CTO：假如Java微服务随机掉线，你会怎么排查？
背景
-
我们的业务共使用11台(阿里云)服务器,使用SpringcloudAlibaba构建微服务集群,共计60个微服务,全部注册在同一个Nacos集群
-
流量转发路径: nginx->spring-gateway->业务微服务
-
使用的版本如下: spring-boot.version:2.2.5.RELEASE spring-cloud.version:Hoxton.SR3 spring-cloud-alibaba.version:2.2.1.RELEASE java.version：1.8
案发
-
春节放假期间,收到反馈,网页报错服务未找到(gateway找不到服务的报错提示).
-
查看nacos集群列表,发现个别服务丢失(下线).
-
这个问题每几天出现一次,出现时间不固定,每次掉线的服务像是随机选的几个.
-
服务手动kill+restart后能稳定运行2-3天
排查和解决
怀疑对象一:服务器内存爆了
1.进阿里云控制台查看故障机器近期的各项指标,但是发现故障机器的指标有重要的几项丢失,内存使用率,cpu使用率,系统负载均不显示
2.控制台看不了只好进服务器内查看各指标 free -m查看内存,无异常 3.提交阿里工单,授权阿里工程师帮忙修复控制台显示问题,怀疑这个问题对业务有影响
4.控制台修复后掉线问题依然存在
怀疑对象二:CPU满载
能感觉到执行命令很流畅,所以感觉不是这个原因, top查看后很正常
怀疑对象三:磁盘满了
虽然概率很小,但是看一下,du -sh *发现磁盘容量还能用到公司倒闭
怀疑对象四:网络有问题
-
服务器那三个基本故障暂时排除后,最大怀疑对象就是网络,毕竟服务掉线肯定是服务端一段时间内接收不到客户端心跳包,所以把客户端踢下线了.
-
通过telnet,mtr -n *.*.*.*,netstat -nat |grep "TIME_WAIT" | wc -l这些命令也只能看个大概.
-
echo "1" > /proc/sys/net/ipv4/tcp_tw_reuse修改内核参数,开启TIME_WAIT socket复用能力，提升实例的网络发送请求性能.
-
查看nacos客户端(微服务)的日志,在前面案发里提到没有日志记录
怀疑对象五:Nacos集群服务端故障
-
查看nacos集群部署的那几台服务器,查看服务器基础指标(内存,cpu,磁盘等),未发现异常(毕竟还有几十个微服务都很正常工作)
-
查看nacos服务端日志,发现确实有主动下线服务操作,那就奇怪了,这个机器上的有些服务还在正常工作,为什么会随机下线几个服务呢?
怀疑对象六:微服务占用资源太多
后来仔细想想,这个怀疑对象是不是有点离谱了?因为部署脚本都是同一个,而且负载均衡也是一样的,但其他机器的这个服务都好好的.
1.调大每个微服务的内存占用
2.添加堆栈打印
3.等待一段时间后,异常依然存在,并且,没有堆栈打印???因为进程好好的并没退出!
4.google搜索nacos服务掉线,找到一篇看起来极其靠谱的文章!
5.上文提到我使用的springcloud版本,恰好这个版本的nacos-client版本就是1.4.1,于是立马测试升级
6.观察几天后,发现问题依旧,只能将探查方向继续转回微服务本身.
7.使用arthas进行勘测各项指标,发现所有正常的服务各指标均正常.
8.想到服务掉线大概率是因为心跳包丢失,怀疑是心跳线程因为某些原因被杀死了.
9.翻看nacos-client源码,找到心跳函数(nacos2.x不是这个),使用arthas监听心跳包,尝试能找到心跳丢失的证据,贴上当时的记录
10.当异常再次发生......arthas监听卡死,无任何记录和响应........
11.无奈更换思路,写一个监听服务掉线的程序,期望可以在工作时间内及时获取到异常
12.终于在工作时间捕获到异常,第一时间进入服务器内查看情况,
13.确认服务器基础项没问题后,使用arthas查看服务进程堆栈情况,但是arthas无法进入进程!!!
14.用jstat查看GC情况,显示很正常
15.用jmap/jstack输出堆栈jstack -l 25944 >heap.txt,但是提示无法进入进程,无奈使用添加-F(这个参数的堆栈少了很多信息),jstack -F -l 25944 >heap.txt
16.查看堆栈文件,上万行记录,眼都看花了,但是没有死锁也没有发现异常
17.此时发现监听程序提示服务上线了???!!!检查后发现确实掉线的几个微服务自动恢复了,心想这就难排查了.
18.尝试复现BUG,此时离第一次案发已经过去一周多,必须尽快处理好这个BUG,否则可能得被迫离职了...
19.当第二次发生异常的时候,使用同样的方式,arthas无法进入->...->jstack输出堆栈,奇迹发生了,服务又恢复正常了
20.思考/猜测:因为jvm死了(假死),所以导致进程中的一切内容,包括心跳线程,日志等,都hold住.
20.Google搜索关键词jvm停止(假死)排查,终于找到一个极其靠谱的回答
21.连忙查看对比使用的几个机器内核版本号uname -r
22.那个低版本的就是故障机器,确认相关信息后,联系阿里云提交工单
23.升级完内核并重启后机器后,观察两天至今,这个问题不存在了,谁能想到这个问题居然是因为Linux内核的BUG引起的,不得不佩服第一个发现这个BUG的大佬
完结感言
这个问题折磨了一周多,每日如鲠在喉!调试过程也是苦乐参半,乐的是突然有了调试思路,苦的是思路是一条死胡同,还好最终结果是满意的. 作为一名程序员,还是要时刻保持一颗探索的心,学海无涯!
最后，如果感觉文章对你有帮助，点击下方小卡片认识一下，我是乐于分享干货的后端打工人，持续输出学习干货和面试经验