一次真实的线上故障排查经历

AlwaysBeta

共 3032字,需浏览 7分钟

 ·

2021-11-13 16:16

背景

最近某天的深夜,刚洗完澡就接到业务方打来电话,说他们的 dubbo 服务出故障了,要我协助排查一下。

电话里,询问了他们几点

  • 是线上有损故障吗?——是
  • 止损了吗?——止损了
  • 有保留现场吗?——没有

于是我打开电脑,连上 VPN 看问题。为了便于理解,架构简化如下

只需要关注 A、B、C 三个服务,他们之间调用都是 dubbo 调用。

发生故障时 B 服务有几台机器完全夯死,处理不了请求,剩余正常机器请求量激增,耗时增加,如下图(图一请求量、图二耗时)

问题排查

由于现场已被破坏,只能先看监控和日志

  • 监控

除了上述监控外,翻看了 B 服务 CPU 和内存等基础监控,发现故障的几台机器内存上涨比较多,都达到了 80% 的水平线,且 CPU 消耗也变多

这时比较怀疑内存问题,于是看了下 JVM 的 fullGC 监控

果然 fullGC 时间上涨很多,基本可以断定是内存泄漏导致服务不可用了。但为什么会内存泄漏,还无法看出端倪。

  • 日志

申请机器权限,查看日志,发现了一条很奇怪的 WARN 日志

[dubbo-future-timeout-thread-1] WARN org.apache.dubbo.common.timer.HashedWheelTimer$HashedWheelTimeout
(HashedWheelTimer.java:651) 
-  [DUBBO] An exception was thrown by TimerTask., dubbo version: 2.7.12, current host: xxx.xxx.xxx.xxx
java.util.concurrent.RejectedExecutionException: 
Task org.apache.dubbo.remoting.exchange.support.DefaultFuture$TimeoutCheckTask$$Lambda$674/1067077932@13762d5a 
rejected from java.util.concurrent.ThreadPoolExecutor@7a9f0e84[Terminated, pool size = 0, 
active threads = 0, queued tasks = 0, completed tasks = 21]

可以看出业务方使用的是2.7.12版本的 dubbo

拿这个日志去 dubbo 的 github 仓库搜了一下,找到了如下这个 issue:

https://github.com/apache/dubbo/issues/6820

但很快排除了该问题,因为在 2.7.12 版本中已经是修复过的代码了。

继续又找到了这两个 issue:

https://github.com/apache/dubbo/issues/8172

https://github.com/apache/dubbo/pull/8188

从报错和版本上来看,完全符合,但没有提及内存问题,先不管内存问题,看看是否可以按照 #8188 这个 issue 复现

issue 中也说的比较清楚如何复现,于是我搭了这样三个服务来复现,刚开始还没有复现。通过修复代码来反推

删除代码部分是有问题,但我们复现却难以进入这块,怎么才能进入呢?

这里一个 feature 代表一个请求,只有当请求没有完成时才会进入,这就好办了,让 provider 一直不返回,肯定可以实现,于是在 provider 端测试代码加入

Thread.sleep(Integer.MAX_VALUE);

经过测试果然复现了,如 issue 所说,当 kill -9 掉第一个 provider 时,消费者全局 ExecutorService 被关闭,当 kill -9 第二个 provider 时,SHARED_EXECUTOR 也被关闭。

那么这个线程池是用来干什么的呢?

它在 HashedWheelTimer 中被用来检测 consumer 发出的请求是否超时。

HashedWheelTimer 是 dubbo 实现的一种时间轮检测请求是否超时的算法,具体这里不再展开,改天可以详细写一篇 dubbo 中时间轮算法。

当请求发出后,如果可以正常返回还好,但如果超过设定的超时时间还未返回,则需要这个线程池的任务来检测,对已经超时的任务进行打断。

如下代码为提交任务,当这个线程池被关闭后,提交任务就会抛出异常,超时也就无法检测。

public void expire() {
    if (!compareAndSetState(ST_INIT, ST_EXPIRED)) {
        return;
    }
    try {
        task.run(this);
    } catch (Throwable t) {
        if (logger.isWarnEnabled()) {
            logger.warn("An exception was thrown by " + TimerTask.class.getSimpleName() + '.', t);
        }
    }
}

到这里恍然大悟:如果请求一直发送,不超时,那是不是有可能撑爆内存?于是我又模拟了一下,并且开了 3 个线程一直请求  provider,果然复现出内存被撑爆的场景,而当不触发这个问题时,内存是一直稳定在一个低水平上。

这里我用的 arthas 来看的内存变化,非常方便

得出结论

在本地复现后,于是跟业务方求证一下,这个问题复现还是比较苛刻的,首先得是异步调用,其次 provider 需要非正常下线,最后 provider 需要有阻塞,即请求一直不返回。

异步调用得到业务方的确认,provider 非正常下线,这个比较常见,物理机的故障导致的容器漂移就会出现这个情况,最后 provider 有阻塞这点也得到业务方的确认,确实 C 服务有一台机器在那个时间点附近僵死,无法处理请求,但进程又是存活的。

所以这个问题是 dubbo 2.7.12 的 bug 导致。翻看了下这个 bug 是 2.7.10 引入, 2.7.13 修复。

复盘

差不多花了1天的时间来定位和复现,还算顺利,运气也比较好,没怎么走弯路,但这中间也需要有些地方需要引起重视。

  • 止损的同时最好能保留现场,如本次如果在重启前 dump 下内存或摘除流量保留机器现场,可能会帮助加速定位问题。如配置 OOM 时自动 dump 内存等其他手段。这也是本起事故中不足的点
  • 服务的可观测性非常重要,不管是日志、监控或其他,都要齐全。基本的如日志、出口、进口请求监控、机器指标(内存、CPU、网络等)、JVM 监控(线程池、GC 等)。这点做的还可以,基本该有的都有
  • 开源产品,可从关键日志去网络查找,极大概率你遇到的问题大家也遇到过。这也是这次幸运的点,少走了很多弯路

搜索关注微信公众号"捉虫大师",后端技术分享,架构设计、性能优化、源码阅读、问题排查、踩坑实践。

- END -
浏览 44
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报