一：初步排查
早上作為能效平台系統的使用高峰期，系統負載通常比其它時間段更大一些，某個時間段會有大量用戶登錄。當天系統開始有用戶報障，發布系統線上無法構建發布，然后后續有用戶不能登錄系統，系統發生假死，當然系統不是真的宕機，而是所有和數據庫有關的連接都被阻塞，隨后查看日志發現有大量報錯。
和數據庫連接池相關：
Caused by: org.springframework.jdbc.CannotGetJdbcConnectionException: Failed to obtain JDBC Connection; nested exception is java.sql.SQLTransientConnectionException: HikariPool-1 - Connection is not available, request timed out after 30002ms.
可以看出上面的報錯和數據庫連接有關，大量超時。通過對線上debug日志的分析，也驗證了數據庫連接池被大量消耗。
[DEBUG] c.z.h.p.HikariPool: HikariPool-1 - Timeout failure stats (total=20, active=20, idle=0, waiting=13)
這是開始大量報錯前的日志。我們可以看到此時HikariPool連接池已經無法獲取連接了，active=20表示被獲取正在被使用的數據庫連接。waiting表示當前正在排隊獲取連接的請求數量。可以看出，已經有相當多的請求處於掛起狀態。
所以當時我們的解決辦法是調整數據庫連接池大小，開始初步認為是，高峰時期，我們設置的連接池數量大小，不足以支撐早高峰的連接數量導致的。
jdbc.connection.timeout=30000
jdbc.max.lifetime=1800000
jdbc.maximum.poolsize=200
jdbc.minimum.idle=10
jdbc.idle.timeout=60000
jdbc.readonly=false
我們將將數據庫連接池的數量調整到了200。
二：事務
2.1事務濫用的后果
及時將配置調整成了200，服務重啟也恢復了正常，但是我仍然認為系統存在連接泄露的風險，我試圖從日志表現出的行為里尋找蛛絲馬跡。我在訪問日志看到每次在系統崩潰前，其實都有人在做構建，而且構建經常點擊沒反應，我當時添加的構建debug日志也顯示了這一點。我開始懷疑是構建造成的連接泄露。
在這里我簡單說下構建代碼處的邏輯
- - 用戶觸發構建
- - 將job加入增量job緩存，用於更新job狀態
- - jenkinsClient調用jenkins的api，開始構建
- - 將構建信息寫入數據庫（jobname，version）
我開始觀察自己寫的代碼，可是看了多遍，我也發現不了這段代碼和數據庫連接有啥關系，大多數人包括當時自己來說，數據庫連接的泄露，大多數情況應該是服務和數據庫連接的過程中發生了阻塞，導致連接泄露。但是現在來看，很容易能發現問題所在，看當時的代碼：
@Transactional(rollbackFor = Exception.class) public void build(BuildHistoryReq buildHistoryReq) { //1.封裝操作 //2.調用jenkins Api //3.數據庫更新寫入 }
這就是當時的代碼入口，當然代碼處沒有這么簡單。可以看到我在方法入口就加上了Transactional注解，這里的意思其實就是發生錯誤，拋出異常時，數據庫回滾。
問題就出現在了這里，當有用戶點擊構建時，請求剛進入build方法時，就會從數據庫連接獲取一個連接。可是此時，程序並沒有和數據庫相關的操作，如果此時代碼在步驟1或者2處出現io或者網絡阻塞，就會導致，事務無法提交，連接也就會一直被該請求占用。而再大的連接池也會被耗費殆盡。從而造成系統崩潰。
2.2事務注解的正確用法
通常情況下作為非業務部門，沒有涉及到核心的業務，像支付，訂單，庫存相關的操作時，事務在可讀層面並沒有特別高的要求。通常也只涉及到，多表操作同時更新時，保證數據一致性，要么同時成功要么同時失敗。而使用
@Transactional(rollbackFor = Exception.class)
足以。
而上述代碼該如何改進呢？？
首先分析有沒有需要使用事務的必要。在步驟3中，數據操作，看代碼后發現只有對一張表的操作，同時和其它操作沒有相關性。而且本身屬於最后一個步驟。所以在此代碼中完全沒有必要使用，刪除注解即可。
當然如果步驟3操作數據庫是多表操作，具有強相關性，數據一致，我們可以這樣做。將和步驟3無關的步驟分開,變成兩個方法，那么在1,2處發生阻塞也不會影響到數據庫連接。
public void build(BuildHistoryReq buildHistoryReq) { //1.封裝操作 //2.調用jenkins Api update**(XX); } @Transactional(rollbackFor = Exception.class) public void update**(XX xx) { //3.數據庫更新寫入 }
這里需要注意，注解事務的用法，方法必須是公開調用的
三：HttpClient 4.x連接池
當時找到數據連接池泄露的原因后，我第一步就是去掉了事務，然后加上了一些日志，這時我已經能確定代碼在jenkinsclient處出現了問題，但是仍然不確定問題出在了哪，我只能加上一些日志，同時通過監控繼續觀察。
果然在hotfix的第二天還是出現了我預料中的事情，構建發布仍然有問題，當然此時其它功能是不受影響了。我觀察日志發現構建開始並在該處阻塞
jenkinsClient.startBuild(jobName, params);
隨后我觀察了項目監控。觀察線程情況，發現大量http-nio的線程阻塞了，而這個線程和httpclient相關。
java.lang.Thread.State: WAITING (parking) at sun.misc.Unsafe.park(Native Method) - parking to wait for <0x00000007067027e8> (a java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject) at java.util.concurrent.locks.LockSupport.park(LockSupport.java:175) at java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject.await(AbstractQueuedSynchronizer.java:2039) at org.apache.http.pool.AbstractConnPool.getPoolEntryBlocking(AbstractConnPool.java:379) at org.apache.http.pool.AbstractConnPool.access$200(AbstractConnPool.java:69) at org.apache.http.pool.AbstractConnPool$2.get(AbstractConnPool.java:245) - locked <0x00000007824713a0> (a org.apache.http.pool.AbstractConnPool$2) at org.apache.http.pool.AbstractConnPool$2.get(AbstractConnPool.java:193)
隨后我跟進源碼查看了AbstractConnPool類的379行
可以看到線程走到379行執行了this.condition.await()后進入無限期的等待，所以此時如果沒有線程執行this.condition.signal()就會導致該線程一直處於waiting狀態，而前端也會遲遲收不到相應，導致請求timeout。
我們再分析下源碼，看看什么情況下會導致線程跑到該處：
/** * 獲取http連接，從名稱也能看出該方法會造成阻塞 */ private E getPoolEntryBlocking( final T route, final Object state, final long timeout, final TimeUnit timeUnit, final Future<E> future) throws IOException, InterruptedException, TimeoutException { Date deadline = null; if (timeout > 0) { deadline = new Date (System.currentTimeMillis() + timeUnit.toMillis(timeout)); } this.lock.lock(); try { final RouteSpecificPool<T, C, E> pool = getPool(route); E entry; for (;;) { Asserts.check(!this.isShutDown, "Connection pool shut down"); for (;;) { entry = pool.getFree(state); if (entry == null) { break; } if (entry.isExpired(System.currentTimeMillis())) { entry.close(); } if (entry.isClosed()) { this.available.remove(entry); pool.free(entry, false); } else { break; } } if (entry != null) { this.available.remove(entry); this.leased.add(entry); onReuse(entry); return entry; } // New connection is needed final int maxPerRoute = getMax(route); // Shrink the pool prior to allocating a new connection final int excess = Math.max(0, pool.getAllocatedCount() + 1 - maxPerRoute); if (excess > 0) { for (int i = 0; i < excess; i++) { final E lastUsed = pool.getLastUsed(); if (lastUsed == null) { break; } lastUsed.close(); this.available.remove(lastUsed); pool.remove(lastUsed); } } if (pool.getAllocatedCount() < maxPerRoute) { final int totalUsed = this.leased.size(); final int freeCapacity = Math.max(this.maxTotal - totalUsed, 0); if (freeCapacity > 0) { final int totalAvailable = this.available.size(); if (totalAvailable > freeCapacity - 1) { if (!this.available.isEmpty()) { final E lastUsed = this.available.removeLast(); lastUsed.close(); final RouteSpecificPool<T, C, E> otherpool = getPool(lastUsed.getRoute()); otherpool.remove(lastUsed); } } final C conn = this.connFactory.create(route); entry = pool.add(conn); this.leased.add(entry); return entry; } } boolean success = false; try { if (future.isCancelled()) { throw new InterruptedException("Operation interrupted"); } pool.queue(future); this.pending.add(future); if (deadline != null) { success = this.condition.awaitUntil(deadline); } else { this.condition.await(); success = true; } if (future.isCancelled()) { throw new InterruptedException("Operation interrupted"); } } finally { // In case of 'success', we were woken up by the // connection pool and should now have a connection // waiting for us, or else we're shutting down. // Just continue in the loop, both cases are checked. pool.unqueue(future); this.pending.remove(future); } // check for spurious wakeup vs. timeout if (!success && (deadline != null && deadline.getTime() <= System.currentTimeMillis())) { break; } } throw new TimeoutException("Timeout waiting for connection"); } finally { this.lock.unlock(); } }
從源碼我們可以看出有幾處必要條件才會導致線程會無限期等待：
- - timeout=0 也就是說沒有給默認值，導致： deadline = null
- - pool.getAllocatedCount() < maxPerRoute 判斷是否已經到達了該路由（host地址）的最大連接數。
其實整體邏輯就是，從池里獲取連接，如果有就直接返回，沒有，判斷當前請求出去的路由有沒有到達該路由的最大值，如果達到了，就進行等待。如果timeout為0就會進行無限期等待
而這些值我本身也沒有做任何設置，我當時的第一想法就是，給http請求設置超時時間。也就是給每個client設置必要的參數
解決
1.jenkinsClient分配超時時間
public HttpClientBuilder clientBuilder() { HttpClientBuilder httpClientBuilder = HttpClientBuilder.create(); RequestConfig.Builder builder = RequestConfig.custom(); //該參數對應AbstractConnecPool getPoolEntryBlocking方法的timeout builder.setConnectionRequestTimeout(5 * 1000); //數據傳輸的超時時間 builder.setSocketTimeout(20 * 1000); //該參數為，服務和jenkins連接的時間（通常連接的時間都很短，可以設置小點） builder.setConnectTimeout(5 * 1000); httpClientBuilder.setDefaultRequestConfig(builder.build()); return httpClientBuilder; }
2.構建JenkinsClient和更新使用的JenkinsClient分離
其實我已經嘗試用池化的思想來解決該問題了。
詭異bug（同一個JenkinsClient，調用不同的api，有的api會阻塞，有的調用仍然正常）
但hotfix的第二天，又出現了一個詭異的bug：
構建可以，但是無法同步job的狀態。這里出現這個問題的原因在於我將構建和更新兩個過程使用的jenkinsClient分離成兩個，所以這個過程相互獨立，互不影響，所以，更新的client出了問題但是構建的client仍然能正常使用。
但是更新過程的JenkinsClient出現的問題讓我百思不得其解。我們先看看更新狀態過程會使用到的api（接口）
//獲取對應的job 1 JobWithDetails job = client.get(UrlUtils.toJobBaseUrl(folder, jobName), JobWithDetails.class); //獲取job構建的pipeline流水 2 client.get("/job/" + EncodingUtils.encode(jobName) + "/" + version + "/wfapi/describe", PipelineStep.class); //獲取對應job某次build的詳情 3 client.get(url, BuildWithDetails.class);
bug問題1：為什么全量更新job和增量更新job使用的是同一個JenkinsClient，但是全量更新仍然正常獲取值，而增量更新job狀態的線程確出現阻塞超時（超時是因為前面我設置了timeout，使得請求不會一直阻塞下去）。
要回答這個問題，就要回到線程的相關問題了，
this.condition.wait()會導致當前線程阻塞，並不會影響到另外線程。而更新使用了兩個線程。所以這個問題也比較好回答。
bug問題2：為什么同一個線程（增量更新job線程）調用不同api，有的成功，而有的會阻塞：
解決這個問題，我們還是得回到AbstractConnPool中的方法getPoolEntryBlocking（）來看：
if (pool.getAllocatedCount() < maxPerRoute) { }
當前請求的路由如果已經達到最大值了就會阻塞等待。那么同一個jenkinsclient，按理來說不可能會出現不同的路由。所以同一個client要么都能訪問，要么都會阻塞，怎么會出現有的能訪問有的會阻塞。為了尋求問題的答案，我翻閱了JenkinsClient的源碼，結合日志，發現服務每次阻塞的方法是：
不管多少次，每次都會完美的在該地方阻塞：對應上面的api 3：
//獲取對應job某次build的詳情 3 client.get(url, BuildWithDetails.class);
這個url和其它兩個api拿到的路由都有區別：可以跟隨我一起看源碼：
public class Build extends BaseModel { private int number; private int queueId; private String url; }
我們可以看到url是屬於Build的屬性，並非client我們設置的值，當然有人會覺得該值可能是通過將配置的url設置過來的。我們可以接着看,哪些方法可能會給build設置url，三個構造函數，一個set方法都可以，如果我們繼續只看源碼仍然很難找到問題所在，所以這時候我開始啟動服務debug；
發現了問題在哪：
可以看出調用jenkins的這個api出現了兩個router，也可以看出這個url是jenkins返回的，查閱資料可以看到，jenkins系統設置時可以設置這個url。
所以這個bug也能很好的解釋了，對於httpclient來說，每個router默認可以最多兩個連接。雖然是同一個調用api采用的是同一個jenkinsClient，但是卻維護了兩個router，一個是從配置中獲取，一個是jenkins返回的，這個是配置不一致導致的。
JenkinsClient分配連接數：
public HttpClientBuilder clientBuilder() { HttpClientBuilder httpClientBuilder = HttpClientBuilder.create(); RequestConfig.Builder builder = RequestConfig.custom(); builder.setConnectionRequestTimeout(5 * 1000); builder.setSocketTimeout(20 * 1000); builder.setConnectTimeout(5 * 1000); httpClientBuilder.setDefaultRequestConfig(builder.build()); //每個路由最多有10個連接（默認2個） httpClientBuilder.setMaxConnPerRoute(10); //設置連接池最大連接數 httpClientBuilder.setMaxConnTotal(20); return httpClientBuilder; }
給JenkinsClient添加健康檢查，並手動更新不能用的Client
@Slf4j public class JenkinsClientManager implements Runnable { private volatile boolean flag = true; private final JenkinsClientProvider jenkinsClientProvider; public JenkinsClientManager(JenkinsClientProvider jenkinsClientProvider) { this.jenkinsClientProvider = jenkinsClientProvider; } @Override public void run() { while (flag) { try { checkJenkinsHealth(); //每30秒檢查一次 Thread.sleep(30_000); } catch (Exception e) { log.warn("check health error:{}", e.getMessage()); } } } public void checkJenkinsHealth() { log.debug("check jenkins client health start"); //獲取client是否可用 available = isAvailable(..) if (!available || !queryAvailable) { //更新client jenkinsClientProvider.retrieveJenkinsClient(); } } private boolean isAvailable(Set<Map.Entry<String, JenkinsClient>> entries) { boolean available = true; for (Map.Entry<String, JenkinsClient> entry : entries) { boolean running = entry.getValue().isRunning(); if (!running) { log.debug("jenkins running error"); available = false; } } return available; } @PostConstruct public void start() { TaskSchedulerConfig.getExecutor().execute(this); } }
四：JenkinsClient連接池
采用池化技術解決client高可用和重復利用問題
雖然我手動寫了一個JenkinsClientManager每30秒來維護一次client，但是這種手工的方式並不好：
- - 每30秒維護一次，若是在期間發生問題，那么只能干等
- - 無法動態的根據系統需要，動態構建新的client，也就是無法滿足高並發下的使用問題
- - 無法配置
目前我們都知道各種池化技術:線程池、數據庫連接池、redis連接池。
筆者在實現jenkinsClient pool之前，參考了線程池、數據庫連接池的實現、發現其底層實現較為復雜、redis的連接池技術相對來說容易看懂和學習、所以采用了和jedis一樣的實現方式來實現JenkinsClient的連接池
這是jedis的類結構目錄，其實重點在我標記的這5個類。
jedis本身也是采用的commons-pool2提供的池技術實現的，接下來我會簡單介紹一下該工具提供的池化技術。
JenkinsClient連接池應該要具備哪些功能？？
- - 動態創建JenkinsClient
- - 使用完的Client放回池中
- - 回收長期不用和不可用的Client
- - 能夠根據需要配置一定數量的Client
對於提到的這些功能，我將通過commons-pool2包來實現
PooledObjectFactory：該接口管理着bean的生命周期（An interface defining life-cycle methods for instances to be served by an）
- - makeObject 方法創建一個可以入池的實例，也就是我們需要用的Client由該方法創建
- - destroyObject 方法可以銷毀不可用或者過期的對象
- - validateObject 方法對實例進行驗證，在每次創建完實例后，都會調用該方法，同時也會以一定的頻率進行健康檢查（頻率timeBetweenEvictionRunsMillis）
GenericObjectPool：實例都會放入該池中進行管理：
//所有的可用連接 private final Map<IdentityWrapper<T>, PooledObject<T>> allObjects = new ConcurrentHashMap<>(); //空閑的可用連接 private final LinkedBlockingDeque<PooledObject<T>> idleObjects; //獲取可用連接 T borrowObject() throws Exception, NoSuchElementException, IllegalStateException; //資源釋放（將連接放回連接池） void returnObject(T obj) throws Exception;
配置（BaseObjectPoolConfig，但是我們繼承GenericObjectPoolConfig，該類給出了大量的默認值）
#鏈接池中最大連接數,默認為8
maxTotal
#鏈接池中最大空閑的連接數,默認也為8
maxIdle
#連接池中最少空閑的連接數,默認為0
minIdle
#連接空閑的最小時間，達到此值后空閑連接將可能會被移除。默認為1000L*60L*30L
minEvictableIdleTimeMillis
#連接空閑的最小時間，達到此值后空閑鏈接將會被移除，且保留minIdle個空閑連接數。默認為-1
softMinEvictableIdleTimeMillis
#當連接池資源耗盡時，等待時間，超出則拋異常，默認為-1即永不超時
maxWaitMillis
#當這個值為true的時候，maxWaitMillis參數才能生效。為false的時候，當連接池沒資源，則立馬拋異常。默認為true
blockWhenExhausted
#空閑鏈接檢測線程檢測的周期，毫秒數。如果為負值，表示不運行檢測線程。默認為-1.
timeBetweenEvictionRunsMillis
#在每次空閑連接回收器線程(如果有)運行時檢查的連接數量，默認為3
numTestsPerEvictionRun
#默認false，create的時候檢測是有有效，如果無效則從連接池中移除，並嘗試獲取繼續獲取
testOnCreate
#默認false，borrow的時候檢測是有有效，如果無效則從連接池中移除，並嘗試獲取繼續獲取
testOnBorrow
#默認false，return的時候檢測是有有效，如果無效則從連接池中移除，並嘗試獲取繼續獲取
testOnReturn
#默認false，在evictor線程里頭，當evictionPolicy.evict方法返回false時，而且testWhileIdle為true的時候則檢測是否有效，如果無效則移除
testWhileIdle
了解了這些我們對於需要開發的連接池就很輕松了：
- - 實現PooledObjectFactory（JenkinsFactory）該工廠類就是負責JenkinsClient的生命周期
- - 自定義連接池Pool，通過組合的方式引入框架的連接池GenericObjectPool，當然我們也可以用繼承的方式來實現（組合優先於繼承）
五：反思
連接池寫完，目前也只是在測試環境運行，還在觀察階段
有個特別的問題也需要指出來，該問題是筆者在開發時沒有注意的問題，也是此次線上產生問題的原因
筆者將原來更新頻率從15s調整到了10s，問題就暴露出來了，對於1個job，可能會拉出上百個build，每次會調用3個api接口，如果每次有十個job，每次更新會在10秒內完成，隨着job增加，和構建歷史增加（雖然有設置保留多少版本，但是api還是會拉出很奇怪的歷史build），會超量發出大量http請求。所以我在代碼層面也做了改動，每次只更新每個job的前5個最新的build，這樣下來，請求量會降低很多
List<Build> buildList = builds.stream().sorted(Comparator.comparing(Build::getNumber).reversed()).limit(5).collect(toList());
本次事故整體來講，還是筆者技術有限，解決問題時繞了很多彎，花了大量時間研究源碼。我也總結了以下幾點
- - 對於連接、鎖等這些可能會阻塞的場景，都需要給出超時設置
- - 資源消耗型，需要有池化的思想，提高資源利用率，保證系統穩定
- - 基礎很重要，需要持續不斷的學習，這樣解決問題才能深入底層，找出問題所在，而不是浮於表面