面试官问 : Java 线上问题排查思路、经常使用工具

点击上方“Java面试进化论”，选择“设为星标”html

回复”666“获取新整理的面试资料java

连接：ricstudio.top/archives/java-online-question-probe

本文总结了一些常见的线上应急现象和对应排查步骤和工具。分享的主要目的是想让对线上问题接触少的同窗有个预先认知，省得在遇到实际问题时手忙脚乱。

只不过这里先提示一下。在线上应急过程当中要记住，只有一个整体目标：尽快恢复服务，消除影响。无论处于应急的哪一个阶段，咱们首先必须想到的是恢复问题，恢复问题不必定可以定位问题，也不必定有完美的解决方案，也许是经过经验判断，也许是预设开关等，但均可能让咱们达到快速恢复的目的，而后保留部分现场，再去定位问题、解决问题和复盘。git

在大多数状况下，咱们都是先优先恢复服务，保留下当时的异常信息（内存dump、线程dump、gc log等等，在紧急状况下甚至能够不用保留，等到过后去复现），等到服务正常，再去复盘问题。github

好，如今让咱们进入正题吧。web

常见现象：CPU 利用率高/飙升

场景预设：面试

监控系统忽然告警，提示服务器负载异常。sql

预先说明：数据库

CPU飙升只是一种现象，其中具体的问题可能有不少种，这里只是借这个现象切入。安全

注：CPU使用率是衡量系统繁忙程度的重要指标。可是CPU使用率的安全阈值是相对的，取决于你的系统的IO密集型仍是计算密集型。通常计算密集型应用CPU使用率偏高load偏低，IO密集型相反。服务器

常见缘由：

频繁 gc
死循环、线程阻塞、io wait...etc

模拟

这里为了演示，用一个最简单的死循环来模拟CPU飙升的场景，下面是模拟代码，

在一个最简单的SpringBoot Web 项目中增长CpuReaper这个类，

/**
 * 模拟 cpu 飙升场景
 * @author Richard_yyf
 */
@Component
public class CpuReaper {

    @PostConstruct
    public void cpuReaper() {
        int num = 0;
        long start = System.currentTimeMillis() / 1000;
        while (true) {
            num = num + 1;
            if (num == Integer.MAX_VALUE) {
                System.out.println("reset");
                num = 0;
            }
            if ((System.currentTimeMillis() / 1000) - start > 1000) {
                return;
            }
        }
    }
}

打包成jar以后，在服务器上运行。java -jar cpu-reaper.jar &

第一步：定位出问题的线程

方法 a: 传统的方法

top 定位CPU 最高的进程

执行top命令，查看全部进程占系统CPU的排序，定位是哪一个进程搞的鬼。在本例中就是我们的java进程。PID那一列就是进程号。(对指示符含义不清楚的见【附录】)

top -Hp pid 定位使用 CPU 最高的线程

printf '0x%x' tid 线程 id 转化 16 进制

> printf '0x%x' 12817> 0x3211

jstack pid | grep tid 找到线程堆栈

  > jstack 12816 | grep 0x3211 -A 30

方法 b: [show-busy-java-threads]

这个脚原本自于github上一个开源项目，项目提供了不少有用的脚本，show-busy-java-threads就是其中的一个。使用这个脚本，能够直接简化方法A中的繁琐步骤。以下，

> wget --no-check-certificate https://raw.github.com/oldratlee/useful-scripts/release-2.x/bin/show-busy-java-threads
> chmod +x show-busy-java-threads
> ./show-busy-java-threads

show-busy-java-threads
# 从全部运行的Java进程中找出最消耗CPU的线程（缺省5个），打印出其线程栈
# 缺省会自动从全部的Java进程中找出最消耗CPU的线程，这样用更方便
# 固然你能够手动指定要分析的Java进程Id，以保证只会显示你关心的那个Java进程的信息
show-busy-java-threads -p <指定的Java进程Id>

show-busy-java-threads -c <要显示的线程栈数>

方法 c: arthas `thread`

阿里开源的arthas如今已经几乎包揽了咱们线上排查问题的工做，提供了一个很完整的工具集。在这个场景中，也只须要一个thread -n命令便可。

> curl -O https://arthas.gitee.io/arthas-boot.jar # 下载

要注意的是，arthas的cpu占比，和前面两种cpu占比统计方式不一样。前面两种针对的是Java进程启动开始到如今的cpu占比状况，arthas这种是一段采样间隔内，当前JVM里各个线程所占用的cpu时间占总cpu时间的百分比。

具体见官网：https://alibaba.github.io/arthas/thread.html

后续

经过第一步，找出有问题的代码以后，观察到线程栈以后。咱们就要根据具体问题来具体分析。这里举几个例子。

状况一：发现使用CPU最高的都是GC 线程。

GC task thread#0 (ParallelGC)" os_prio=0 tid=0x00007fd99001f800 nid=0x779 runnable
GC task thread#1 (ParallelGC)" os_prio=0 tid=0x00007fd990021800 nid=0x77a runnable 
GC task thread#2 (ParallelGC)" os_prio=0 tid=0x00007fd990023000 nid=0x77b runnable 
GC task thread#3 (ParallelGC)" os_prio=0 tid=0x00007fd990025000 nid=0x77c runnabl

gc 排查的内容较多，因此我决定在后面单独列一节讲述。

状况二：发现使用CPU最高的是业务线程

io wait

好比此例中，就是由于磁盘空间不够致使的io阻塞

等待内核态锁，如 synchronized

jstack -l pid | grep BLOCKED 查看阻塞态线程堆栈
dump 线程栈，分析线程持锁状况。
arthas提供了 thread -b，能够找出当前阻塞其余线程的线程。针对 synchronized 状况

常见现象：频繁 GC

1. 回顾GC流程

在了解下面内容以前，请先花点时间回顾一下GC的整个流程。

接前面的内容，这个状况下，咱们天然而然想到去查看gc 的具体状况。

方法a : 查看gc 日志
方法b : jstat -gcutil 进程号统计间隔毫秒统计次数（缺省表明一致统计
方法c : 若是所在公司有对应用进行监控的组件固然更方便（好比Prometheus + Grafana）

这里对开启 gc log 进行补充说明。一个经常被讨论的问题（惯性思惟）是在生产环境中GC日志是否应该开启。由于它所产生的开销一般都很是有限，所以个人答案是须要开启。但并不必定在启动JVM时就必须指定GC日志参数。

HotSpot JVM有一类特别的参数叫作可管理的参数。对于这些参数，能够在运行时修改他们的值。咱们这里所讨论的全部参数以及以“PrintGC”开头的参数都是可管理的参数。这样在任什么时候候咱们均可以开启或是关闭GC日志。好比咱们可使用JDK自带的jinfo工具来设置这些参数，或者是经过JMX客户端调用HotSpotDiagnostic MXBean的setVMOption方法来设置这些参数。

这里再次大赞arthas❤️，它提供的vmoption命令能够直接查看，更新VM诊断相关的参数。

获取到gc日志以后，能够上传到GC easy帮助分析，获得可视化的图表分析结果。

2. GC 缘由及定位

prommotion failed

从S区晋升的对象在老年代也放不下致使 FullGC（fgc 回收无效则抛 OOM）。

可能缘由：

survivor 区过小，对象过早进入老年代

查看 SurvivorRatio 参数
大对象分配，没有足够的内存

dump 堆，profiler/MAT 分析对象占用状况
old 区存在大量对象

dump 堆，profiler/MAT 分析对象占用状况

你也能够从full GC 的效果来推断问题，正常状况下，一次full GC应该会回收大量内存，因此 正常的堆内存曲线应该是呈锯齿形。若是你发现full gc 以后堆内存几乎没有降低，那么能够推断： 堆中有大量不能回收的对象且在不停膨胀，使堆的使用占比超过full GC的触发阈值，但又回收不掉，致使full GC一直执行。换句话来讲，多是内存泄露了。

通常来讲，GC相关的异常推断都须要涉及到内存分析，使用jmap之类的工具dump出内存快照（或者 Arthas的heapdump）命令，而后使用MAT、JProfiler、JVisualVM等可视化内存分析工具。

至于内存分析以后的步骤，就须要小伙伴们根据具体问题具体分析啦。

常见现象：线程池异常

场景预设：

业务监控忽然告警，或者外部反馈提示大量请求执行失败。

异常说明：

Java 线程池以有界队列的线程池为例，当新任务提交时，若是运行的线程少于 corePoolSize，则建立新线程来处理请求。若是正在运行的线程数等于 corePoolSize 时，则新任务被添加到队列中，直到队列满。当队列满了后，会继续开辟新线程来处理任务，但不超过 maximumPoolSize。当任务队列满了而且已开辟了最大线程数，此时又来了新任务，ThreadPoolExecutor 会拒绝服务。

常见问题和缘由

这种线程池异常，通常能够经过开发查看日志查出缘由，有如下几种缘由：

下游服务响应时间（RT）过长

这种状况有多是由于下游服务异常致使的，做为消费者咱们要设置合适的超时时间和熔断降级机制。

另外针对这种状况，通常都要有对应的监控机制：好比日志监控、metrics监控告警等，不要等到目标用户感受到异常，从外部反映进来问题才去看日志查。
数据库慢 sql 或者数据库死锁

查看日志中相关的关键词。

Java 代码死锁

jstack –l pid | grep -i –E 'BLOCKED | deadlock'

4、常见问题恢复

对于上文提到的一些问题，这里总结了一些恢复的方法。

5、Arthas

这里仍是想单独用一节安利一下Arthas这个工具。

Arthas 是阿里巴巴开源的Java 诊断工具，基于 Java Agent 方式，使用 Instrumentation 方式修改字节码方式进行 Java 应用诊断。

dashboard ：系统实时数据面板, 可查看线程，内存，gc 等信息
thread ：查看当前线程信息，查看线程的堆栈，如查看最繁忙的前 n 线程
getstatic：获取静态属性值，如 getstatic className attrName 可用于查看线上开关真实值
sc：查看 jvm 已加载类信息，可用于排查 jar 包冲突
sm：查看 jvm 已加载类的方法信息
jad：反编译 jvm 加载类信息,排查代码逻辑没执行缘由
logger：查看logger信息，更新logger level
watch：观测方法执行数据，包含出参、入参、异常等
trace：方法内部调用时长，并输出每一个节点的耗时，用于性能分析
tt：用于记录方法，并作回放

以上内容节选自Arthas官方文档。

另外，Arthas里的还集成了 ognl 这个轻量级的表达式引擎，经过ognl，你能够用arthas 实现不少的“骚”操做。

其余的这里就很少说了，感兴趣的能够去看看arthas的官方文档、github issue。

6、涉及工具

再说下一些工具。

Arthas（超级推荐❤️❤️）
useful-scripts
GC easy
Smart Java thread dump analyzer - thread dump analysis in seconds
PerfMa - Java虚拟机参数/线程dump/内存dump分析
Linux 命令
Java N 板斧
MAT、JProfiler...等可视化内存分析工具

结语

我知道我这篇文章对于线上异常的概括并不全面，还有网络（超时、TCP队列溢出...）、堆外内存等不少的异常场景没有涉及。主要是由于本身接触不多，没有深入体会研究过，强行写出来免不得会差点意思，更怕的是误了别人😅。

还有想说的就是，Java 应用线上排查实际很是考究一我的基础是否扎实、解决问题能力是否过关。好比线程池运行机制、gc分析、Java 内存分析等等，若是基础不扎实，看了更多的是一头雾水。另外就是，多看看网上一些有实际场景的关于异常排查的经验文章，学习他们解决排查问题的思路和工具。这样即便本身暂时遇不到，可是会在脑海里面慢慢总结出一套解决相似问题的结构框架，到时候真的遇到了，也就是举一反三的事情罢了。

- End -