本文已收錄 https://github.com/lkxiaolou/lkxiaolou 歡迎star。搜索關注微信公眾號"捉蟲大師"，后端技術分享，架構設計、性能優化、源碼閱讀、問題排查、踩坑實踐。
背景
最近某天的深夜，剛洗完澡就接到業務方打來電話，說他們的 dubbo 服務出故障了，要我協助排查一下。
電話里，詢問了他們幾點
- 是線上有損故障嗎？——是
- 止損了嗎？——止損了
- 有保留現場嗎？——沒有
於是我打開電腦，連上 VPN 看問題。為了便於理解，架構簡化如下
只需要關注 A、B、C 三個服務，他們之間調用都是 dubbo 調用。
發生故障時 B 服務有幾台機器完全夯死，處理不了請求，剩余正常機器請求量激增，耗時增加，如下圖（圖一請求量、圖二耗時）
問題排查
由於現場已被破壞，只能先看監控和日志
- 監控
除了上述監控外，翻看了 B 服務 CPU 和內存等基礎監控，發現故障的幾台機器內存上漲比較多，都達到了 80% 的水平線，且 CPU 消耗也變多
這時比較懷疑內存問題，於是看了下 JVM 的 fullGC 監控
果然 fullGC 時間上漲很多，基本可以斷定是內存泄漏導致服務不可用了。但為什么會內存泄漏，還無法看出端倪。
- 日志
申請機器權限，查看日志，發現了一條很奇怪的 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]
可以看出業務方使用的是2.7.12版本的 dubbo
拿這個日志去 dubbo 的 github 倉庫搜了一下，找到了如下這個 issue：
但很快排除了該問題，因為在 2.7.12 版本中已經是修復過的代碼了。
繼續又找到了這兩個 issue：
從報錯和版本上來看，完全符合，但沒有提及內存問題，先不管內存問題，看看是否可以按照 #8188 這個 issue 復現
issue中也說的比較清楚如何復現，於是我搭了這樣三個服務來復現，剛開始還沒有復現。通過修復代碼來反推
刪除代碼部分是有問題，但我們復現卻難以進入這塊，怎么才能進入呢？
這里一個 feature 代表一個請求，只有當請求沒有完成時才會進入，這就好辦了，讓 provider 一直不返回，肯定可以實現，於是在provider 端測試代碼加入
Thread.sleep(Integer.MAX_VALUE);
經過測試果然復現了，如 issue 所說，當 kill -9 掉第一個 provider 時，消費者全局 ExecutorService 被關閉，當 kill -9 第二個 provider 時，SHARED_EXECUTOR 也被關閉。
那么這個線程池是用來干什么的呢？
它在 HashedWheelTimer 中被用來檢測 consumer 發出的請求是否超時。
HashedWheelTimer 是 dubbo 實現的一種時間輪檢測請求是否超時的算法，具體這里不再展開，改天可以詳細寫一篇 dubbo 中時間輪算法。
當請求發出后，如果可以正常返回還好，但如果超過設定的超時時間還未返回，則需要這個線程池的任務來檢測，對已經超時的任務進行打斷。
如下代碼為提交任務，當這個線程池被關閉后，提交任務就會拋出異常，超時也就無法檢測。
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);
}
}
}
到這里恍然大悟：如果請求一直發送，不超時，那是不是有可能撐爆內存？於是我又模擬了一下，並且開了 3 個線程一直請求 provider，果然復現出內存被撐爆的場景，而當不觸發這個問題時，內存是一直穩定在一個低水平上。
這里我用的 arthas 來看的內存變化，非常方便
得出結論
在本地復現后，於是跟業務方求證一下，這個問題復現還是比較苛刻的，首先得是異步調用，其次 provider 需要非正常下線，最后 provider 需要有阻塞，即請求一直不返回。
異步調用得到業務方的確認，provider 非正常下線，這個比較常見，物理機的故障導致的容器漂移就會出現這個情況，最后 provider 有阻塞這點也得到業務方的確認，確實 C 服務有一台機器在那個時間點附近僵死，無法處理請求，但進程又是存活的。
所以這個問題是 dubbo 2.7.12 的 bug 導致。翻看了下這個 bug 是 2.7.10 引入， 2.7.13 修復。
復盤
差不多花了1天的時間來定位和復現，還算順利，運氣也比較好，沒怎么走彎路，但這中間也需要有些地方需要引起重視。
- 止損的同時最好能保留現場，如本次如果在重啟前 dump 下內存或摘除流量保留機器現場，可能會幫助加速定位問題。如配置 OOM 時自動 dump 內存等其他手段。這也是本起事故中不足的點
- 服務的可觀測性非常重要，不管是日志、監控或其他，都要齊全。基本的如日志、出口、進口請求監控、機器指標（內存、CPU、網絡等）、JVM 監控（線程池、GC 等）。這點做的還可以，基本該有的都有
- 開源產品，可從關鍵日志去網絡查找，極大概率你遇到的問題大家也遇到過。這也是這次幸運的點，少走了很多彎路
搜索關注微信公眾號"捉蟲大師"，后端技術分享，架構設計、性能優化、源碼閱讀、問題排查、踩坑實踐。