Java Agent 踩坑之 appendToSystemClassLoaderSearch 问题
从 Java Agent 报错开始，到 JVM 原理，到 glibc 线程安全，再到 pthread tls，逐步探究 Java Agent 诡异报错。
背景
由于阿里云多个产品都提供了 Java Agent 给用户使用，在多个 Java Agent 一起使用的场景下，造成了总体 Java Agent 耗时增加，各个 Agent 各自存储，导致内存占用、资源消耗增加。
MSE 发起了 one-java-agent 项目，能够协同各个 Java Agent；同时也支持更加高效、方便的字节码注入。
其中，各个 Java Agent 作为 one-java-agent 的 plugin，在 premain 阶段是通过多线程启动的方式来加载，从而将启动速度由 O(n)降低到 O(1)，降低了整体 Java Agent 整体的加载时间。
问题
但最近在新版 Agent 验证过程中，one-java-agent 的 premain 阶段，发现有如下报错：
2022-06-15 06:22:47 [oneagent plugin arms-agent start] ERROR c.a.o.plugin.PluginManagerImpl -start plugin error, name: arms-agent
com.alibaba.oneagent.plugin.PluginException: start error, agent jar::/home/admin/.opt/ArmsAgent/plugins/ArmsAgent/arms-bootstrap-1.7.0-SNAPSHOT.jar
at com.alibaba.oneagent.plugin.TraditionalPlugin.start(TraditionalPlugin.java:113)
at com.alibaba.oneagent.plugin.PluginManagerImpl.startOnePlugin(PluginManagerImpl.java:294)
at com.alibaba.oneagent.plugin.PluginManagerImpl.access$200(PluginManagerImpl.java:22)
at com.alibaba.oneagent.plugin.PluginManagerImpl$2.run(PluginManagerImpl.java:325)
at java.lang.Thread.run(Thread.java:750)
Caused by: java.lang.InternalError: null
at sun.instrument.InstrumentationImpl.appendToClassLoaderSearch0(Native Method)
at sun.instrument.InstrumentationImpl.appendToSystemClassLoaderSearch(InstrumentationImpl.java:200)
at com.alibaba.oneagent.plugin.TraditionalPlugin.start(TraditionalPlugin.java:100)
... 4 common frames omitted
2022-06-16 09:51:09 [oneagent plugin ahas-java-agent start] ERROR c.a.o.plugin.PluginManagerImpl -start plugin error, name: ahas-java-agent
com.alibaba.oneagent.plugin.PluginException: start error, agent jar::/home/admin/.opt/ArmsAgent/plugins/ahas-java-agent/ahas-java-agent.jar
at com.alibaba.oneagent.plugin.TraditionalPlugin.start(TraditionalPlugin.java:113)
at com.alibaba.oneagent.plugin.PluginManagerImpl.startOnePlugin(PluginManagerImpl.java:294)
at com.alibaba.oneagent.plugin.PluginManagerImpl.access$200(PluginManagerImpl.java:22)
at com.alibaba.oneagent.plugin.PluginManagerImpl$2.run(PluginManagerImpl.java:325)
at java.lang.Thread.run(Thread.java:855)
Caused by: java.lang.IllegalArgumentException: null
at sun.instrument.InstrumentationImpl.appendToClassLoaderSearch0(Native Method)
at sun.instrument.InstrumentationImpl.appendToSystemClassLoaderSearch(InstrumentationImpl.java:200)
at com.alibaba.oneagent.plugin.TraditionalPlugin.start(TraditionalPlugin.java:100)
... 4 common frames omitted熟悉 Java Agent 的同学可能能注意到，这是调用 Instrumentation.appendToSystemClassLoaderSearch 报错了。
但首先 appendToSystemClassLoaderSearch 的路径是存在的；其次，这个报错的真实原因是在 C++部分，比较难排查。
但不管怎样，还是要深究下为什么出现这个错误。
首先我们梳理下具体的调用流程，下面的分析都是基于此来分析的：
- Instrumentation.appendToSystemClassLoaderSearch (java)
- appendToClassLoaderSearch0 (JNI)
`- appendToClassLoaderSearch
|- AddToSystemClassLoaderSearch
| `-create_class_path_zip_entry
| `-stat
`-convertUft8ToPlatformString
`- iconv打日志、确定现场
因为这个问题在容器环境下，有 10% 的概率出现，比较容易复现，于是就用 dragonwell8 的最新代码，加日志，确认下现场。
首先在 JNI 的实际入口处，也就是 appendToClassLoaderSearch 的方法入口添加日志：
加了上面的日志后，发现问题更加令人头秃了：
- 没有报错的时候，appendToClassLoaderSearch entry 会输出。
- 有报错的时候，appendToClassLoaderSearch entry 反而没有输出，没执行到这儿？
这个和报错的日志对不上啊，难道是 stacktrace 信息骗了我们？
过了难熬的一晚上后，第二天请教了 dragonwell 的同学，大佬打日志的姿势是这样的：
- tty->print_cr("internal error");
- 如果上面用不了，再用 printf("xxx\n");fflush(stdout);
这样加日志后，果然我们的日志都能打出来了。
这是踩的第一个坑，printf 要加上 fflush 才能保证输出成功。
分析代码
后面又是不断加日志，最终发现 create_class_path_zip_entry 返回 NULL。
找不到对应的 jar 文件？
继续排查，发现是 stat 报错，返回 No such file or directory。但是前面也提到了，jarFile 的路径是存在的，难道 stat 不是线程安全的？
查了下文档[1]，发现 stat 是线程安全的。
于是又回过头来再看，这时候注意到 stat 的路径是不正常的：有的时候路径是空，有的时候路径是/home/admin/.opt/ArmsAgent/plugins/ahas-java-agent/ahas-java-agent.jarSHOT.jar，从字符末尾可以看到，基本上是因为两个字符写到了同一片内存导致的；而且对应字符串长度也变成了一个不规律的数字了。
那么问题就很明确了，开始查找这个字符串的生成。这个字符是 convertUft8ToPlatformString 生成的。
字符编码转换有问题？
于是开始调试 utf8ToPlatform 的逻辑，这时候为了避免频繁加日志、重启容器，所以直接在 ECS 上运行 gdb 调试 jvm。
结果发现，在 Linux 下，utf8ToPlatform 就是直接 memcpy，而且 memcpy 的目标地址是在栈上。
这怎么看都不太可能有线程安全问题啊？
后来仔细查了下，发现和环境变量有关，ECS 上编码相关的环境变量是 LANG=en_US.UTF-8，在容器上 centos:7 默认没有这个环境变量，此种情况下，jvm 读到的是 ANSI_X3.4-1968。
这儿是第二个坑，环境变量会影响本地编码转换。
结合如上现象和代码，发现在容器环境下，还是要经过 iconv，从 UTF-8 转到 ANSI_X3.4-1968 编码的。
其实，这儿也可以推测出来，如果手动在容器中设置了 LANG=en_US.UTF-8，这个问题就不会再出现。额外的验证也证实了这点。
然后又加日志，最终确认是 iconv 的时候，目标字符串写挂了。
难道是 iconv 线程不安全？
iconv不是线程安全的！
查一下 iconv 的文档，发现它不是完全线程安全的：
通俗的说，iconv 之前，需要先用 iconv_open 打开一个 iconv_t，而且这个 iconv_t，不支持多线程同时使用。
至此，问题已经差不多定位清楚了，因为 jvm 把 iconv_t 写成了全局变量，这样在多个线程 append 的时候，就有可能同时调用 iconv，导致竞态问题。
这儿是第三个坑，iconv 不是线程安全的。
如何修复
先修复 one-java-agent
对于 Java 代码，非常容易修改，只需要加一个锁就可以了：
但是这儿有一个设计问题，instrument 对象已经在代码中到处散落了，现在突然要加一个锁，几乎所有用到的地方都要改，代码改造成本比较大。
于是最终还是通过 proxy 类来解决：
这样其他地方就只需要使用 InstrumentationWrapper 就可以了，也不会触发这个问题。
jvm要不要修复
然后我们分析下 jvm 侧的代码，发现就是因为 iconv_t 不是线程安全的，导致 appendToClassLoaderSearch0 方法不是线程安全的，那能不能优雅的解决掉呢？
如果是 Java 程序，直接用 ThreadLoal 来存储 iconv_t 就能解决了。
但是 cpp 这边，虽然 C++ 11 支持 thread_local，但首先 jdk8 还没用 C++ 11（这个可以参考 JEP ）；其次，C++ 11 的也仅仅支持 thread_local 的 set 和 get，thread_local 的初始化、销毁等生命周期管理还不支持，比如没办法在线程结束时自动回收 iconv_t 资源。
那咱们就 fallback 到 pthread？因为 pthread 提供了 thread-specific data，可以做类似的事情。
- pthread_key_create 创建 thread-local storage 区域
- pthread_setspecific 用于将值放入 thread-local storage
- pthread_getspecific 用于从 thread-local storage 取出值
- 最重要的，pthread_once 满足了 pthread_key_t 只能初始化一次的需求。
- 另外也需要提到的，pthread_once 的第二个参数，就是线程结束时的回调，我们就可以用它来关闭 iconv_t，避免资源泄漏。
总之 pthread 提供了 thread_local 的全生命周期管理。于是，最终代码如下，用 make_key 初始化 thread-local storage：
于是编译 JDK 之后，打镜像、批量重启数次 pod，就没有再出现文章开头提到的问题了。
总结
在整个过程中，从 Java 到 JNI/JVMTi，再到 glibc，再到 pthread，踩了很多坑：
- printf 要加上 fflush 才能保证输出成功
- 环境变量会影响本地字符编码转换
- iconv 不是线程安全的
- 使用 pthread thread-local storage 来实现线程局部变量的全生命周期管理
从这个案例中，沿着调用栈、代码，逐步还原问题、并提出解决方案，希望大家能对 Java/JVM 多了解一点。
参考链接：
[1] 文档：
https://pubs.opengroup.org/onlinepubs/009695399/functions/xsh_chap02_09.html
[2] one-java-agent 修复的链接：
https://github.com/alibaba/one-java-agent/issues/31
[3] dragonwell 修复的链接：
https://github.com/alibaba/dragonwell8/pull/346
[4] one-java-agent 给大家带来了更加方便、无侵入的微服务治理方式：
https://www.aliyun.com/product/aliware/mse
原文链接
本文为阿里云原创内容，未经允许不得转载。