作者 | Mason MA
【Arthas 官方社群正在舉行征文活動，參加即有獎品拿哦~
點選投稿】
Arthas 是個不錯的工具，這裡要再安利一波，當然整個過程還用到了其他工具，如 MAT、YourKIT（這個是付費的），結合起來使用更加便于發現和解決問題。期間還和開發大佬多次溝通，分别擷取了不同的資訊。
一鍵安裝并啟動 Arthas
- 方式一：通過 Cloud Toolkit 實作 Arthas 一鍵遠端診斷
Cloud Toolkit 是阿裡雲釋出的免費本地 IDE 插件，幫助開發者更高效地開發、測試、診斷并部署應用。通過插件，可以将本地應用一鍵部署到任意伺服器，甚至雲端（ECS、EDAS、ACK、ACR 和 小程式雲等）；并且還内置了 Arthas 診斷、Dubbo工具、Terminal 終端、檔案上傳、函數計算 和 MySQL 執行器等工具。不僅僅有 IntelliJ IDEA 主流版本，還有 Eclipse、Pycharm、Maven 等其他版本。
推薦使用 IDEA 插件下載下傳 Cloud Toolkit 來使用 Arthas：
http://t.tb.cn/2A5CbHWveOXzI7sFakaCw8- 方式二：直接下載下傳
位址：
https://github.com/alibaba/arthas。
現象
- 建索引的背景應用，感覺用不到那麼大記憶體，現在用到了并且隔兩天就會 oom，需要重新開機；
- 有全量資料和增量資料，OOM 大多發生在全量資料寫入階段，且 OOM 基本都在淩晨首次觸發全量資料更新時出現；
- 業務應用使用了 G1 收集器（進階進階...）。
内心 OS：糟糕，G1 還不熟可怎麼辦，先想個辦法把大佬們支開，我自己再慢慢研究。
我還有點别的事兒，我等會再看
苟膽假設
在現有掌握的資訊下判斷，大膽假設一下，反正猜錯了又不會賠錢。
- 是否是因為全量資料寫入，超過了堆的承載能力，導緻了 OOM？
- 業務是否有 static 容器使用不當，一直沒回收，一直往裡 put 元素，是以需要兩天 OOM 一次？
- 記憶體不夠，是哪些對象占用最多，先找出來看看？
- 有沒有大對象？
發抖求證
基本資訊
程序啟動參數
-Xms12g
-Xmx12g
-XX:+UseG1GC
-XX:InitiatingHeapOccupancyPercent=70
-XX:MaxGCPauseMillis=200
-XX:G1HeapWastePercent=20
-XX:+PrintAdaptiveSizePolicy
-XX:+UseStringDeduplication
-XX:+PrintGCDetails
-XX:+PrintGCDateStamps
-XX:+PrintGCApplicationStoppedTime
-XX:+PrintTenuringDistribution
-Xloggc:/home/search/fse2/gc.log
-XX:+UseGCLogFileRotation
-XX:NumberOfGCLogFiles=2
-XX:GCLogFileSize=512M
-XX:+UnlockDiagnosticVMOptions
-XX:+PrintNMTStatistics
-XX:NativeMemoryTracking=summary 可以看到，使用了 G1 收集器，這個之前做業務開發的時候還不常見呢，畢竟是為大記憶體打造的追求低延遲的垃圾回收器。關于 G1 收集器的一些基本特性，大家可以去搜集一些資料。大概主要包括以下幾項：
- Region 分區機制
- SATB，全稱是 Snapshot-At-The-Beginning，由字面了解，是 GC 開始時活着的對象的一個快照
- Rset，全稱是 Remembered Set，是輔助 GC 過程的一種結構，空間換時間思想
- Pause Prediction Model 即停頓預測模型
從 G1 的這些屬性來看，它期望做到減少人為操作調優，實作自動化的調優（說到這裡，感覺本次出現的 OOM 似乎跟垃圾收集器本身關聯并不大，并不是因為業務量大堆記憶體不夠用，可能根本原因在代碼邏輯層面），并且适應在硬體成本降低，大記憶體堆逐漸變多的場景（後面還有 ZGC 和 Shenandoah，同樣是可以管理超大記憶體并停頓很低的神奇垃圾收集器）。
已經有GC日志了，那先看看日志，發現一處異常：
#### 這裡Heap回收的還隻是300多M記憶體
[Eden: 316.0M(956.0M)->0.0B(1012.0M) Survivors: 48.0M->44.0M Heap: 359.2M(12.0G)->42.0M(12.0G)]
[Times: user=0.31 sys=0.01, real=0.05 secs]
2020-06-09T02:59:23.489+0800: 2020-06-09T02:59:23.489+0800: 35.922: Total time for which application threads were stopped: 0.0578199 seconds, Stopping threads took: 0.0000940 seconds
35.922: [GC concurrent-root-region-scan-start]
......
......
......
#### 這個點Heap回收的就是11G記憶體了
[Eden: 724.0M(1012.0M)->0.0B(540.0M) Survivors: 44.0M->72.0M Heap: 11.5G(12.0G)->355.6M(12.0G)]
[Times: user=1.51 sys=0.07, real=0.26 secs]
2020-06-09T03:12:36.329+0800: 828.762: Total time for which application threads were stopped: 0.2605902 seconds, Stopping threads took: 0.0000600 seconds 初次調試
增加 -XX:G1ReservePercent 選項的值，為“目标空間”增加預留記憶體量。
減少
-XX:InitiatingHeapOccupancyPercent
提前啟動标記周期
懷疑在 GC 的當時，有大量資料全量寫入，記憶體還沒回收完，寫進大量對象，導緻了 OOM，于是調了啟動周期，占比由 70 下降到55，提前觸發，預留更多堆空間。
GC 變得頻繁了，但是記憶體占用過大的問題并沒有得到解釋。并且是否會再次在淩晨出現 OOM 還需要等。。。于是還要繼續看看有沒有别的問題。
繼續挖掘
有疑點沒有解答，肯定是要繼續挖掘的，抄起鍵盤就是幹，一頓操作猛如虎。
Arthas
不知道哪位已經安裝了，先拿來用用看吧，大概用到了以下幾個指令：
dashboard
看看基本情況，線程數，堆大小，老年代大小，使用占比情況。首次看到這裡時，eden 和 old 區的占用都挺高的， 70~80% 吧（當時忘了截圖）。記憶體使用率比較高。
thread
看看線程數有沒有異常，線程數正常，隻是找出了資源占用比較高的線程，其中一個線程在後面其他資訊統計中還會出現：
YJPAgent-Telemetry
ctrl-bidsearch-rank-shard1
YJPAgent-RequestListener
ctrl-bidsearch-rank-shard1 居然有兩個線程是 YourKit 監控工具的 agent，看來這個監控工具對性能影響還挺大的。
profiler
分别采集一下記憶體和 CPU 的火焰圖資料：
# 記憶體
profiler start --event alloc
###
profiler stop
# 預設CPU
profiler start
###
profiler stop - CPU
- 記憶體
從 CPU 火焰圖看到，G1 收集器線程居然占了一半資源，可能采集當時正在進行 GC，不過，除此之外，基本都能定位到是一個叫
IncrementIndexService
的類，使用了比較多的 CPU 和記憶體資源。
如果業務代碼真的存在缺陷，那麼一定在這個流程裡，後來經過溝通，發現這個應用處理任務主要入口的确是在這裡面。先持有保留意見。
thread 看到的線程和 profiler 看到的 class，都最終定位到是同一個業務流程。
開始驗證之前的猜想：
1. 是否在全量資料寫入的時候有大量對象湧入記憶體？
計算了一些業務代碼擷取資料的量，中繼資料大約也就在 1.3G 左右，就算全量寫入，也不應該占用 12G 的堆記憶體，是以猜測全量資料寫入時，代碼邏輯可能有什麼缺陷，導緻 1.3G 的原資料被封裝成遠大于 1.3G 的對象了。
2. 是否有 static 容器？
有，但是經過 watch 觀察，沒有發現容器隻 put 不 remove 的情況，指令如下：
watch com.xxx.classname method "{params,target}" -x 3 3. 有沒有大對象？
對于 G1，預設将堆分成 2048 個 Region，12G 的堆，一個 Region 是 6M，超過 3M 才是大對象。
jmap histo 30123 至少輸出的資料中，大對象不是 G1 定義的大對象。
MAT
既然沒什麼發現，就把堆 dump 出來吧。如果不想或者不能 dump，也可以用 jmap histo 檢視記憶體占用，優點是不用 dump，缺點是通常不能很好的和業務代碼之間建立關聯。
警告：jmap 或者 Arthas 的 heapdump 操作之前一定要斷開流量。好在我們這個服務沒有線上流量，建索引有延遲，可能短暫影響搜尋體驗。
dump 出來之後，發現有 7 個 G，這麼大的檔案一般很難傳到本地來分析了，于是用 MAT，占用伺服器 1 個 G 記憶體進行分析，分析完成的結果下載下傳到本地。
線程名稱和之前發現的資訊吻合，點開 detail 有驚喜。
一串奇怪的字元串，有點像 XML，好像在拼裝着什麼，于是找到業務大佬請教，發現的确有拼裝 solrDocument 的邏輯，而且，經過 YourKit 輸出部分對象值的片段，可以發現有大部分是在重複拼裝，大概意思如下：
<xml>
...
<country>CA</country>
<country>CA</country>
<country>CA</country>
<country>CA</country>
<country>CA</country>
...n次重複
<country>US</country>
<country>US</country>
<country>US</country>
<country>US</country>
<country>US</country>
<country>US</country>
...n次重複
<country>UK</country>
<country>UK</country>
...
</xml> 代碼邏輯修改其實比較簡單了，業務開發大佬們比較熟悉業務流程，很快就就有了修改方案。
調整之後發現，記憶體使用量下降了很多。
直接降到了 4-5G 左右，如果是這樣的話，即便全量資料寫入時，正在做垃圾回收，應該還是夠用的。但是感覺這個代碼邏輯裡面，應該還有優化空間，不過，先解決問題，優化可以做下一步操作。
複盤
無論從哪個工具得出的資料，都顯示
IncrementIndexService
這個類的邏輯可能有問題，最終問題的根本和 G1 參數設定好像也沒什麼關系，代碼邏輯缺陷才是根源，再擴大記憶體可能或者調整 JVM 參數，也隻能将故障緩解，但是不能解決。
- 從程序到線程到代碼
- 擷取 JVM 基本資訊，收集器，啟動參數等資訊
- 檢視現有的日志，GC 日志，業務日志
- 溝通業務場景，了解輸入資料規模等等
- 猜想可能存在的原因，大膽的猜
- 使用工具（Arthas、MAT、YourKit、JDK 自帶指令等等）挖掘資訊，火焰圖、耗能線程、線程棧 堆dump，占比分析 大對象 ...
- 結合資料重新梳理，發現業務代碼的關聯和可能存在的缺陷，可以嘗試調整參數
- 業務代碼若有 bug，修複 bug
Arthas 征文活動火熱進行中
Arthas 官方正在舉行征文活動，如果你有：
- 使用 Arthas 排查過的問題
- 對 Arthas 進行源碼解讀
- 對 Arthas 提出建議
- 不限，其它與 Arthas 有關的内容
歡迎參加征文活動，還有獎品拿哦~
“ 阿裡巴巴雲原生 關注微服務、Serverless、容器、Service Mesh 等技術領域、聚焦雲原生流行技術趨勢、雲原生大規模的落地實踐，做最懂雲原生開發者的公衆号。”