每日一博 | 记一次 JVM 堆外内存泄露 Bug 的查找

qdsfly 1年前
   <h2>解Bug之路-记一次JVM堆外内存泄露Bug的查找</h2>    <h2>前言</h2>    <p>JVM的堆外内存泄露的定位一直是个比较棘手的问题。此次的Bug查找从堆内内存的泄露反推出堆外内存,同时对物理内存的使用做了定量的分析,从而实锤了Bug的源头。笔者将此Bug分析的过程写成博客,以飨读者。</p>    <p>由于物理内存定量分析部分用到了linux kernel虚拟内存管理的知识,读者如果有兴趣了解请看ulk3(《深入理解linux内核第三版》)</p>    <h2>内存泄露Bug现场</h2>    <p>一个线上稳定运行了三年的系统,从物理机迁移到docker环境后,运行了一段时间,突然被监控系统发出了某些实例不可用的报警。所幸有负载均衡,可以自动下掉节点,如下图所示: <img src="https://simg.open-open.com/show/2d4147c2e738cf9d0c601dd8914dbb26.jpg"> 登录到对应机器上后,发现由于内存占用太大,触发OOM,然后被linux系统本身给kill了。</p>    <h2>应急措施</h2>    <p>紧急在出问题的实例上再次启动应用,启动后,内存占用正常,一切Okay。</p>    <h2>奇怪现象</h2>    <p>当前设置的最大堆内存是1792M,如下所示:</p>    <pre>  <code class="language-java">-Xmx1792m -Xms1792m -Xmn900m -XX:PermSi  ze=256m -XX:MaxPermSize=256m -server -Xss512k</code></pre>    <p>查看操作系统层面的监控,发现内存占用情况如下图所示: <img src="https://simg.open-open.com/show/15f347cb3ec1bc87249090be71abbc26.png"></p>    <p>上图蓝色的线表示总的内存使用量,发现一直涨到了4G后,超出了系统限制。</p>    <p>很明显,有堆外内存泄露了。</p>    <h2>查找线索</h2>    <h3>gc日志</h3>    <p>一般出现内存泄露,笔者立马想到的就是查看当时的gc日志。</p>    <p>本身应用所采用框架会定时打印出对应的gc日志,遂查看,发现gc日志一切正常。对应日志如下: <img src="https://simg.open-open.com/show/2965ea611096fcc82b9b04a7c1d9656d.png"></p>    <p>查看了当天的所有gc日志,发现内存始终会回落到170M左右,并无明显的增加。要知道JVM进程本身占用的内存可是接近4G(加上其它进程,例如日志进程就已经到4G了),进一步确认是堆外内存导致。</p>    <h3>排查代码</h3>    <p>打开线上服务对应对应代码,查了一圈,发现没有任何地方显式利用堆外内存,其没有依赖任何额外的native方法。关于网络IO的代码也是托管给Tomcat,很明显,作为一个全世界广泛流行的Web服务器,Tomcat不大可能有堆外内存泄露。</p>    <h2>进一步查找</h2>    <p>由于在代码层面没有发现堆外内存的痕迹,那就继续找些其它的信息,希望能发现蛛丝马迹。</p>    <h3>Dump出JVM的Heap堆</h3>    <p>由于线上出问题的Server已经被kill,还好有其它几台,登上去发现它们也 占用了很大的堆外内存,只是还没有到触发OOM的临界点而已。于是就赶紧用jmap dump了两台机器中应用JVM的堆情况,这两台留做现场保留不动,然后将其它机器迅速重启,以防同时被OOM导致服务不可用。</p>    <p>使用如下命令dump:</p>    <pre>  <code class="language-java">jmap -dump:format=b,file=heap.bin [pid]</code></pre>    <h3>使用MAT分析Heap文件</h3>    <p>挑了一个heap文件进行分析,堆的使用情况如下图所示: <img src="https://simg.open-open.com/show/6e6dd303c2e75db5aba7e0640145461f.png"></p>    <p>一共用了200多M,和之前gc文件打印出来的170M相差不大,远远没有到4G的程度。</p>    <p>不得不说MAT是个非常好用的工具,它可以提示你可能内存泄露的点: <img src="https://simg.open-open.com/show/d4827b13c3827ca06cc3081cff5a33d1.png"></p>    <p>这个cachedBnsClient类有12452个实例,占用了整个堆的61.92%。</p>    <p>查看了另一个heap文件,发现也是同样的情况。这个地方肯定有内存泄露,但是也占用了130多M,和4G相差甚远。</p>    <h3>查看对应的代码</h3>    <p>系统中大部分对于CachedBnsClient的调用,都是通过注解Autowired的,这部分实例数很少。</p>    <p>唯一频繁产生此类实例的代码如下所示:</p>    <pre>  <code class="language-java">@Override      public void fun() {              BnsClient bnsClient = new CachedBnsClient();            // do something        return  ;   }</code></pre>    <p>此CachedBnsClient仅仅在方法体内使用,并没有逃逸到外面,再看此类本身</p>    <pre>  <code class="language-java">public class CachedBnsClient   {      private ConcurrentHashMap<String, List<String>> authCache = new ConcurrentHashMap<String, List<String>>();      private ConcurrentHashMap<String, List<URI>> validUriCache = new ConcurrentHashMap<String, List<URI>>();      private ConcurrentHashMap<String, List<URI>> uriCache = new ConcurrentHashMap<String, List<URI>>();   ......  }</code></pre>    <p>没有任何static变量,同时也没有往任何全局变量注册自身。换言之,在类的成员(Member)中,是不可能出现内存泄露的。</p>    <p>当时只粗略的过了一过成员变量,回过头来细想,还是漏了不少地方的。</p>    <h2>更多信息</h2>    <p>由于代码排查下来,感觉这块不应该出现内存泄露(但是事实确是如此的打脸)。这个类也没有显式用到堆外内存,而且只占了130M,和4G比起来微不足道,还是先去追查主要矛盾再说。</p>    <h3>使用jstack dump线程信息</h3>    <p>现场信息越多,越能找出蛛丝马迹。先用jstack把线程信息dump下来看下。 这一看,立马发现了不同,除了正常的IO线程以及框架本身的一些守护线程外,竟然还多出来了12563多个线程。</p>    <pre>  <code class="language-java">"Thread-5" daemon prio=10 tid=0x00007fb79426e000 nid=0x7346 waiting on condition [0x00007fb7b5678000]     java.lang.Thread.State: TIMED_WAITING (sleeping)   at java.lang.Thread.sleep(Native Method)   at com.xxxxx.CachedBnsClient$1.run(CachedBnsClient.java:62)</code></pre>    <p>而且这些正好是运行再CachedBnsClient的run方法上面!这些特定线程的数量正好是12452个,和cachedBnsClient数量一致!</p>    <h3>再次check对应代码</h3>    <p>原来刚才看CachedBnsClient代码的时候遗漏掉了一个关键的点!</p>    <pre>  <code class="language-java">public CachedBnsClient(BnsClient client) {          super();          this.backendClient = client;          new Thread() {              @Override              public void run() {                  for (; ; ) {                      refreshCache();                      try {                          Thread.sleep(60 * 1000);                      } catch (InterruptedException e) {                          logger.error("出错", e);                      }                  }              }      }</code></pre>    <p>这段代码是CachedBnsClient的构造函数,其在里面创建了一个无限循环的线程,每隔60s启动一次刷新一下里面的缓存!</p>    <h2>找到关键点</h2>    <p>在看到12452个等待在CachedBnsClient.run的业务的一瞬间笔者就意识到,肯定是这边的线程导致对外内存泄露了。下面就是根据线程大小计算其泄露内存量是不是确实能够引起OOM了。</p>    <h3>发现内存计算对不上</h3>    <p>由于我们这边设置的Xss是512K,即一个线程栈大小是512K,而由于线程共享其它MM单元(线程本地内存是是现在线程栈上的),所以实际线程堆外内存占用数量也是512K。进行如下计算:</p>    <pre>  <code class="language-java">12563 * 512K = 6331M = 6.3G</code></pre>    <p>整个环境一共4G,加上JVM堆内存1.8G(1792M),已经明显的超过了4G。</p>    <pre>  <code class="language-java">(6.3G + 1.8G)=8.1G > 4G</code></pre>    <p>如果按照此计算,应用应用早就被OOM了。</p>    <h3>怎么回事呢?</h3>    <p>为了解决这个问题,笔者又思考了好久。如下所示:</p>    <p>Java线程底层实现</p>    <p>JVM的线程在linux上底层是调用NPTL(Native Posix Thread Library)来创建的,一个JVM线程就对应linux的lwp(轻量级进程,也是进程,只不过共享了mm_struct,用来实现线程),一个thread.start就相当于do_fork了一把。</p>    <p>其中,我们在JVM启动时候设置了-Xss=512K(即线程栈大小),这512K中然后有8K是必须使用的,这8K是由进程的内核栈和thread_info公用的,放在两块连续的物理页框上。如下图所示:</p>    <p><img src="https://simg.open-open.com/show/9363a886882c08278a21de8cb585970e.png"></p>    <p>众所周知,一个进程(包括lwp)包括内核栈和用户栈,内核栈+thread_info用了8K,那么用户态的栈可用内存就是:</p>    <pre>  <code class="language-java">512K-8K=504K</code></pre>    <p>如下图所示:</p>    <p><img src="https://simg.open-open.com/show/d8b6bd9816bd0937c7dddccccedc44d3.png"></p>    <h3>Linux实际物理内存映射</h3>    <p>事实上linux对物理内存的使用非常的抠门,一开始只是分配了虚拟内存的线性区,并没有分配实际的物理内存,只有推到最后使用的时候才分配具体的物理内存,即所谓的请求调页。如下图所示:</p>    <p><img src="https://simg.open-open.com/show/d9752bb7d3d81f8ba8325906ca011254.png"></p>    <h3>查看smaps进程内存使用信息</h3>    <p>使用如下命令,查看</p>    <pre>  <code class="language-java">cat /proc/[pid]/smaps > smaps.txt</code></pre>    <p>实际物理内存使用信息,如下所示:</p>    <pre>  <code class="language-java">7fa69a6d1000-7fa69a74f000 rwxp 00000000 00:00 0   Size:                504 kB  Rss:                  92 kB  Pss:                  92 kB  Shared_Clean:          0 kB  Shared_Dirty:          0 kB  Private_Clean:         0 kB  Private_Dirty:        92 kB  Referenced:           92 kB  Anonymous:            92 kB  AnonHugePages:         0 kB  Swap:                  0 kB  KernelPageSize:        4 kB  MMUPageSize:           4 kB    7fa69a7d3000-7fa69a851000 rwxp 00000000 00:00 0   Size:                504 kB  Rss:                 152 kB  Pss:                 152 kB  Shared_Clean:          0 kB  Shared_Dirty:          0 kB  Private_Clean:         0 kB  Private_Dirty:       152 kB  Referenced:          152 kB  Anonymous:           152 kB  AnonHugePages:         0 kB  Swap:                  0 kB  KernelPageSize:        4 kB  MMUPageSize:           4 kB</code></pre>    <p>搜索下504KB,正好是12563个,对了12563个线程,其中Rss表示实际物理内存(含共享库)92KB,Pss表示实际物理内存(按比例共享库)92KB(由于没有共享库,所以Rss==Pss),以第一个7fa69a6d1000-7fa69a74f000线性区来看,其映射了92KB的空间,第二个映射了152KB的空间。如下图所示:</p>    <p><img src="https://simg.open-open.com/show/61e444fe9797df0320582dab6ac39d51.png"></p>    <p>挑出符合条件(即size是504K)的几十组看了下,基本都在92K-152K之间,再加上内核栈8K</p>    <pre>  <code class="language-java">(92+152)/2+8K=130K,由于是估算,取整为128K,即反映此应用平均线程栈大小。</code></pre>    <p>注意,实际内存有波动的原因是由于环境不同,从而走了不同的分支,导致栈上的增长不同。</p>    <h3>重新进行内存计算</h3>    <p>JVM一开始申请了</p>    <pre>  <code class="language-java">-Xmx1792m -Xms1792m</code></pre>    <p>即1.8G的堆内内存,这里是即时分配,一开始就用物理页框填充。</p>    <p>12563个线程,每个线程栈平均大小128K,即:</p>    <pre>  <code class="language-java">128K * 12563=1570M=1.5G的对外内存</code></pre>    <p>取个整数128K,就能反映出平均水平。再拿这个128K * 12563 =1570M = 1.5G,加上JVM的1.8G,就已经达到了3.3G,再加上kernel和日志传输进程等使用的内存数量,确实已经接近了4G,这样内存就对应上了!(注:用于定量内存计算的环境是一台内存用量将近4G,但还没OOM的机器)</p>    <h3>为什么在物理机上没有应用Down机</h3>    <p>笔者登录了原来物理机,应用还在跑,发现其同样有堆外内存泄露的现象,其物理内存使用已经达到了5个多G!幸好物理机内存很大,而且此应用发布还比较频繁,所以没有被OOM。</p>    <p>Dump了物理机上应用的线程,</p>    <pre>  <code class="language-java">一共有28737个线程,其中28626个线程等待在CachedBnsClient上。</code></pre>    <p>同样用smaps查看进程实际内存信息,其平均大小依旧为</p>    <pre>  <code class="language-java">128K,因为是同一应用的原因</code></pre>    <p>继续进行物理内存计算</p>    <pre>  <code class="language-java">1.8+(28737 * 128k)/1024K =(3.6+1.8)=5.4G</code></pre>    <p>进一步验证了我们的推理。</p>    <h3>这么多线程应用为什么没有卡顿</h3>    <p>因为基本所有的线程都睡眠在</p>    <pre>  <code class="language-java">Thread.sleep(60 * 1000);//一次睡眠60s</code></pre>    <p>上。所以仅仅占用了内存,实际占用的CPU时间很少。</p>    <h2>总结</h2>    <p>查找Bug的时候,现场信息越多越好,同时定位Bug必须要有实质性的证据。例如内存泄露就要用你推测出的模型进行定量分析。在定量和实际对不上的时候,深挖下去,你会发现不一样的风景!</p>    <h2>原文链接</h2>    <p> </p>    <p>来自:https://my.oschina.net/alchemystar/blog/1603817</p>    <p> </p>