一次线上OOM故障排查经过

本文是一次线上OOM故障排查的经过，内容比较基础但是真实，主要是记录一下，没有OOM排查经验的同学也可以参考。

现象

我们之前有一个计算作业。最近经常出现不稳定，无法正常响应的情况。具体表现是：各种连接超时，从mysql、mongodb和zookeeper到netty，能超时的都超时过了。其他看不到太多有效的异常。

所以我们首先怀疑的是网络问题，打电话跟运维确认，运维说网络问题的可能性几乎为0，因为我们的机器是虚机，宿主机上的其他设备都运转正常。程序问题的可能性更大。继续从应用日志和tomcat的catalina.out中查找日志，发现有一些OutOfMemoryError异常。实际上，出现这个异常就代表内存不够了。

我们使用cat（公司的Java监控平台，已开源https://github.com/dianping/cat）查看堆使用的情况，看到如下的东西：

Memory Free已经接近了0，同时产生了大量的fullgc。

回到之前的连接timeout，我们知道，Java的连接timeout，除了网络传输的时间，也包括了Java程序处理的时间，所以OOM导致timeout也不奇怪了。

工具和排查

之前JVM分析做的很少，在同事的帮助下，结合一点资料，完成了基本的分析。

首先可用的是

jmap -histo PID

这个命令会将内存中最终保存的对象列出来。

其中”[“表示数组，例如”[B"是byte[]，具体可以看Class.getName()的Javadoc。

但是这个只能粗略定位原因，如果要仔细分析，需要知道是哪些个对象持有了它，这个时候，就需要dump内存下来，再离线分析了。

dump内存的命令是：

jmap -dump:format=b,file=/home/admin/dump.bin PID

此操作异常耗时，我跟运维在假死的机器上尝试了几次，竟然把tomcat进程干掉了，使用时还是小心为妙…跟同事讨论，认为jmap -dump实际上也是往运行的JVM实例发送一个dump请求，所以如果实例内存不足，dump很可能会失败。比较好的做法是先降低一部分负载（比如把线上的机器先切下线）再试。

我这里使用VisualVM进行分析，大致效果如下：

这里选择“计算保留大小”。这个保留大小是递归计算实例之间的依赖，得到的总大小。因为去掉了循环依赖，所以并不完全准确，但是用于排查够了。选择保留大小最大的实例，一般就是罪魁祸首了！

最后排查出的结果，是公司的RPC中间件使用了ThreadLocal来保存一个context，但是最后却没有释放。按照架构组的说明，升级了版本，问题解决！