重启大法好！线上常见问题排查手册

一  线上常见问题定位

常见问题 1：CPU 利用率高

CPU 使用率是衡量系统繁忙程度的重 要指标，一般情况下单纯 的 CPU 高并没有问题，它代表系统正在不断的处理我们的任务，但是如果 CPU   过高，导致任务处理不过来，从而引起 load 高，这个是非常危险需要关注的。   CPU   使用率的安全值没有一个标准值，取决于你的系统是计算密集型还是 I O 密集型，一般计算密集型应用   CPU   使用率偏高 load 偏低，IO 密集型相反。

问题原因及定位：

1  频繁 FullGC/YongGC

• 查看 gc 日志

• jstack -gcutil pid   查看内存使用和 gc 情况

2  代码消耗，如死循环，md5 等内存态操作

1）arthas （已开源：https://github.com/alibaba/arthas）

• thread -n 5   查看   CPU   使用率最高的前 5 个线程（包含堆栈，第二部分有详解）

2）jstack 查找

• ps -ef | grep java   找到 Java 进程 id

• top -Hp pid   找到使用   CPU   最高的线程

• printf ‘0x%x’  tid   线程 id 转化 16 进制

• jstack pid | grep tid   找到线程堆栈

ps：输入“1”可查看每个   CPU   的情况，之前有团队遇到单个   CPU   被中间件绑定导致   CPU   飚高的 case。

常见问题 2：load 高

load 指单位时间内活跃进程数，包含运行态（runnable 和 running）和不可中断态（ IO、内核态锁）。关键字是运行态和不可中断态，运行态可以联想到 Java 线程的 6 种状态，如下，线程 new 之后处于 NEW 状态，执行 start 进入 runnable 等待   CPU   调度，因此如果   CPU   很忙会导致 runnable 进程数增加；不可中断态主要包含网络 IO、磁盘 IO 以及内核态的锁，如 synchronized 等。

问题原因及定位：

1  CPU 利用率高，可运行态进程数多

• 排查方法见常见问题一

2  iowait，等待 IO

• vmstat   查看 blocked 进程状况

• jstack -l pid | grep BLOCKED   查看阻塞态线程堆栈

3  等待内核态锁，如 synchronized

• jstack -l pid | grep BLOCKED   查看阻塞态线程堆栈

• profiler   dump 线程栈，分析线程持锁情况

常见问题 3：持续 FullGC

在了解 FullGC 原因之前，先花一点时间回顾下 jvm 的内存相关知识：

内存模型

新 new 的对象放在 Eden 区，当 Eden 区满之后进行一次 MinorGC，并将存活的对象放入 S0；

当下一次 Eden 区满的时候，再次进行 MinorGC，并将存活的对象和 S0 的对象放入S1（S0 和 S1 始终有一个是空的）；

依次循环直到 S0 或者 S1 快满的时候将对象放入 old 区，依次，直到 old 区满进行 FullGC 。

jdk1.7 之前 Java 类信息、常量池、静态变量存储在 Perm 永久代，类的原数据和静态变量在类加载的时候放入 Perm 区，类卸载的时候清理；在 1.8 中，MetaSpace 代替 Perm 区，使用本地内存，常量池和静态变量放入堆区，一定程度上解决了在运行时生成或加载大量类造成的 FullGC，如反射、代理、groovy 等。

回收器

年轻代常用 ParNew，复制算法，多线程并行；

老年代常用 CMS，标记清除算法（会产生内存碎片），并发收集(收集过程中有用户线程产生对象)。

关键常用参数

• CMSInitiatingOccupancyFraction  表示老年代使用率达到多少时进行 FullGC；

• UseCMSCompactAtFullCollection  表示在进行 FullGC 之后进行老年代内存整理，避免产生内存碎片。

问题原因及定位：

1  prommotion failed

从S区晋升的对象在老年代也放不下导致 FullGC（fgc 回收无效则抛 OOM）。

1）survivor 区太小，对象过早进入老年代。

• jstat -gcutil pid 1000   观察内存运行情况；

• jinfo pid   查看 SurvivorRatio 参数；

2） 大对象分配， 没有足够的内存。

• 日志查找关键字 “allocating large”；

• profiler   查看内存概况大对象分布；

3） old 区存在大量对象。

• 实例数量前十的类： jmap -histo pid | sort -n -r -k 2 | head -10

• 实例容量前十的类： jmap -histo pid | sort -n -r -k 3 | head -10

• dump 堆，profiler 分析对象占用情况

2  concurrent mode failed

在 CMS GC 过程中业务线程将对象放入老年代（并发收集的特点）内存不足。 详细原因：

1）fgc 触发比例过大，导致老年代占用过多，并发收集时用户线程持续产生对象导致达到触发 FGC 比例。

• jinfo  查看 CMSInitiatingOccupancyFraction 参数，一般 70~80 即可

2）老年代存在内存碎片。

• jinfo  查看 UseCMSCompactAtFullCollection 参数，在 FullGC  后整理内存

常见问题 4：线程池满

Java 线程池以有界队列的线程池为例，当新任务提交时，如果运行的线程少于 corePoolSize，则创建新线程来处理请求。如果正在运行的线程数等于 corePoolSize 时，则新任务被添加到队列中，直到队列满。当队列满了后，会继续开辟新线程来处理任务，但不超过 maximumPoolSize。当任务队列满了并且已开辟了最大线程数，此时又来了新任务，ThreadPoolExecutor 会拒绝服务。

问题原因及定位：

1  下游 RT 高，超时时间不合理

• 业务监控

• sunfire

• eagleeye

2  数据库慢 sql 或者数据库死锁

• 日志关键字 “Deadlock found when trying to get lock”

• Jstack 或 zprofiler 查看阻塞态线程

3  Java 代码死锁

• jstack –l pid | grep -i –E 'BLOCKED | deadlock'

• dump thread 通过 zprofiler 分析阻塞线程和持锁情况

常见问题 5：NoSuchMethodException

问题原因及 定位：

1  jar 包冲突

java 在装载一个目录下所有 jar 包时，它加载的顺序完全取决于操作系统。

• mvn dependency:tree   分析报错方法所在的 jar 包版本，留下新的

• arthas： sc -d ClassName

• XX： +TraceClassLoading

2  同类问题

• ClassNotFoundException

• NoClassDefFoundError

• ClassCastException

二  常用 工具 介绍

常用命令

1  tail

• -f    跟踪文件

2  grep

• -i    忽略大小写

• -v   反转查找

• -E   扩展正则表达式 ： grep -E 'pattern1|pattern2' filename

3  pgm

• -b   开启并发

• -p   指定并发数

• -A   开启 askpass

4  awk

• -F   指定分隔符： awk -F “|”  '{print $1}‘ | sort -r | uniq -c

5  sed

• 时间段匹配： sed '/2020-03-02 10:00:00/,/2020-03-02 11:00:00/p' filename

arthas

阿里巴巴开源 Java 诊断工具（开源地址：https://github.com/alibaba/arthas），基于 javaAgent 方式，使用 Instrumentation 方式修改字节码方式进行 Java 应用诊断。

基础功能介绍

• dashboard：系统实时数据面板, 可查看线程，内存，gc 等信息

• thread：jvm 线程堆栈信息，如查看最繁忙的前 n 线程

• getstatic：获取静态属性值，如 getstatic className attrName 可用于查看线上开关真实值

• sc：查看 jvm 已加载类信息，可用于排查 jar 包冲突

• sm：查看 jvm 已加载类的方法信息

• jad：反编译 jvm 加载类信息,排查代码逻辑没执行原因

• watch：观测方法执行数据，包含出入参，异常等；

watch xxxClass xxxMethod " {params, throwExp} "  -e -x 2

watch xxxClass xxxMethod "{params,returnObj}" "params[0].sellerId.equals('189')" -x 2

watch xxxClass xxxMethod sendMsg '@com.taobao.eagleeye.EagleEye@getTraceId()'

• trace：方法内部调用时长，并输出每个节点的耗时，用于性能分析

• tt：用于记录方法，并做回放

三  常见问题恢复

1  线程池满

• rpc 框架线程池满

高 RT 接口进行线程数限流

• 应用内线程池满

重启可短暂缓解，具体还得看问题原因

2   CPU 高，load 高

• 单机置换或重启，可短暂缓解，恢复看具体原因

• 集群高且流量大幅增加，扩容，恢复看具体原因

3  下游 RT 高

• 限流

• 降级

4  数据库

• 死锁

kill 进程

• 慢 sql

sql 限流

线上问题的排查是一个积累的过程，只有了解问题背后的原理才能更快速的定位和恢复，除此之外更需要有一些趁手的工具来辅助排查，从而降低整个团队问题定位和快恢的门槛。

  福利来了    

电子书免费下载

《 Apache Flink 十大技术难点实战 》

本书总结了生产环境十大常见难点，10 篇技术实战文章帮你完成故障识别、问题定位、性能优化等全链路过程，实现从基础概念的准确理解到上手实操的精准熟练，从容应对生产环境中的技术难题！

识别下方二维码或点击文末“阅读原文”立即下载：

你可能还喜欢

点击下方图片即可阅读

一个好的组件应该是什么样的？

跟随弹幕停不下来？智慧文娱还有哪些新玩法

关注 「阿里技术」

把握前沿技术脉搏

戳我，免费下载电子书。