社区微信群开通啦，扫一扫抢先加入社区官方微信群
社区微信群
这两天遇到一个服务假死的问题，具体现象就是服务不再接收任何请求，客户端会抛出Broken Pipe。
执行top，发现CPU和内存占用都不高，但是通过命令
netstat -n | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}'
发现有大量的CLOSEWAIT端口占用，继续调用该服务的api，等待超时之后发现CLOSEWAIT的数量也没有上升，也就是说服务几乎完全僵死。
怀疑可能是线程有死锁，决定先dump一下线程情况，执行
jstack > /tmp/thread.hump
发现tomcat线程基本也正常，都是parking状态。
这就比较奇怪了，继续想是不是GC导致了STW，使用jstat查看垃圾回收情况
app@server:/tmp$ jstat -gcutil 1 2000 10
S0 S1 E O M CCS YGC YGCT FGC FGCT GCT
0.00 27.79 65.01 15.30 94.75 92.23 1338 44.375 1881 475.064 519.439
一看吓一跳，FGC的次数居然超过了YGC，时长有475s。一定是有什么原因触发了FGC，好在我们打开了GC log。
发现一段时间内频繁发生Allocation Failure引起的Full GC。而且eden区的使用占比也很大，考虑有频繁新建对象逃逸到老年代造成问题。询问了一下业务的开发，确认有一个外部对接API没有分页，查询后可能会产生大量对象。
由于外部API暂时无法联系对方修改，所以为了先解决问题，对原有的MaxNewSize进扩容，从192MB扩容到一倍。经过几天的观察，发现gc基本趋于正常
S0 S1 E O M CCS YGC YGCT FGC FGCT GCT
0.00 3.37 60.55 8.60 95.08 92.98 87 2.421 0 0.000 2.421
扩容之前对heap进行了dump
jmap -dump:format=b,file=heapDump
通过MAT分析内存泄露，居然疑似是jdbc中的一个类，但其实整体占用堆容量并不多。
分析了线程数量，大约是240多条，与正常时也并没有很大的出入。而且大量的是在sleep的定时线程。
本次排查其实并未找到真正的原因，间接表象是FGC频繁导致服务假死。而且acturator端口是正常工作的，导致health check进程误认为服务正常，没有触发告警。如果你也遇到类似的情况欢迎一起讨论。
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
