字节跳动踩坑记#2：Go 服务锁死
共 1540字，需浏览 4分钟
· 2020-07-27
再挖个坟，讲讲去年踩的另一个坑。
== 前方低能 ==
那是去年7月的一天，被透过落地玻璃的宇宙中心五道口的夕阳照着的正在工位搬砖的我，突然听到一阵骚乱，转头一看，收到夺命连环call的D同学反馈，流量严重异常。
点开报警群，一串异常赫然在目：
[ 规则 ]：「流量波动过大(严重) 」
[ 报警上下文 ]：change：-70.38%
值班人：D（不是我）
报警方式：电话&Lark
报警URL：报警详情页
再点开报警详情页一看：
== 排爆 ==
解释一下：在字节跳动，我们有一个基于OpenTSDB的metrics平台（时序数据库），用于采集和查询各项监控指标。
图中是一个流量源的请求QPS，在短时间内从 7k 暴降至 2k，从而触发了报警规则。
除了流量源之外，在这个指标上我们还有机房、Server IP等其他tag；通过这些tag，我们发现：
来自所有流量源的QPS都在暴降
所有机房的QPS都在暴降
按IP看，许多机器的QPS降到0，但部分机器仍在正常接客
对于异常的机器，从监控上可以看到，其CPU占用陡降至很低的值（约2.5%）：
于是这条线索让我们把问题范围缩小到某台机器上。
进一步的排查情况情况是：
ssh可以正常登录，看起来OS没啥问题
通过 lsof 可以看到，进程仍然在监听业务端口，只是不响应请求
top看到该进程在第一位，占了 99.8%的cpu，有点奇怪
注：这是一台40核的物理机，top里 99.8% cpu表示进程占满了1个核心，和前面的CPU监控遥相呼应。
PID USER RES %CPU COMMAND316 user 968497 99.8 ./service1 root 3796 0.0 systemd
虽然尚未定位到问题，但至少进一步把问题缩小到进程级别了。
既然是 go 程序的问题，那当然是要搬出神器 pprof 了，只可惜很快就装逼失败 —— 因为这个进程已经不响应任何请求了。
== 减压 ==
此时距故障发生已经过了 15 分钟，对于广告业务，不能正常处理请求，对应的就是真金白银的损失。
但这个case以前没出现过，一时半会又定位不了病根，大家都压力山大。
在这种情况下，经验丰富的老司机们一定不会忘记的，就是压箱底的大招 —— 重启大法。
由于线上是大面积机器异常，我们随便找了一台机器重启该进程，很快，这台机器就开始正常接客了。
于是我们留下几台异常机器（保留现场备查）、从服务注册中摘掉，并将其余异常机器全部重启，暂时恢复了业务。
但病根未除，问题随时可能复辟，还得继续。
== 深挖 ==
前面说到，在top中看到，D项目的进程CPU占用率是100%，跑满了一个CPU。
这是一个奇怪的现象，说明它并不是简单地陷入死锁，而是在反复执行一些任务，这意味着，如果我们知道它在跑什么，可能就找到病因了。
这时候老司机W同学祭出了 linux 的 perf 命令
$ sudo perf top
幸福来的太突然，连函数名都给出来了，送命题秒变送分题
捞了一下代码，这个 GetXXX 是一个二分查找的函数，根据输入的价格，查询对应价格区间的相关配置，大概长这样：
type Item struct {left intright intvalue int}var config = []*Item{{0, 10, 1},{10, 20, 2},{20,100, 8},{100, 1<<31, 10},}func GetXXX(price int) int {start, end := 0, len(config)mid := (start + end) / 2for mid >= 0 && mid < len(config) {if price < config[mid].left {end = mid - 1} else if price >= config[mid].right {start = mid + 1} else {return config[mid].value}mid = (start + end) / 2}return -1}
按说这么简单的代码，线上跑了至少也几个月了，不应该有啥BUG，按照胡尔莫斯·柯南的教诲，排除一切不可能的，真相只有一个，那就是：输入的价格是个负数。
负的价格？这不由得让我想起了中行的某款理财产品……
当然这还只是个推论，在日记里三省吾身的胡适告诉我们，要大胆假设，小心求证。
实锤起来倒也很简单，到上游的数据库去查了一下，确实出现了负的价格。
再后面就是上游系统的BUG了，通过日志记录发现在17:44确实有价格被改成负数，排查代码确认，Web UI及对应的后端代码是有合法性校验的，但是提供的 API 漏了，最终导致了这次事故。
既然找到了病根，修复起来就简单了：
修复API代码，加上合法性校验
修复数据库里的无效数据
GetXXX里加上无效价格检测（防御性编程）
== 填坑 ==
业务的坑是填完了，但是技术的坑还没：为什么一个死循环会导致进程卡死呢？
按照调度的常识来推理，一个线程（或goroutine）不应该阻塞其他线程的执行。
比如运行下面这段代码，可以看到，进程并没有卡死，第一个 for 循环确实会不断输出 i 的值。
var i int64 = 0func main() {go func() {for {fmt.Println(atomic.LoadInt64(&i))time.Sleep(time.Millisecond * 500)}}()for {atomic.AddInt64(&i, 1)}}
这说明“卡死”的原因还没有这么简单。
这样简单的代码无法复现前面的问题，还是要把死循环放到复杂场景下才能复现，比如加入前述 D 项目的代码里，简单粗暴直接有效。
通过加上 GODEBUG 环境变量：
$ GODEBUG="schedtrace=2000,scheddetail=1" ./service可以看到有一个线索：gcwaiting=1
SCHED 2006ms: gomaxprocs=64 idleprocs=0 threads=8 spinningthreads=0 idlethreads=5 runqueue=0 gcwaiting=1 nmidlelocked=0 stopwait=1 sysmonwait=0
这就形成了闭环：gc需要STW，但是这个goroutine在死循环，无法被中断，而其他goroutine已经被中断、等待gc完成，最终导致了这个局面。
可以在前述代码里手动触发 gc 实锤一下：现象和线上完全一致。
var i int64 = 0func main() {go func() {for {fmt.Println(atomic.LoadInt64(&i))time.Sleep(time.Millisecond * 500)runtime.GC() //手动触发GC}}()for {atomic.AddInt64(&i, 1)}}
但还没完 —— 以上现象似乎并不符合 go 宣称的“抢占式调度”啊！
实际上 Go 实现的是一个 Cooperating Scheduler（协作式调度器）。一般而言，协作式调度器需要线程（准确地说是协程）主动放弃CPU来实现调度（runtime.Gosched()，对应 python/java 的 yield），但 Go 的 runtime 会在函数调用判断是否要扩展栈空间的同时，检测 G 的抢占flag，从而实现了一个看起来像是抢占式调度的scheduler。
这还有个小问题 —— 上面的代码里不是调用了 atomic.AddInt64 么？这个倒是简单，通过 go tool compile -S main.go 可以看到，AddInt64 已经被 inline 了；但只要在这里再加上个 fmt.Println 就可以破功了（试试看？）。
（被inline了的AddInt64）
== 收尾 ==
最后，如果你发现前面的代码怎么都不能复现 —— 那你一定是在用 go 1.14+ 了，这个版本实现了一个基于 SIGURG 信号的抢占式调度，再也不怕死循环/密集计算搞死 gc 了（不过代价是，出现死循环导致的性能下降问题更难排查了），对此感兴趣的同学推荐学习《Go语言原本：6.7 协作与抢占》，详见文末“阅读原文”。
简单总结一下：
二分查找可能会死循环；
在 go 1.13 及以下版本，死循环/密集计算会导致调度问题；
特别是遇到 gc 的情况，可能会锁死进程；
在Linux下可以用perf top来做 profiling；
参考链接
[1] 如何定位 golang 进程 hang 死的 bug
https://xargin.com/how-to-locate-for-block-in-golang/
[2] 关于 Go1.14，你一定想知道的性能提升与新特性
https://gocn.vip/topics/9611
[3] Go语言原本：6.7 协作与抢占
https://changkun.de/golang/zh-cn/part2runtime/ch06sched/preemption/
推荐阅读
站长 polarisxu
自己的原创文章
不限于 Go 技术
职场和创业经验
Go语言中文网
每天为你
分享 Go 知识
Go爱好者值得关注