记第二次线上问题排查过程

9.14早上八点多服务开始频繁重启，影响到线上，记录一下整体排查过程。

1.首先看到pod的CPU 负载较高，以为是流量增大导致CPU打满，线程处理不过来，探针探活失败导致重启，第一次解决办法增加CPU核数，未解决；
2.看pod拉起来时候的日志报错信息，发现有kafka的报错，抛出了自定义的异常类，进入代码查看，consumer是手动提交，且只catch了IOException，自定义异常会出现无法提交offset。推测是consumer卡死，导致pod的CPU打满重启。第二次解决办法：在consumer中catch所有Exception。但是看topic监控,并没有出现大批量消息阻塞。修改上线后仍旧未解决；
3.通过skyWalking发现pod的old GC频繁，且eden区内存打满，推测是发生了OOM。进一步检查，指定堆大小的时候，设置了最大最小堆内存为3G，但是年轻代设置了2G，可能是参数不合理。第三次解决办法：增加pod内存至8G，堆内存至5G，同时优化配置参数，不显式指定年轻代大小。结果：未解决；
4.在第三次解决过程中发现pod拉起来后会平稳运行一段时间，至某一时刻堆内存突增直接打满，然后会进行old GC，之后就是pod重启。解决办法：下载下来堆内存文件，用工具进行分析，看具体是哪个对象占了大量内存。具体操作步骤：①服务构建镜像时选择的必须是jdk不是jre，否则无法识别jmap命令；②pod内执行命令jps，找到自己服务对应的进程号；③执行jmap -dump:format=b,file=<文件名> ；④堆文件生成后执行命令python -m SimpleHTTPServer 端口号，开通http访问；⑤在浏览器地址栏通过http://pod的IP:④中端口号/文件名开启文件下载；⑥通过MAT软件打开堆文件，分析泄漏报告；通过报告发现是一条mongo查询语句导致OOM，具体就是查询了所有手机号为空的用户，数据量太大导致程序崩掉。解决方法：判断查询条件，结果：解决重启问题。

最后分析本次事故原因：1.代码漏洞，Map map = new HashMap<>();
String s1 = String.valueOf(map.get(“test”));String s2 = (String)map.get(“test”);
这段代码里s1=”null”,s2=null；这就造成了最后对字符串判空时用s1判断成了非空，但是查询的时候用的又是s2出现了上述问题；2.前端上线，导致这种情况变多，频繁重启；

总结：1.重要的在线服务建议和运维沟通，做好文件挂载，不然会出现堆文件生成了，但是pod重启，文件下载被中断；2.出现问题时，先看日志，有明显报错先解决报错问题，如果不行，及时观察skyWalking，看是CPU还是OOM，如果是OOM，则需要尽快下载有问题时刻的堆文件进行内存分析，定位问题。