记一次耗时毛刺排查

前段时间的某天，注意到一个服务的平均耗时出现了如下图的毛刺现象。

image

耗时毛刺

注意到毛刺出现极其规律，每30分钟出现一个毛刺。考虑到这种规律性，并结合服务的流量较小（20 QPS）推测，可能是某个定时请求的接口进行了耗时操作，由于流量较小放大了平均耗时，继而出现了毛刺。但排查主调调用的接口，并没有发现定时的调用，从而否定了这种可能性。
排除服务外部的原因导致的毛刺，那么只剩下服务内部的原因了。该服务为JAVA应用，考虑到服务GC会导致应用暂停，使外部请求耗时异常增长；但是，并不能解释如此规律的毛刺。抱着“死马当活马医”的想法，使用如下命令

jstat -gc pid 3000

查看了服务的GC情况，结果有了意外发现：产生毛刺时发生了多次GC，GC情况如下图：

image

毛刺时的GC情况

分析数据，得知产生一个毛刺时Young GC进行了237-231=6次，Full GC进行了303-294=9次，Full GC的时间664-641=23秒，可知，正是由于GC停顿了20多秒，从而使得平均耗时显著提高。得益于良好的运维，服务启动时加入了如下参数：

    -XX:+UseConcMarkSweepGC -Xloggc:jvm.log -verbosegc -XX:+PrintGCDetails    -XX:+PrintGCDateStamps -XX:+PrintGCApplicationStoppedTime -XX:+PrintGCTimeStamps

由此，可以继续分析具体的GC日志：

image

GC日志部分截图

注意到GC时发生了两次失败：Promotion Failed和Concurrent mode Failuer，分别是进程停顿6.8s和5s。截图中省去了部分日志，实际之后还发生了两次Concurrent mode Failuer从而使进程暂停20多秒。
那为什么连GC都如此有规律的每30分钟进行呢？再次排查代码，发现了如下类似的代码：

    public static void refresh() {        ConcurrentHashMap newCache = DBUtil.getCache();        cache = newCache;        log.info("refresh cache, size:" + newCache.size());    }

该服务是一个缓存服务，将数据库中的数据读取到内存，然后提供接口查询。由于数据库中的数据会更新，所以需要固定时间（每30分钟）从数据库重新读取数据，刷新缓存。查询数据库中的数据，发现已经有接近500万行的数据。当加载这部分数据到内存时，内存需求暴涨，JVM进行了多次耗时的GC，导致进程暂停，从而使得请求耗时出现毛刺。
找到了问题出现的原因，开始着手进行优化。由于主要是GC问题，故尝试不修改业务代码，直接修改JVM参数的方式进行优化。在优化之前，需要弄明白Promotion Failed和Concurrent mode Failuer的原因。
晋升失败Promotion Failed的原因主要有：

• Survivor区空间不足，Survivor中的对象还不足以晋升到老年代，从年轻代晋升到Survivor的对象大于了Survivor剩余的空间。
• 从年轻代直接晋升到老年代的对象大于老年代剩余的空间。

由于本例中的对象是突然暴涨的，所以可确定原因为后者，所以需要增大老年代的空间。
并发模式失败Concurrent mode Failuer的原因是：CMS GC回收对象的速度赶不上用户申请对象的速度。当发生并发模式失败后，CMS GC会退回到Serial Old GC使用串行回收，从而使得CMS GC不能发挥作用。解决该问题的方法有：

• 尽早进行CMS GC即调低-XX:CMSInitiatingOccupancyFraction参数，默认为68
• 增大老年代空间

由此，将JVM参数由之前的：

    -Xmx2048m -Xms2048m -XX:NewSize=768m -XX:MaxNewSize=768m

调整为：

    -Xmx3072m -Xms3072m -XX:NewSize=1536m -XX:MaxNewSize=1536m

增大新生代的初衷是为了直接容纳下服务刷新时的临时对象，不需要晋升到老年代。观察原来的老年代大约需要700M所以没有进行大的扩容。修改后的效果如下：

image

请求耗时

高峰耗时减少一半，但依然存在毛刺。查看GC日志，依然存在一次concurrent mode failure。
继续调整参数，增大老年代：

    -Xmx4096m -Xms4096m -XX:NewSize=1024m -XX:MaxNewSize=1024m

整个堆内存从2G扩容到4G，老年代从1.25G扩容到3G，内存已经较为充足。调整后，耗时大幅降低，也没有出现concurrent mode failure，但依然没有消除毛刺现象，效果图如下：

image

请求耗时

再次查看GC日志，发现耗时主要集中在年轻代回收：

image

GC情况

尝试使用UseParallelOldGC加快年轻代回收，但是年老代耗时过长。不能同时使用Parallel Scavenge回收年轻代，CMS回收年老代真是大坑。最后更换为G1 GC大大减少了Full GC，毛刺抖动得到大大缓解，效果如下：

image

请求耗时