Java 应用线上问题排查思路、常用工具小结
前言
本文总结了一些常见的线上应急现象和对应排查步骤和工具。分享的主要目的是想让对线上问题接触少的同学有个预先认知，免得在遇到实际问题时手忙脚乱。毕竟作者自己也是从手忙脚乱时走过来的。
只不过这里先提示一下。在线上应急过程中要记住，只有一个总体目标：尽快恢复服务，消除影响。不管处于应急的哪个阶段，我们首先必须想到的是恢复问题，恢复问题不一定能够定位问题，也不一定有完美的解决方案，也许是通过经验判断，也许是预设开关等，但都可能让我们达到快速恢复的目的，然后保留部分现场，再去定位问题、解决问题和复盘。
在大多数情况下，我们都是先优先恢复服务，保留下当时的异常信息（内存dump、线程dump、gc log等等，在紧急情况下甚至可以不用保留，等到事后去复现），等到服务正常，再去复盘问题。
好，现在让我们进入正题吧。
常见现象：CPU 利用率高/飙升
场景预设：
监控系统突然告警，提示服务器负载异常。
预先说明：
CPU飙升只是一种现象，其中具体的问题可能有很多种，这里只是借这个现象切入。
注：CPU使用率是衡量系统繁忙程度的重要指标。但是CPU使用率的安全阈值是相对的，取决于你的系统的IO密集型还是计算密集型。一般计算密集型应用CPU使用率偏高load偏低，IO密集型相反。
常见原因：
-
频繁 gc
-
死循环、线程阻塞、io wait...etc
模拟
这里为了演示，用一个最简单的死循环来模拟CPU飙升的场景，下面是模拟代码，
在一个最简单的SpringBoot Web 项目中增加CpuReaper这个类，
/**
* 模拟 cpu 飙升场景
* @author Richard_yyf
*/
@Component
public class CpuReaper {
@PostConstruct
public void cpuReaper() {
int num = 0;
long start = System.currentTimeMillis() / 1000;
while (true) {
num = num + 1;
if (num == Integer.MAX_VALUE) {
System.out.println("reset");
num = 0;
}
if ((System.currentTimeMillis() / 1000) - start > 1000) {
return;
}
}
}
}
打包成jar之后，在服务器上运行。java -jar cpu-reaper.jar &
第一步：定位出问题的线程
方法 a: 传统的方法
-
top定位CPU 最高的进程执行
top命令，查看所有进程占系统CPU的排序，定位是哪个进程搞的鬼。在本例中就是咱们的java进程。PID那一列就是进程号。(对指示符含义不清楚的见【附录】)
-
top -Hp pid定位使用 CPU 最高的线程
-
printf '0x%x' tid线程 id 转化 16 进制
> printf '0x%x' 12817> 0x3211
-
jstack pid | grep tid找到线程堆栈
> jstack 12816 | grep 0x3211 -A 30
方法 b: show-busy-java-threads
这个脚本来自于github上一个开源项目，项目提供了很多有用的脚本，show-busy-java-threads就是其中的一个。使用这个脚本，可以直接简化方法A中的繁琐步骤。如下，
> wget --no-check-certificate https://raw.github.com/oldratlee/useful-scripts/release-2.x/bin/show-busy-java-threads
> chmod +x show-busy-java-threads
> ./show-busy-java-threads
show-busy-java-threads
# 从所有运行的Java进程中找出最消耗CPU的线程（缺省5个），打印出其线程栈
# 缺省会自动从所有的Java进程中找出最消耗CPU的线程，这样用更方便
# 当然你可以手动指定要分析的Java进程Id，以保证只会显示你关心的那个Java进程的信息
show-busy-java-threads -p <指定的Java进程Id>
show-busy-java-threads -c <要显示的线程栈数>
方法 c: arthas thread
阿里开源的arthas现在已经几乎包揽了我们线上排查问题的工作，提供了一个很完整的工具集。在这个场景中，也只需要一个thread -n命令即可。
> curl -O https://arthas.gitee.io/arthas-boot.jar # 下载
要注意的是，arthas的cpu占比，和前面两种cpu占比统计方式不同。前面两种针对的是Java进程启动开始到现在的cpu占比情况，arthas这种是一段采样间隔内，当前JVM里各个线程所占用的cpu时间占总cpu时间的百分比。
具体见官网：https://alibaba.github.io/arthas/thread.html
后续
通过第一步，找出有问题的代码之后，观察到线程栈之后。我们就要根据具体问题来具体分析。这里举几个例子。
情况一：发现使用CPU最高的都是GC 线程。
GC task thread#0 (ParallelGC)" os_prio=0 tid=0x00007fd99001f800 nid=0x779 runnableGC task thread#1 (ParallelGC)" os_prio=0 tid=0x00007fd990021800 nid=0x77a runnable GC task thread#2 (ParallelGC)" os_prio=0 tid=0x00007fd990023000 nid=0x77b runnable GC task thread#3 (ParallelGC)" os_prio=0 tid=0x00007fd990025000 nid=0x77c runnabl
gc 排查的内容较多，所以我决定在后面单独列一节讲述。
情况二：发现使用CPU最高的是业务线程
-
io wait
-
比如此例中，就是因为磁盘空间不够导致的io阻塞
-
-
等待内核态锁，如 synchronized
-
jstack -l pid | grep BLOCKED查看阻塞态线程堆栈 -
dump 线程栈，分析线程持锁情况。
-
arthas提供了
thread -b，可以找出当前阻塞其他线程的线程。针对 synchronized 情况
-
常见现象：频繁 GC
1. 回顾GC流程
在了解下面内容之前，请先花点时间回顾一下GC的整个流程。
接前面的内容，这个情况下，我们自然而然想到去查看gc 的具体情况。
-
方法a : 查看gc 日志
-
方法b :
jstat -gcutil 进程号 统计间隔毫秒 统计次数（缺省代表一致统计 -
方法c : 如果所在公司有对应用进行监控的组件当然更方便（比如Prometheus + Grafana）
这里对开启 gc log 进行补充说明。一个常常被讨论的问题（惯性思维）是在生产环境中GC日志是否应该开启。因为它所产生的开销通常都非常有限，因此我的答案是需要开启。但并不一定在启动JVM时就必须指定GC日志参数。
HotSpot JVM有一类特别的参数叫做可管理的参数。对于这些参数，可以在运行时修改他们的值。我们这里所讨论的所有参数以及以“PrintGC”开头的参数都是可管理的参数。这样在任何时候我们都可以开启或是关闭GC日志。比如我们可以使用JDK自带的jinfo工具来设置这些参数，或者是通过JMX客户端调用
HotSpotDiagnostic MXBean的setVMOption方法来设置这些参数。这里再次大赞arthas❤️，它提供的
vmoption命令可以直接查看，更新VM诊断相关的参数。
获取到gc日志之后，可以上传到GC easy帮助分析，得到可视化的图表分析结果。
2. GC 原因及定位
prommotion failed
从S区晋升的对象在老年代也放不下导致 FullGC（fgc 回收无效则抛 OOM）。
可能原因：
-
survivor 区太小，对象过早进入老年代
查看 SurvivorRatio 参数
-
大对象分配，没有足够的内存
dump 堆，profiler/MAT 分析对象占用情况
-
old 区存在大量对象
dump 堆，profiler/MAT 分析对象占用情况
你也可以从full GC 的效果来推断问题，正常情况下，一次full GC应该会回收大量内存，所以 正常的堆内存曲线应该是呈锯齿形。如果你发现full gc 之后堆内存几乎没有下降，那么可以推断：**堆中有大量不能回收的对象且在不停膨胀，使堆的使用占比超过full GC的触发阈值，但又回收不掉，导致full GC一直执行。换句话来说，可能是内存泄露了。
一般来说，GC相关的异常推断都需要涉及到内存分析，使用jmap之类的工具dump出内存快照（或者 Arthas的heapdump）命令，然后使用MAT、JProfiler、JVisualVM等可视化内存分析工具。
至于内存分析之后的步骤，就需要小伙伴们根据具体问题具体分析啦。
常见现象：线程池异常
场景预设：
业务监控突然告警，或者外部反馈提示大量请求执行失败。
异常说明：
Java 线程池以有界队列的线程池为例，当新任务提交时，如果运行的线程少于 corePoolSize，则创建新线程来处理请求。如果正在运行的线程数等于 corePoolSize 时，则新任务被添加到队列中，直到队列满。当队列满了后，会继续开辟新线程来处理任务，但不超过 maximumPoolSize。当任务队列满了并且已开辟了最大线程数，此时又来了新任务，ThreadPoolExecutor 会拒绝服务。
常见问题和原因
这种线程池异常，一般可以通过开发查看日志查出原因，有以下几种原因：
-
下游服务 响应时间（RT）过长
这种情况有可能是因为下游服务异常导致的，作为消费者我们要设置合适的超时时间和熔断降级机制。
另外针对这种情况，一般都要有对应的监控机制：比如日志监控、metrics监控告警等，不要等到目标用户感觉到异常，从外部反映进来问题才去看日志查。
-
数据库慢 sql 或者数据库死锁
查看日志中相关的关键词。
-
Java 代码死锁
jstack –l pid | grep -i –E 'BLOCKED | deadlock'
四、常见问题恢复
这一部分内容参考自此篇文章
对于上文提到的一些问题，这里总结了一些恢复的方法。
五、Arthas
这里还是想单独用一节安利一下Arthas这个工具。
Arthas 是阿里巴巴开源的Java 诊断工具，基于 Java Agent 方式，使用 Instrumentation 方式修改字节码方式进行 Java 应用诊断。
-
dashboard ：系统实时数据面板, 可查看线程，内存，gc 等信息
-
thread ：查看当前线程信息，查看线程的堆栈，如查看最繁忙的前 n 线程
-
getstatic：获取静态属性值，如
getstatic className attrName可用于查看线上开关真实值 -
sc：查看 jvm 已加载类信息，可用于排查 jar 包冲突
-
sm：查看 jvm 已加载类的方法信息
-
jad：反编译 jvm 加载类信息,排查代码逻辑没执行原因
-
logger：查看logger信息，更新logger level
-
watch：观测方法执行数据，包含出参、入参、异常等
-
trace：方法内部调用时长，并输出每个节点的耗时，用于性能分析
-
tt：用于记录方法，并做回放
以上内容节选自Arthas官方文档。
另外，Arthas里的 还集成了 ognl 这个轻量级的表达式引擎，通过ognl，你可以用arthas 实现很多的“骚”操作。
其他的这里就不多说了，感兴趣的可以去看看arthas的官方文档、github issue。
六、涉及工具
再说下一些工具。
-
Arthas
-
useful-scripts
-
GC easy
-
Smart Java thread dump analyzer - thread dump analysis in seconds
-
PerfMa - Java虚拟机参数/线程dump/内存dump分析
-
Linux 命令
-
Java N 板斧
-
MAT、JProfiler...等可视化内存分析工具
参考
-
https://developer.aliyun.com/article/757655
-
Arthas 3.2.0 文档
-
《分布式服务架构：原理、设计与实战》
附录
top 命令显示的指示符的含义
| 指示符 | 含义 |
|---|---|
| PID | 进程id |
| USER | 进程所有者 |
| PR | 进程优先级 |
| NI | nice值。负值表示高优先级，正值表示低优先级 |
| VIRT | 进程使用的虚拟内存总量，单位kb。VIRT=SWAP+RES |
| RES | 进程使用的、未被换出的物理内存大小，单位kb。RES=CODE+DATA |
| SHR | 共享内存大小，单位kb |
| S | 进程状态。D=不可中断的睡眠状态 R=运行 S=睡眠 T=跟踪/停止 Z=僵尸进程 |
| %CPU | 上次更新到现在的CPU时间占用百分比 |
| %MEM | 进程使用的物理内存百分比 |
| TIME+ | 进程使用的CPU时间总计，单位1/100秒 |
| COMMAND | 进程名称（命令名/命令行） |