参考:https://mp.weixin.qq.com/s/8JDPOAvmKYP8JZxau45hdw
-
前言 -
当时场景 -
正常的jvm监控曲线图 -
产生问题的jvm监控曲线图 -
具体分析 -
结束语
昨天线上容器突然cpu飙升，也是第一次排查这种问题所以记录一下~
前言
首先问题是这样的，周五正在写文档，突然收到了线上报警，发现cpu占用达到了90多，上平台监控系统查看容器，在jvm监控中发现有一个pod在两个小时内产生了61次youngGc一次fullGc，这个问题特别严重且少见，由于我之前也没有排查过此类问题，所以也是百度，但整个过程也有一些自己的思考，所以跟大家分享一下~
当时场景
我先给大家看一下一副正常的gc曲线监控（为保密性，我自己按照平台监控画了出来）：
正常的jvm监控曲线图
正常的jvm监控曲线图
产生问题的jvm监控曲线图
产生问题的jvm监控曲线图
可以看的出来，正常情况下该系统很少gc(具体看业务系统使用情况、jvm内存分配)，但是在图二中出现了大量异常的gc情况甚至触发了fullGc，所以我当时立马进行了分析。
具体分析
首先异常gc的情况只出现在一个pod上（系统有多个pod）,在监控系统找到对应的pod，进入pod内部查看问题原因，排查问题一定要冷静
-
进入pod之后，输入top查看各linux进程对系统资源的使用情况(因我这是事后补稿，资源使用不高，大家看步骤即可)
-
分析资源使用情况在当时的情况下
top
当时我的pid为1的进程cpu上到了130（多核）那我认定就是java应用出问题了，control+c退出继续往下走
-
输入top -H -p pid 通过此命令可以查看实际占用CPU最高的的线程的id，pid为刚才资源使用高的pid号
top -H -p pid
-
出现具体线程的资源使用情况，表格里的pid代表线程的id，我们称他为tid
tid
-
我记得当时的tip为746（上述图片只是我给大家重复步骤），使用命令printf "%x\n" 746，将线程tid转换为16进制
tid转换为16进制
因为我们线程id号在堆栈里是16进制的所以需要做一个进制转换
-
输入jstack pid | grep 2ea >gc.stack
jstack pid | grep 2ea >gc.stackjstack
解释一下，jstack是jdk给提供的监控调优小工具之一，jstack会生成JVM当前时刻的线程快照，然后我们可以通过它查看某个Java进程内的线程堆栈信息，之后我们把堆栈信息通过管道收集2ea线程的信息，然后将信息生成为gc.stack文件，我随便起的，随意
-
当时我先cat gc.stack 发现数据有点多在容器里看不方便，于是我下载到本地浏览，因为公司对各个机器的访问做了限制，我只能用跳板机先找到一台没用的机器a，把文件下载到a然后我再把a里的文件下载到本地（本地访问跳板机OK），先输入python -m SimpleHTTPServer 8080，linux自带python，这个是开启一个简单http服务供外界访问
开启http服务
然后登录跳板机，使用curl下载curl -o http://ip地址/gcInfo.stack
为方便演示，我在图中把ip换了一个假的
curl
之后用同样的方法从本地下载跳板机就可以了，记得关闭python开启的建议服务嗷
-
把文件下载到了本地，打开查看编辑器搜索2ea，找到nid为2ea的堆栈信息
找到nid为2ea的堆栈信息
之后找到对应的impl根据行数分析程序
-
发现是在文件异步导出excel的时候，导出接口使用了公共列表查询接口，列表接口查询数据最多为分页200一批，而导出数据量每个人的权限几万到十几万不等
导出excel
并且该判断方法使用了嵌套循环里判断，且结合业务很容易 get 不到 value，Java 下的new ArrayList 就是返回一个 List 集合（好像不用说这么细 (；一_一 ），在整个方法结束之前，产生的 lists生命周期还在所以发生多次gc触发重启之后还影响到了别的pod。然后对代码进行了fix，紧急上线，问题解决~
结束语
遇到生产问题，大家不要害怕，遇到问题先保证服务是否可用，然后通过有限的信息层层解析，找出最终的问题。如果你会 arthas，排查起来会更轻松！
