java服务，cpu高，内存高，telnet不通排查及分析

记录上周五的一个java服务的异常排查及分析过程，以备将来参考。

 

java服务的异常主要表现为3点：

1.cpu使用率高；

2.内存占用较大；

3.本机telnet访问服务被拒绝

 

具体情况：

1.cpu高。启动时会打到800%以上，访问量不大的时段，top看到使用率在100-400%之间，基本稳定在100%-200%左右。

 

2.内存高。启动后java服务占用的内存不断增大，服务器12G物理内存，增大到12*26%=3G左右时，不再增大，但服务器物理内存也已接近用尽。

 

3.telnet服务端口没响应。应用刚启动时，telnet 可通，但过10-20分钟左右，服务开始不响应本机测试的telnet 请求。

 

分析步骤：

1.定位占用cpu高的java线程。

top -H -p 21382 -d 1 -n3 > test_top_thread_20131221_12.log

 

通过top命令将java进程中占用cpu高的线程进行排序，并输出到文件。通过查看可以很容易的定位线程21397占用了较高的cpu和内存，分别为100.6%和物理内存的26.7%，相当异常。

 

2.查看该线程的执行时间。

ps -mp 21382 -o THREAD,tid,time > test_cpu_time_20131221_12.out

 

通过命令查询线程的执行时间，并将输出保存到文件。可以看到线程21397已经运行了13个小时左右，从服务重启到排查的时候刚好13个小时左右，说明该线程一直在繁忙，于是通过pstack看看该线程在忙啥呢。

 

3.通过pstack查看进程的栈信息。

pstack 21382 > test_pstack_20131221_12.out

 

从pstack的输出找到线程21397对应的信息，如下：

Thread 150 (Thread 0x7f3aa7fff700 (LWP 21397)):
#0  0x00007f3ae62fcdc4 in instanceKlass::oop_follow_contents(oopDesc*) () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libj
vm.so
#1  0x00007f3ae64e83eb in MarkSweep::follow_stack() () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#2  0x00007f3ae65a1f14 in PSMarkSweep::mark_sweep_phase1(bool) () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#3  0x00007f3ae65a0dc1 in PSMarkSweep::invoke_no_policy(bool) () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#4  0x00007f3ae65ad927 in PSScavenge::invoke() () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#5  0x00007f3ae656f90e in ParallelScavengeHeap::failed_mem_allocate(unsigned long, bool) () from /usr/java/jdk1.6.0_31/jre/lib
/amd64/server/libjvm.so
#6  0x00007f3ae66ac3d8 in VM_ParallelGCFailedAllocation::doit() () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#7  0x00007f3ae66b97ea in VM_Operation::evaluate() () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#8  0x00007f3ae66b8db2 in VMThread::evaluate_operation(VM_Operation*) () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjv
m.so
#9  0x00007f3ae66b9028 in VMThread::loop() () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#10 0x00007f3ae66b8b2e in VMThread::run() () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#11 0x00007f3ae655cbdf in java_start(Thread*) () from /usr/java/jdk1.6.0_31/jre/lib/amd64/server/libjvm.so
#12 0x0000003a61c077f1 in start_thread () from /lib64/libpthread.so.0
#13 0x0000003a618e570d in clone () from /lib64/libc.so.6

 

可看到该线程一直在忙着VM_ParallelGCFailedAllocation::doit()，和GC的内存分配和回收有关，往下看，就更清楚了，

 

ParallelScavengeHeap::failed_mem_allocate(unsigned long, bool)

是在分配heap空间，说明java应用的heap空间可能不足，导致GC线程一直在忙活分配新的空间。 继续看

 MarkSweep::follow_stack()在干吗，查下源代码，如下：

 

// Flush marking stack.
  follow_stack();

  // Process reference objects found during marking
  {
    ref_processor()->setup_policy(clear_all_softrefs);
    ref_processor()->process_discovered_references(
      is_alive_closure(), mark_and_push_closure(), follow_stack_closure(), NULL);
  }

 该方法在清除已经标记的java对象，说明对象太多，才会导致GC一直在想办法清理heap，同时也说明java heap空间不足。联想到该服务对对象的创建和处理，初步分析可能是服务队列里对象太多导致出现该问题。

 

4.查看jvm参数配置。

jinfo -flag Xmx 21382

 

Heap
 PSYoungGen      total 984448K, used 546524K [0x00000007c2200000, 0x00000007ffe30000, 0x0000000800000000)
  eden space 957760K, 57% used [0x00000007c2200000,0x00000007e37b7088,0x00000007fc950000)
  from space 26688K, 0% used [0x00000007fe420000,0x00000007fe420000,0x00000007ffe30000)
  to   space 27072K, 0% used [0x00000007fc950000,0x00000007fc950000,0x00000007fe3c0000)
 PSOldGen        total 204224K, used 112010K [0x0000000746600000, 0x0000000752d70000, 0x00000007c2200000)
  object space 204224K, 54% used [0x0000000746600000,0x000000074d362800,0x0000000752d70000)
 PSPermGen       total 44928K, used 22198K [0x0000000741400000, 0x0000000743fe0000, 0x0000000746600000)
  object space 44928K, 49% used [0x0000000741400000,0x00000007429adbc0,0x0000000743fe0000)

 

 

 Heap
 PSYoungGen      total 881024K, used 451396K [0x00000007c2200000, 0x0000000800000000, 0x0000000800000000)
  eden space 788480K, 45% used [0x00000007c2200000,0x00000007d8079b80,0x00000007f2400000)
  from space 92544K, 99% used [0x00000007f2400000,0x00000007f7e57580,0x00000007f7e60000)
  to   space 119488K, 0% used [0x00000007f8b50000,0x00000007f8b50000,0x0000000800000000)
 PSOldGen        total 1561792K, used 1226956K [0x0000000746600000, 0x00000007a5b30000, 0x00000007c2200000)
  object space 1561792K, 78% used [0x0000000746600000,0x00000007914330e0,0x00000007a5b30000)
 PSPermGen       total 37888K, used 22595K [0x0000000741400000, 0x0000000743900000, 0x0000000746600000)
  object space 37888K, 59% used [0x0000000741400000,0x0000000742a10cb8,0x0000000743900000)

 

以上两条输出是应用刚启动和启动20分钟后的heap使用对比， PSOldGen从 204224K(204M)增大到了

1561792K(1.5G左右)，说明当前java应用对老生代的需求较大，才导致老生代的空间暴涨；另外，

PSYoungGen的from也从26688K(26M)增大到了92544K(95M)，说明有很多对象等待被清理。继续看输出：

 

"Thread-23" prio=10 tid=0x00007f19f022e000 nid=0x19ac waiting for monitor entry [0x00007f19a0958000]
   java.lang.Thread.State: BLOCKED (on object monitor)
        at org.apache.log4j.Category.callAppenders(Category.java:204)
        - waiting to lock <0x0000000749823ca8> (a org.apache.log4j.spi.RootLogger)
        at org.apache.log4j.Category.forcedLog(Category.java:391)
        at org.apache.log4j.Category.log(Category.java:856)
        at org.slf4j.impl.Log4jLoggerAdapter.error(Log4jLoggerAdapter.java:498)
        at com.chinahh.app.user.common.UserInfoData_Sync.setUserInfo(UserInfoData_Sync.java:508)
        at com.chinahh.app.user.common.UserInfoData_Sync.writeAsync(UserInfoData_Sync.java:681)
        at com.chinahh.app.user.common.UserInfoData_Sync.access$000(UserInfoData_Sync.java:45)
        at com.chinahh.app.user.common.UserInfoData_Sync$5.run(UserInfoData_Sync.java:140)
        at com.chinahh.app.user.common.UserInfoData_Sync$5.run(UserInfoData_Sync.java:136)
        at com.chinahh.util.ThreadProc.dequeueAction(LazyQueue.java:234)
        at com.chinahh.util.ThreadProc.run(LazyQueue.java:190)

 

通过该输出和代码的跟踪，定位到java应用的队列的代码是队列中的对象在等待出列，通过java应用逻辑来反推，对象出列时进行数据库操作，由于数据库数据量较大，在访问量较大的情况下可能会导致响应变慢。该队列是一个ConcurrentLinkedQueue非阻塞队列，初始容量可容纳6W多个对象，同时运行5个队列就是30多W个对象在队列中，并且单个对象也比较大，可以想象对内存的占用会相当大。到这里，问题就可以定位了。接下来就是问题的解决，具体步骤如下：

 

1)增大heap空间。

减轻GC线程的压力，看看是否有效。配置参数如下：

su - java -c "java -Xmx2g -Xms2g -verbose:gc -Xloggc:/var/log/java/test/gc/test_gc.log -XX:+PrintGCTimeStamps -XX:+PrintGCDetails -jar /www/run/test-0.0.1-SNAPSHOT.jar nolocalcache & "

 

修改参数后，观察了一段时间发现，内存的使用基本控制住了，稳定在不到12G*20%，大概减少用了600M多的内存，对于我们那苦逼的服务器：12G内存，跑着10个java服务来说，应该说是不小的资源了。CPU的占用也有缩减，但不如内存那么明显，下周再继续跟踪。

2)减小队列的长度。

下周尝试将队列长度从6W缩小到3W，先看看效果。

 

对于telnet 不响应的分析，通过tcpdump查看该端口的请求，发现tcp的请求还一直在过来，但为什么本机telnet 测试报错呢：

telnet: connect to address : Connection timed out

 

是否由于GC太多频繁导致请求不响应，还是由于访问量较大(该服务日访问量峰值是4000多W)，导致端口被使用殆尽呢，下周继续跟踪，期待能再有进展。

 

5.GC日志分析

 

7890.915: [Full GC 7890.915: [CMS7893.415: [CMS-concurrent-mark: 2.563/2.575 secs] [Times: user=9.62 sys=0.46, real=2.57 secs]
 (concurrent mode failure): 1048576K->1048575K(1048576K), 15.8792530 secs] 1520448K->1518673K(1520448K), [CMS Perm : 22435K->22431K(131072K)], 15.8794830 secs] [Times: user=22.52 sys=0.40, real=15.88 secs]
Total time for which application threads were stopped: 15.8805650 seconds

 

通过部分GC日志，系统运行到一定时间后，发现full gc越来越频繁，而且耗时很长。例如这段Full GC时会导致应用在15.88秒左右的时间里不对外响应，这还了得.......

 

同时可以看到老年代空间压力较大，里面都是什么东西呢，打个heapdump瞅瞅吧。

 

6.heapdump分析

如果线上不方便直接打heapdump，可以考虑使用：

jmap -histo `pgrep` > #your file path#

也可以拿到heap里面的对象数量概况，然后再进一步跟踪。heapdump分析截图：

 

通过mat分析，找到了heap中占用空间最大的所在：tcp事务管理器，是否由于程序中没有关闭tcp连接造成的呢，反过来去查代码，正常的处理逻辑中tcp连接都关闭了，继续查代码对异常情况的处理，突然、果然....

发现有一个地方处理的不是很完善，当在某种特殊的情况下没有关闭tcp连接，特别巧合的是，最近连接的一个系统在不断地向这个调用在报错。于是产生了一个推断：

 

    被调用方频繁返回错误，会导致大量的tcp连接没有被关闭，事务一直在打开状态，这个tcp transaction manager可能也会一直存在，老年代占满后会引起Full GC，但连接不是垃圾又不能被sweep，导致cpu一直在忙于Full GC，没有时间响应telnet 的请求。

 

    修改代码，对tcp连接做完善的关闭处理，等待线上验证。代码修改后，确保正常和异常情况下tcp请求都被及时的返回。应用放到线上运行，继续收集gc日志，同时做一些手动的测试，例如：telnet服务端口等。经过一段时间的观察发现情况依旧：应用运行20分钟以后，full GC很频繁，而且耗时较长，导致应用的吞吐量受到非常大地影响。感到很无奈，和我们的技术负责人讨论了一下，他提到了一个很重要的地方，管理tcp请求的sessionpool是全局唯一的，容量在100W个请求左右，和之前从mat中得到的结论是不一致的。

 

    回头再分析heapdump，发现netty的多个工作线程都对这个sessionpool进行引用，但地址都是相同的，说明100W个请求所占的内存在40M左右，并非之前的分析20*40 = 800M，也就是说20多个工作线程在同时处理100W个tcp的请求，这个sessionpool并非占用大内存的对象。准备下周抽个时间对heapdump进行再次分析，然后看看是否有新的发现。