriority(Thread.NORM_PRIORITY);
}
}
上面1处可以看到，在new线程的时候，会手动设置UncaughtExceptionHandler。
而最终设置进去的，就是下面这个实现类：
static class Manager implements UncaughtExceptionHandler {
....
@Override
public void uncaughtException(Thread thread, Throwable e) {
for (ThreadListener listener : m_listeners) {
// 1
boolean handled = listener.onUncaughtException(thread, e);
if (handled) {
break;
}
}
}
}
当线程发生了未捕获异常时，就会进到1这里，通知listener。
其中一个listener，就是记录线程死亡日志。
public static final class CatThreadListener extends AbstractThreadListener {
private final ModuleContext m_ctx;
private CatThreadListener(ModuleContext ctx) {
m_ctx = ctx;
}
...
@Override
public boolean onUncaughtException(Thread thread, Throwable e) {
m_ctx.error(String.format("Uncaught exception thrown out of thread(%s)", thread.getName()), e);
return true;
}
}
总结
至此，本探的案子就算是破了，也算是一个连环案了，是不是还有点意思呢？cpu飙高的背后是gc，gc的背后是内存泄漏，内存泄漏的背后，是cat服务端没起。
而启动cat服务端后，状态并没有好转，这背后竟然又是因为线程神秘死亡，神秘死亡的原因，结果是oom。
it is a circle。
谢谢大家。