2019独角兽企业重金招聘Python工程师标准>>> 
背景：新功能开发测试完成后，准备发布上线，当发布完第三台机器时，监控显示其中一台机器CPU突然飙升到300%，Dubbo活动线程数直接飙到1000+，不得不停止发布，立马回滚出问题的机器，回滚之后恢复正常；继续观察另外两台已经发布的机器，最终，无一幸免，只能全部回滚了。
下面是我的故障排查过程：
监控日志分析
首先查看故障时间点的应用日志，发现大量方法耗时较久，其中filterMission方法尤为显著，耗时长达30S+。说明下，filterMission是当前服务中QPS较高的接口（日均调用量2个亿），所以导致故障的可能性也较高。于是重新review了一遍filterMission的实现，其中并无复杂的计算逻辑，没有大量数据的处理逻辑，也不存在锁的争用，本次需求更是不涉及filterMission的改造，排除filterMission导致故障发生。
从日志中也可以发现，大量请求发生超时，这些都只能说明系统负载过重，并不能定位问题的症结所在。
Code Review
从应用日志找不到原因所在，只能再做一次code review了。首先检查系统中是否存在同步代码逻辑的使用，主要是为了排除发生死锁的可能；检查具有复杂运算逻辑的代码；同时，将本次修改的代码和上一版本进行比对，也没找出什么问题。（事实证明，Review不够仔细）
线程Dump分析
到此，从日志中暂时也分析不出问题，盲目看代码也无法具体定位问题了，现在只能重新发布一台机器，出现问题时让运维将应用程序的线程堆栈dump出来，分析jstack文件。开始分析dump文件前，先巩固下基础吧。
线程状态
图中各状态说明：
New: 新建状态，当线程对象创建时存在的状态；
Runnable：ready-to-run，可运行状态，调用thread.start()后，线程变成为Runnable状态，还需要获得CPU才能运行；
Running：正在运行，当调用Thread.yield()或执行完时间片，CPU会重新调度；注意：Thread.yield()调用之后，线程会释放CPU，但是CPU重新调度可能让线程重新获得时间片。
Waiting：调用thread.join()、object.wait()和LockSupport.park()线程都会进入该状态，表明线程正处于等待某个资源或条件发生来唤醒自己；thread.join()、object.wait()需要Object的notify()/notifyAll()或发生中断来唤醒，LockSupport.park()需要LockSupport.unpark()来唤醒，这些方法使线程进入Runnable状态，参与CPU调度。
thread.join()：作用是等待线程thread终止，只有等thread执行完成后，主线程才会继续向下执行；从join()实现可知，主线程调用thread.join()之后，只有thread.isAlive()返回true，才会调用object.wait()使主线程进入等待状态，也就是说，thread.start()未被调用，或thread已经结束，object.wait()都不会被调用。也就是说，必须先启动线程thread，调用thread.join()才会生效；若主线程在waiting状态被唤醒，会再次判断thread.isAlive()，若为true，继续调用object.wait()使进入waiting状态，直到thread终止，thread.isAlive()返回false。
object.wait()：作用是使线程进入等待状态，只有线程持有对象上的锁，才能调用该对象的wait()，线程进入等待状态后会释放其持有的该对象上的锁，但会仍然持有其它对象的锁。若其他线程想要调用notify()、notifyAll()唤醒该线程，也需要持有该对象的锁。
LockSupport.park()：挂起当前线程，不参与线程调度，除非调用LockSupport.unpark()重新参与调度。
Timed_Waiting：调用Thread.sleep(long)、LockSupport.parkNanos(long)、thread.join(long)或obj.wait(long)等都会使线程进入该状态，与Waiting的区别在于Timed_Waiting的等待有时间限制；
Thread.sleep()：让当前线程停止运行指定的毫秒数，该线程不会释放其持有的锁等资源。
Blocked：指线程正在等待获取锁，当线程进入synchronized保护的代码块或方法时，没有获取到锁，则会进入该状态；或者线程正在等待I/O，也会进入该状态。注意，java中Lock对象不会使线程进入该状态。
Dead：线程执行完毕，或者抛出了未捕获的异常之后，会进入dead状态，表示该线程结束。
上图中某些状态只是为了方便说明，实际并不存在，如running/sleeping，java中明确定义的线程状态值有如下几个：
NEW、RUNNABLE、BLOCKED、WAITING、TIMED_WAITING、TERMINATED
分析jstack日志
- 大量dubbo线程处于WAITING状态，看日志：
"DubboServerHandler-172.24.16.78:33180-thread-1220" #1700 daemon prio=5 os_prio=0 tid=0x00007f3394988800 nid=0x4aae waiting on condition [0x00007f32d75c0000]
java.lang.Thread.State: WAITING (parking)
at sun.misc.Unsafe.park(Native Method)
- parking to wait for <0x00000000866090c0> (a java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject)
at java.util.concurrent.locks.LockSupport.park(LockSupport.java:175)
at java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject.await(AbstractQueuedSynchronizer.java:2039)
at java.util.concurrent.ScheduledThreadPoolExecutor$DelayedWorkQueue.take(ScheduledThreadPoolExecutor.java:1081)
at java.util.concurrent.ScheduledThreadPoolExecutor$DelayedWorkQueue.take(ScheduledThreadPoolExecutor.java:809)
at java.util.concurrent.ThreadPoolExecutor.getTask(ThreadPoolExecutor.java:1067)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1127)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)由日志可知道，线程“DubboServerHandler-172.24.16.78:33180-thread-1220”处于WAITING状态，主要原因是线程从线程池队列中取任务来执行，但线程池为空，最终调用了LockSupport.park使线程进入等待状态，需要等待队列非空的通知。
设想一下，什么时候会新创建新线程来处理请求？结合jdk线程池实现可知，当新请求到来时，若池中线程数量未达到corePoolSize，线程池就会直接新建线程来处理请求。
根据jstack日志，有195个dubbo线程从ScheduledThreadPoolExecutor中取任务导致处于WAITING状态，按理这些dubbo线程只负责处理客户端请求，不会处理调度任务，为什么会去调度任务线程中取任务呢？这里暂时抛出这个问题吧，我也不知道答案，希望有大神帮忙解答。
- 还有另外一部分WAITING状态的线程，看日志：
"DubboServerHandler-172.24.16.78:33180-thread-1489" #1636 daemon prio=5 os_prio=0 tid=0x00007f33b0122800 nid=0x48ec waiting on condition [0x00007f32db600000]
java.lang.Thread.State: WAITING (parking)
at sun.misc.Unsafe.park(Native Method)
- parking to wait for <0x0000000089d717a8> (a java.util.concurrent.SynchronousQueue$TransferStack)
at java.util.concurrent.locks.LockSupport.park(LockSupport.java:175)
at java.util.concurrent.SynchronousQueue$TransferStack.awaitFulfill(SynchronousQueue.java:458)
at java.util.concurrent.SynchronousQueue$TransferStack.transfer(SynchronousQueue.java:362)
at java.util.concurrent.SynchronousQueue.take(SynchronousQueue.java:924)
at java.util.concurrent.ThreadPoolExecutor.getTask(ThreadPoolExecutor.java:1067)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1127)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
这部分dubbo线程主要是因为从ThreadPoolExecutor取任务来执行时被挂起（309个线程），这些线程正常处理完第一个请求后，就会回到线程池等待新的请求。由于这里使用newFixedThreadPool作为dubbo请求处理池，因此每个新请求默认都会创建新线程来处理，除非达到池的限定值。只有达到线程池最大线程数量，新的请求来临才会被加入任务队列，哪些阻塞在getTask()的线程才会得到复用。
- 此外，还有大量dubbo线程处于BLOCKED状态，看日志：
"DubboServerHandler-172.24.16.78:33180-thread-236" #1727 daemon prio=5 os_prio=0 tid=0x00007f336403b000 nid=0x4b8b waiting for monitor entry [0x00007f32d58a4000]
java.lang.Thread.State: BLOCKED (on object monitor)
at org.apache.logging.log4j.core.appender.rolling.RollingFileManager.checkRollover(RollingFileManager.java:149)
- waiting to lock <0x0000000085057998> (a org.apache.logging.log4j.core.appender.rolling.RollingRandomAccessFileManager)
at org.apache.logging.log4j.core.appender.RollingRandomAccessFileAppender.append(RollingRandomAccessFileAppender.java:88)
at org.apache.logging.log4j.core.config.AppenderControl.tryCallAppender(AppenderControl.java:155)
at org.apache.logging.log4j.core.config.AppenderControl.callAppender0(AppenderControl.java:128)
at org.apache.logging.log4j.core.config.AppenderControl.callAppenderPreventRecursion(AppenderControl.java:119)
at org.apache.logging.log4j.core.config.AppenderControl.callAppender(AppenderControl.java:84)
at org.apache.logging.log4j.core.config.LoggerConfig.callAppenders(LoggerConfig.java:390)
at org.apache.logging.log4j.core.config.LoggerConfig.processLogEvent(LoggerConfig.java:375)
at org.apache.logging.log4j.core.config.LoggerConfig.log(LoggerConfig.java:359)
at org.apache.logging.log4j.core.config.LoggerConfig.log(LoggerConfig.java:349)
at org.apache.logging.log4j.core.config.AwaitCompletionReliabilityStrategy.log(AwaitCompletionReliabilityStrategy.java:63)
at org.apache.logging.log4j.core.Logger.logMessage(Logger.java:146)
at org.apache.logging.log4j.spi.AbstractLogger.logMessage(AbstractLogger.java:1993)
at org.apache.logging.log4j.spi.AbstractLogger.logIfEnabled(AbstractLogger.java:1852)
at org.apache.logging.slf4j.Log4jLogger.info(Log4jLogger.java:179)
at com.alibaba.dubbo.common.logger.slf4j.Slf4jLogger.info(Slf4jLogger.java:42)
at com.alibaba.dubbo.common.logger.support.FailsafeLogger.info(FailsafeLogger.java:93)
at com.dianwoba.universe.dubbo.filter.ResponseFilter$1.run(ResponseFilter.java:116)
at java.util.concurrent.Executors$RunnableAdapter.call(Executors.java:511)
at java.util.concurrent.FutureTask.run(FutureTask.java:266)
at java.util.concurrent.ScheduledThreadPoolExecutor$ScheduledFutureTask.access$201(ScheduledThreadPoolExecutor.java:180)
at java.util.concurrent.ScheduledThreadPoolExecutor$ScheduledFutureTask.run(ScheduledThreadPoolExecutor.java:293)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)waiting for monitor entry ：说明当前线程正处于EntryList队列中，等待获取监视器锁。
说明：Java中synchronized的同步语义主要基于Java对象头和monitor实现，每个monitor同一时间只能由一个线程拥有，其他想要获取该monitor只能等待，其中monitor具有两个队列：WaitSet 和 EntryList。当某个线程在拥有monitor时，调用了Object.wait()，则会释放monitor，进入WaitSet队列等待，此时线程状态为WAITING，WaitSet中的等待的状态是 “in Object.wait()”。当其他线程调用Object的notify()/notifyAll()唤醒该线程后，将会重新竞争monitor；当某个线程尝试进入synchronized代码块或方法时，获取monitor失败则会进入EntryList队列，此时线程状态为BLOCKED，EntryList中等待的状态为“waiting for monitor entry”。
根据jstack日志，有377个dubbo线程在等待锁定资源“0x0000000085057998”，从堆栈可知，这些线程都在竞争RollingRandomAccessFileManager的monitor，让我们看看那个线程拥有了该监视器，看日志：
"DubboServerHandler-172.24.16.78:33180-thread-429" #553 daemon prio=5 os_prio=0 tid=0x00007f339c09f800 nid=0x4467 waiting for monitor entry [0x00007f331f53a000]
java.lang.Thread.State: BLOCKED (on object monitor)
at org.apache.logging.log4j.core.appender.rolling.RollingFileManager.checkRollover(RollingFileManager.java:149)
- locked <0x0000000085057998> (a org.apache.logging.log4j.core.appender.rolling.RollingRandomAccessFileManager)
at org.apache.logging.log4j.core.appender.RollingRandomAccessFileAppender.append(RollingRandomAccessFileAppender.java:88)
at org.apache.logging.log4j.core.config.AppenderControl.tryCallAppender(AppenderControl.java:155)
at org.apache.logging.log4j.core.config.AppenderControl.callAppender0(AppenderControl.java:128)
at org.apache.logging.log4j.core.config.AppenderControl.callAppenderPreventRecursion(AppenderControl.java:119)
at org.apache.logging.log4j.core.config.AppenderControl.callAppender(AppenderControl.java:84)
at org.apache.logging.log4j.core.config.LoggerConfig.callAppenders(LoggerConfig.java:390)
at org.apache.logging.log4j.core.config.LoggerConfig.processLogEvent(LoggerConfig.java:375)
at org.apache.logging.log4j.core.config.LoggerConfig.log(LoggerConfig.java:359)
at org.apache.logging.log4j.core.config.LoggerConfig.logParent(LoggerConfig.java:381)
at org.apache.logging.log4j.core.config.LoggerConfig.processLogEvent(LoggerConfig.java:376)
at org.apache.logging.log4j.core.config.LoggerConfig.log(LoggerConfig.java:359)
at org.apache.logging.log4j.core.config.LoggerConfig.log(LoggerConfig.java:349)
at org.apache.logging.log4j.core.config.AwaitCompletionReliabilityStrategy.log(AwaitCompletionReliabilityStrategy.java:63)
at org.apache.logging.log4j.core.Logger.logMessage(Logger.java:146)
at org.apache.logging.log4j.spi.AbstractLogger.logMessage(AbstractLogger.java:1993)
at org.apache.logging.log4j.spi.AbstractLogger.logIfEnabled(AbstractLogger.java:1852)
at org.apache.logging.slf4j.Log4jLogger.warn(Log4jLogger.java:239)
at com.alibaba.dubbo.common.logger.slf4j.Slf4jLogger.warn(Slf4jLogger.java:54)
at com.alibaba.dubbo.common.logger.support.FailsafeLogger.warn(FailsafeLogger.java:107)
at com.alibaba.dubbo.rpc.filter.TimeoutFilter.invoke(TimeoutFilter.java:48)
at com.alibaba.dubbo.rpc.protocol.ProtocolFilterWrapper$1.invoke(ProtocolFilterWrapper.java:91)
at com.alibaba.dubbo.rpc.protocol.dubbo.filter.TraceFilter.invoke(TraceFilter.java:78)
at com.alibaba.dubbo.rpc.protocol.ProtocolFilterWrapper$1.invoke(ProtocolFilterWrapper.java:91)
at com.alibaba.dubbo.rpc.filter.ContextFilter.invoke(ContextFilter.java:60)
at com.alibaba.dubbo.rpc.protocol.ProtocolFilterWrapper$1.invoke(ProtocolFilterWrapper.java:91)
at com.alibaba.dubbo.rpc.filter.GenericFilter.invoke(GenericFilter.java:112)
at com.alibaba.dubbo.rpc.protocol.ProtocolFilterWrapper$1.invoke(ProtocolFilterWrapper.java:91)
at com.alibaba.dubbo.rpc.filter.ClassLoaderFilter.invoke(ClassLoaderFilter.java:38)
at com.alibaba.dubbo.rpc.protocol.ProtocolFilterWrapper$1.invoke(ProtocolFilterWrapper.java:91)
at com.alibaba.dubbo.rpc.filter.EchoFilter.invoke(EchoFilter.java:38)
at com.alibaba.dubbo.rpc.protocol.ProtocolFilterWrapper$1.invoke(ProtocolFilterWrapper.java:91)
at com.alibaba.dubbo.rpc.protocol.dubbo.DubboProtocol$1.reply(DubboProtocol.java:108)
at com.alibaba.dubbo.remoting.exchange.support.header.HeaderExchangeHandler.handleRequest(HeaderExchangeHandler.java:84)
at com.alibaba.dubbo.remoting.exchange.support.header.HeaderExchangeHandler.received(HeaderExchangeHandler.java:170)
at com.alibaba.dubbo.remoting.transport.DecodeHandler.received(DecodeHandler.java:52)
at com.alibaba.dubbo.remoting.transport.dispatcher.ChannelEventRunnable.run(ChannelEventRunnable.java:82)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)看到该线程的堆栈就一脸懵b了，它已经锁定了资源“0x0000000085057998”，但仍然处于BLOCKED状态，是不是有死锁的味道？但是这里不是死锁，最可能的原因是：
- 线程没有获得运行所需的资源；
- JVM正在进行fullGC
从这部分日志可知，大部分线程阻塞在打印监控日志的过程中，所以很多请求出现超时。主要原因可能是CPU占用率高，持有锁的线程处理过程非常慢，导致越来越多的线程在锁竞争中被阻塞，整体性能下降。
到此，仍然没有找到问题的原因，再一次观察资源占用情况，发现当出现问题时，内存占用持续增长，且无下降痕迹，然后找运维dump了一份GC日志，发现JVM一直在做fullGC，而每次GC之后内存基本没变化，说明程序中发生了内存泄漏。最后定位到发生内存泄漏的地方是一个分页查询接口，SQL语句中漏掉了limit,offset，够初心大意了。
这尼玛一次性将整张表的数据查出来（300万），还要对300万记录循环处理一遍，这内存不爆掉就怪了。正是因为该原因，导致内存长时间没有释放，JVM执行fullGC无法回收内存，导致持续做fullGC，CPU被耗尽，无法处理应用请求。
综上，罪魁祸首是发生了内存泄漏，JVM一直做fullGC，导致CPU突然飙升，Dubbo活动线程数增大，锁竞争严重，请求处理超时。根据以上分析，同时也暴露了另外一个不合理的问题：dubbo线程池数量配置过大，最大值为1500，也就是说最终线程池中会有1500个线程来处理用户请求，当并发量高时，活动线程数增加，CPU频繁进行上下文切换，系统的吞吐率并不会太高。这是一个优化点。
本文记录该过程，一方面是为了记录曾经踩过的坑，同时提高自己的故障分析和处理能力。当需要问题时，一定不要着急，学会分析问题，一步步找到问题所在。尤其是遇到线上问题时，由于无法调试，一定要在应用中做监控，当出现问题时，一定要结合日志来分析，业务中的问题结合业务日志，性能问题结合内存dump日志和线程dump日志等等。
欢迎指出本文有误的地方！