Java問題定位方法總結

背景
   “線下沒問題的”、 “代碼不可能有問題 是系統原因”、“能在線上遠程debug么”
    線上問題不同于開發期間的bug，與運行時環境、壓力、并發情況、具體的業務相關。對于線上的問題利用線上環境可用的工具，收集必要信息 對定位問題十分重要。
    對于導致問題的bug、資源瓶頸很難直觀取得數據，需要根據資源使用數據、日志等信息推測問題根源。并且疑難問題的定位通常需要使用不同的方法追根溯源。
    這篇wiki我對自己使用過的工具做了整理，并分享一些案例。

1.  常見問題
1.1 可用性
    這里舉幾種常見導致服務可用性的情況：
a) 502 Bad Gateway
對應用系統特別是基于http的應用最嚴重的莫過于"502 Bad Gateway"，這表示后端服務已經完全不可用，可能原因
    資源不足1：垃圾回收導致，在CMS在應用內存泄漏或內存不足情況下會導致嚴重的應用暫停。
    資源不足2：服務器線程數不足，常見web server如tomcat  jetty都是有最大工作線程配置的
    資源不足3：數據庫資源不足，數據庫通常使用連接池配置，maxConnection配置低加上過多慢查詢會block住web server的工作線程
    資源不足4：IO資源瓶頸，線上環境IO是共享的，尤其對于混布環境(CRM還好 沒有這種情況，但是有很多agent)，我們常用的log4j日志工具對于每個記錄的日志文件也是一種獨占資源，線程先要獲得鎖才能向日志記錄數據。
    ... ...
    各種OOM
b) Socket異常
常見Connection reset by peer，Broken Pipe，EOFException
    網絡問題：在跨運營商、機房訪問情況下可能遇到
    程序bug：socket異常關閉
1.2 平均響應時間
系統發生問題時最直觀的表象，這個參數在情況惡化傳染其他服務 導致整個系統不可用前，可以提前預警，可能原因：
    資源競爭1：CPU
    資源競爭2：IO
    資源競爭3：network IO
    資源競爭4：數據庫
    資源競爭5：solr、medis
    下游接口：異常導致響應延時

1.3 機器報警
與應用服務不可用相比，這類錯誤不會直接導致服務不可用，而且如果存在混不，機器部署多個服務可能相互干擾：
    CPU
    磁盤
    fd
    IO(網絡 磁盤)
1.4 小結
寫了半天，很多情況是重復提到，通常線上問題的原因不外乎系統資源、應用程序，掌握監控查看這些資源、數據的工具就更容易定位線上的問題。
2常用工具
2.1 Linux工具
a) sysstat：
    iostat：查看讀寫壓力

    [sankuai@cos-mop01 logs]$ iostat
    Linux 2.6.32-20131120.mt (cos-mop01.lf.sankuai.com)     2015年10月21日     _x86_64_    (4 CPU)
    avg-cpu:  %user   %nice %system %iowait  %steal   %idle
               1.88    0.00    0.87    0.12    0.05   97.07
    Device:            tps   Blk_read/s   Blk_wrtn/s   Blk_read   Blk_wrtn
    vda               1.88        57.90        12.11 2451731906  512911328
    vdb               0.01         0.40         1.41   17023940   59522616
    vdc               1.14        28.88        36.63 1223046988 1551394969

    sar：查看CPU 網絡IO IO，開啟參數可以查看歷史數據

    /etc/sysconfig/sysstat
    HISTORY=7
    /etc/cron.d/sysstat
    */10 * * * * root /usr/lib/sa/sa1 1 1
      
    sar -u/-r/-B/-b/-q/-P/-n -f /var/log/sa/sa09

b) top
關注load、cpu、mem、swap
可按照線程查看資源信息(版本大于3.2.7)

top - 19:33:00 up 490 days,  4:33,  2 users,  load average: 0.13, 0.39, 0.42
Tasks: 157 total,   1 running, 156 sleeping,   0 stopped,   0 zombie
Cpu(s):  4.9%us,  2.7%sy,  0.0%ni, 92.2%id,  0.0%wa,  0.0%hi,  0.0%si,  0.3%st
Mem:   5991140k total,  5788884k used,   202256k free,     4040k buffers
Swap:  2096440k total,   447332k used,  1649108k free,   232884k cached
  PID USER      PR  NI  VIRT  RES  SHR S %CPU %MEM    TIME+  SWAP CODE DATA COMMAND
18720 sankuai   20   0 8955m 4.3g 6744 S 22.6 74.5 174:30.73    0    4 8.6g java
27794 sankuai   20   0 5715m 489m 2116 S 11.6  8.4   3922:43 121m    4 3.9g java
13233 root      20   0  420m 205m 2528 S  0.0  3.5   1885:15  91m    4 304m puppetd
21526 sankuai   20   0 2513m  69m 4484 S  0.0  1.2  45:56.28  37m    4 2.4g java

c) vmstat

[sankuai@cos-mop01 logs]$ vmstat
procs -----------memory---------- ---swap-- -----io---- --system-- -----cpu-----
 r  b   swpd   free   buff  cache   si   so    bi    bo   in   cs us sy id wa st
 0  0 447332 200456   4160 234512    0    0    11     6    0    0  2  1 97  0  0

d) tcpdump

定位網絡問題神器，可以看到TCPIP報文的細節，需要同時熟悉TCPIP協議，可以和wireshark結合使用。
常見場景分析網絡延遲、網絡丟包，復雜環境的網絡問題分析。

#!/bin/bash
tcpdump -i eth0 -s 0 -l -w - dst port 3306 | strings | perl -e '
while(<>) { chomp; next if /^[^ ]+[ ]*$/;
    if(/^(SELECT|UPDATE|DELETE|INSERT|SET|COMMIT|ROLLBACK|CREATE|DROP|ALTER|CALL)/i)
    {
        if (defined $q) { print "$q\n"; }
        $q=$_;
    } else {
        $_ =~ s/^[ \t]+//; $q.=" $_";
    }
}'

3.2 java工具
a) jstat

[sankuai@cos-mop01 logs]$ jstat -gc 18704
 S0C    S1C    S0U    S1U      EC       EU        OC         OU       MC     MU    CCSC   CCSU   YGC     YGCT    FGC    FGCT     GCT
3584.0 3584.0  0.0    0.0   24064.0  13779.7   62976.0      0.0     4480.0 677.9  384.0   66.6       0    0.000   0      0.000    0.000

 
b) jmap

jmap -dump:format=b,file=heap.bin $pid

c) jstack or kill -3
查看死鎖、線程等待。
線程狀態：
    Running
    TIMED_WAITING(on object monitor) 
    TIMED_WAITING(sleeping) 
    TIMED_WAITING(parking) 
    WAINTING(on object monitor)

d) jhat jconsole
jhat很難用 jconsole通過jmx取信息對性能有影響
e) gc日志
-XX:+UseParallelOld
-XX:+ConcurrentMultiSweep
3.3 第三方工具
a) mat
對象詳細

inboud/outbound

thread overview

配置項


./MemoryAnalyzer -keep_unreachable_objects  heap_file
4. 案例分析
4.1 cpu高

現象：CPU報警
定位問題：
    查看CPU占用高的線程

sankuai@sin2:~$ ps H -eo user,pid,ppid,tid,time,%cpu|sort -rnk6 |head -10
sankuai  13808 13807 13808 00:00:00  8.4
sankuai  29153     1 29211 00:21:13  0.9
sankuai  29153     1 29213 00:20:01  0.8
sankuai  29153     1 29205 00:17:35  0.7
sankuai  29153     1 29210 00:11:50  0.5
sankuai  29153     1  1323 00:08:37  0.5
sankuai  29153     1 29207 00:10:02  0.4
sankuai  29153     1 29206 00:07:10  0.3
sankuai  29153     1 29208 00:06:44  0.2

    thread dump

    jstack $pid > a.txt
    printf %x $tid
        $xTID

    查找線程執行的代碼

"main-SendThread(cos-zk13.lf.sankuai.com:9331)" #25 daemon prio=5 os_prio=0 tid=0x00007f78fc350000 nid=$TIDx runnable [0x00007f79c4d09000]
java.lang.Thread.State: RUNNABLE
    at org.apache.zookeeper.ClientCnxn$SendThread.run(ClientCnxn.java:1035)
    at java.util.concurrent.FutureTask.run(FutureTask.java:266)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

4.2 io高

現象：磁盤IO報警
環境：需要安裝sysstat工具
定位問題：
a) 查看CPU占用高的線程

pidstat -d -t -p $pid

b) 其他同4.1

4.3 資源
a) 數據庫

"DB-Processor-13" daemon prio=5 tid=0x003edf98 nid=0xca waiting for monitor entry [0x000000000825f000]
java.lang.Thread.State: BLOCKED (on object monitor)
                at ConnectionPool.getConnection(ConnectionPool.java:102)
                - waiting to lock <0xe0375410> (a beans.ConnectionPool)
                at Service.getCount(ServiceCnt.java:111)
                at Service.insert(ServiceCnt.java:43)
"DB-Processor-14" daemon prio=5 tid=0x003edf98 nid=0xca waiting for monitor entry [0x000000000825f020]
java.lang.Thread.State: BLOCKED (on object monitor)
                at ConnectionPool.getConnection(ConnectionPool.java:102)
                - waiting to lock <0xe0375410> (a beans.ConnectionPool)
                at Service.getCount(ServiceCnt.java:111)
                at Service.insertCount(ServiceCnt.java:43)

b) log

"RMI TCP Connection(267865)-172.16.5.25" daemon prio=10
tid=0x00007fd508371000 nid=0x55ae  waiting for monitor entry
[0x00007fd4f8684000]   java.lang.Thread.State:  BLOCKED (on object monitor)
at org.apache.log4j.Category.callAppenders(Category.java:201)
-  waiting to lock <0x00000000acf4d0c0> (a org.apache.log4j.Logger)
at org.apache.log4j.Category.forcedLog(Category.java:388)
at org.apache.log4j.Category.log(Category.java:853)
at org.apache.commons.logging.impl.Log4JLogger.warn(Log4JLogger.java:234)
at com.xxx.core.common.lang.cache.remote.MemcachedClient.get(MemcachedClient.java:110)

c) web server

有兩個非常重要的系統參數：

maxThread: 工作線程數

backlog：TCP連接緩存數，Jetty(ServerConnector.acceptQueueSize) Tomcat(Connector.acceptCount)，高并發下設置過小會有502

 
4.4 gc

a) CMS fail
    promotion failed

    172966 2015-09-18T03:47:33.108+0800: 627188.183: [GC 627188.183: [ParNew (promotion failed)
     172967 Desired survivor size 17432576 bytes, new threshold 1 (max 6)
     172968 - age   1:   34865032 bytes,   34865032 total
     172969 : 306688K->306688K(306688K), 161.1284530 secs]627349.311: [CMS CMS: abort preclean due to time 2015-09-18T03:50:14.743+0800: 627349.818:
    [CMS-concurrent-abortable-preclean: 1.597/162.729 secs] [Times: user=174.58 sys=84.57, real=162.71 secs]
     172970  (concurrent mode failure): 1550703K->592286K(1756416K), 2.9879760 secs]
    1755158K->592286K(2063104K), [CMS Perm : 67701K->67695K(112900K)], 164.1167250 secs] [Times: user=175.61 sys=84.57, real=164.09 secs]

    concurrent fail

    [CMS2015-09-18T07:07:27.132+0800: 639182.207: [CMS-concurrent-sweep: 1.704/13.116 secs] [Times: user=17.16 sys=5.20,real=13.12 secs]
    443222 (concurrent mode failure): 1546078K->682301K(1756416K), 4.0745320 secs] 1630977K->682301K(2063104K), [CMS Perm :67700K->67693K(112900K)], 15.4860730 secs] [Times: user=19.40 sys=5.20, real=15.48 secs]

b) 連續Full GC

應用存在內存泄漏，垃圾收集會占用系統大量cpu時間，極端情況下可能發生90%以上時間在做GC的情況。
在系統使用http訪問check alive或者使用了Zookeeper這種通過心跳保證存活性的應用中，會可用性異常或者被zk的master剔除。

5. 注意
    保留現場：threaddump top heapdump
    注意日志記錄：文件 數據庫