什么是壓測

壓測，即壓力測試，是確立系統(tǒng)穩(wěn)定性的一種測試方法，通常在系統(tǒng)正常運(yùn)作范圍之外進(jìn)行，以考察其功能極限和和可能存在的隱患。

壓測主要用于檢測服務(wù)器的承受能力，包括用戶承受能力，即多少用戶同時(shí)使用系統(tǒng)時(shí)基本不影響質(zhì)量、流量承受等。另外，通過諸如疲勞測試還能發(fā)現(xiàn)系統(tǒng)一些穩(wěn)定性的問題，比如是否存在連接池中的連接被耗盡，內(nèi)存被耗盡，線程池被耗盡，這些只能通過疲勞測試來進(jìn)行發(fā)現(xiàn)定位。

(資料圖片僅供參考)

為什么要壓測

壓測的目的就是通過模擬真實(shí)用戶的行為，測算出機(jī)器的性能(單臺(tái)機(jī)器的 QPS、TPS)，從而推算出系統(tǒng)在承受指定用戶數(shù)(100 W)時(shí)，需要多少機(jī)器能支撐得住。因此在進(jìn)行壓測時(shí)一定要事先設(shè)定壓測目標(biāo)值，這個(gè)值不能太小，也不能太大，按照目前業(yè)務(wù)預(yù)估的增長量來做一個(gè)合理的評(píng)估。壓測是在上線前為了應(yīng)對(duì)未來可能達(dá)到的用戶數(shù)量的一次預(yù)估(提前演練)，壓測以后通過優(yōu)化程序的性能或準(zhǔn)備充足的機(jī)器，來保證用戶的體驗(yàn)。壓測還能探測應(yīng)用系統(tǒng)在出現(xiàn)交易洪峰時(shí)穩(wěn)定性情況，以及可能出現(xiàn)的一些問題，發(fā)現(xiàn)應(yīng)用系統(tǒng)薄弱一環(huán)，從而更有針對(duì)性地進(jìn)行加強(qiáng)。

壓測

這幾種測試可以穿插進(jìn)行，一般會(huì)在壓力測試性能指標(biāo)達(dá)標(biāo)后，再安排耐久性測試。

壓測名詞解釋

常見的壓測工具

ab

ApacheBench 是 Apache 服務(wù)器自帶的一個(gè) web 壓力測試工具，簡稱 ab。ab 又是一個(gè)命令行工具，對(duì)發(fā)起負(fù)載的本機(jī)要求很低，根據(jù) ab 命令可以創(chuàng)建很多的并發(fā)訪問線程，模擬多個(gè)訪問者同時(shí)對(duì)某一 URL 地址進(jìn)行訪問，因此可以用來測試目標(biāo)服務(wù)器的負(fù)載壓力?？偟膩碚f ab 工具小巧簡單，上手學(xué)習(xí)較快，可以提供需要的基本性能指標(biāo)，但是沒有圖形化結(jié)果，不能監(jiān)控。

Jmeter

Apache JMeter 是 Apache 組織開發(fā)的基于 Java 的壓力測試工具。用于對(duì)軟件做壓力測試，它最初被設(shè)計(jì)用于 Web 應(yīng)用測試，但后來擴(kuò)展到其他測試領(lǐng)域。

JMeter 能夠?qū)?yīng)用程序做功能/回歸測試，通過創(chuàng)建帶有斷言的腳本來驗(yàn)證你的程序返回了你期望的結(jié)果。

JMeter 的功能過于強(qiáng)大，這里暫時(shí)不介紹用法，可以查詢相關(guān)文檔使用(參考文獻(xiàn)中有推薦的教程文檔)

LoadRunner

LoadRunner 是 HP(Mercury)公司出品的一個(gè)性能測試工具，功能非常強(qiáng)大，很多企業(yè)級(jí)客戶都在使用，具體請參考官網(wǎng)鏈接。

阿里云PTS

性能測試 PTS（Performance Testing Service）是一款性能測試工具。支持按需發(fā)起壓測任務(wù)，可提供百萬并發(fā)、千萬 TPS 流量發(fā)起能力，100% 兼容 JMeter。提供的場景編排、API 調(diào)試、流量定制、流量錄制等功能，可快速創(chuàng)建業(yè)務(wù)壓測腳本，精準(zhǔn)模擬不同量級(jí)用戶訪問業(yè)務(wù)系統(tǒng)，幫助業(yè)務(wù)快速提升系統(tǒng)性能和穩(wěn)定性。

作為阿里內(nèi)部使用多年的性能測試工具，PTS 具備如下特性：

免運(yùn)維、開箱即用。SaaS化施壓、最大支持百萬級(jí)并發(fā)、千萬級(jí)TPS流量自助發(fā)起能力。支持多協(xié)議HTTP1.1/HTTP2/JDBC/MQTT/Kafka/RokectMq/Redis/Websocket/RMTP/HLS/TCP/UDP/SpringCloud/Dubbo/Grpc 等主流協(xié)議。支持流量定制。全球施壓地域定制/運(yùn)營商流量定制/IPv6 流量定制。穩(wěn)定、安全。阿里自研引擎、多年雙十一場景打磨、支持 VPC 網(wǎng)絡(luò)壓測。性能壓測一站式解決方案。** 0 編碼構(gòu)建復(fù)雜壓測場景，覆蓋壓測場景構(gòu)建、壓測模型設(shè)定、發(fā)起壓力、分析定位問題、出壓測報(bào)告完整的壓測生命周期。100% 兼容開源 JMeter。提供安全、無侵入的生產(chǎn)環(huán)境寫壓測解決方案。

壓測工具的比較

如何選擇壓測工具

這個(gè)世界上沒有最好的工具，只有最適合的工具，工具千千萬，選擇一款適合你的才是最重要的，在實(shí)際使用中有各種場景，讀者可以結(jié)合壓測步驟來確定適合自己的工具：

確定性能壓測目標(biāo)：性能壓測目標(biāo)可能源于項(xiàng)目計(jì)劃、業(yè)務(wù)方需求等確定性能壓測環(huán)境：為了盡可能發(fā)揮性能壓測作用，性能壓測環(huán)境應(yīng)當(dāng)盡可能同線上環(huán)境一致確定性能壓測通過標(biāo)準(zhǔn)：針對(duì)性能壓測目標(biāo)以及選取的性能壓測環(huán)境，制定性能壓測通過標(biāo)準(zhǔn)，對(duì)于不同于線上環(huán)境的性能壓測環(huán)境，通過標(biāo)準(zhǔn)也應(yīng)當(dāng)適度放寬設(shè)計(jì)性能壓測：編排壓測鏈路，構(gòu)造性能壓測數(shù)據(jù)，盡可能模擬真實(shí)的請求鏈路以及請求負(fù)載執(zhí)行性能壓測：借助性能壓測工具，按照設(shè)計(jì)執(zhí)行性能壓測分析性能壓測結(jié)果報(bào)告：分析解讀性能壓測結(jié)果報(bào)告，判定性能壓測是否達(dá)到預(yù)期目標(biāo)，若不滿足，要基于性能壓測結(jié)果報(bào)告分析原因

由上述步驟可知，一次成功的性能壓測涉及到多個(gè)環(huán)節(jié)，從場景設(shè)計(jì)到施壓再到分析，缺一不可。工欲善其事，必先利其器，而一款合適的性能工具意味著我們能夠在盡可能短的時(shí)間內(nèi)完成一次合理的性能壓測，達(dá)到事半功倍的效果。

JAVA 應(yīng)用性能問題排查指南

問題分類

問題形形色色，各種各樣的問題都會(huì)有。對(duì)其進(jìn)行抽象和分類是非常必要的。這里將從兩個(gè)維度來對(duì)性能問題進(jìn)行分類。第一個(gè)維度是資源維度，第二個(gè)維度是頻率維度。

資源維度類的問題：CPU 沖高，內(nèi)存使用不當(dāng)，網(wǎng)絡(luò)過載。

頻率維度類的問題：交易持續(xù)性緩慢，交易偶發(fā)性緩慢。

對(duì)于每一類問題都有相應(yīng)的解決辦法，方法或者工具使用不當(dāng)，會(huì)導(dǎo)致不能快速而且精準(zhǔn)地排查定位問題。

壓測性能問題定位調(diào)優(yōu)是一門需要多方面綜合能力結(jié)合的一種技術(shù)工作，需要憑借個(gè)人的技術(shù)能力、經(jīng)驗(yàn)、有時(shí)候還需要一些直覺和靈感，還需要一定的溝通能力，因?yàn)橛袝r(shí)候問題并不是由定位問題的人發(fā)現(xiàn)的，所以需要通過不斷地溝通來發(fā)現(xiàn)一些蛛絲馬跡。涉及的技術(shù)知識(shí)面遠(yuǎn)不僅限于程序語言本身，還可能需要扎實(shí)的技術(shù)基本功，比如操作系統(tǒng)原理、網(wǎng)絡(luò)、編譯原理、JVM 等知識(shí)，決不只是簡單的了解，而是真正的掌握，比如 TCP/IP，必須得深入掌握。JVM 得深入掌握內(nèi)存組成，內(nèi)存模型，深入掌握 GC 的一些算法等。這也是一些初中級(jí)技術(shù)人員在一遇到性能問題就傻眼，完全不知道如何從哪里下手。如果擁有扎實(shí)的技術(shù)基本功，再加上一些實(shí)戰(zhàn)經(jīng)驗(yàn)然后形成一套屬于自己的打法，在遇到問題后才能心中不亂，快速撥開迷霧，最終找到問題的癥結(jié)。

本文筆者還帶來了實(shí)際工作中定位和排查出來的一些典型的性能問題的案例，每個(gè)案例都會(huì)介紹問題發(fā)生的相關(guān)背景，一線人員提供的問題現(xiàn)象和初步排查定位結(jié)論，且在筆者介入后看到的問題現(xiàn)象，再配合一些常用的問題定位工具，介紹發(fā)現(xiàn)和定位問題的整個(gè)過程，問題發(fā)生的根本原因等。

分析思路框架

遇到一個(gè)性能問題，首先要從各種表象和一些簡單工具將問題進(jìn)行定義和分類，然后再做進(jìn)一步的定位分析，可以參考一下圖 1 作者總結(jié)出來的一個(gè)決策圖，這張圖是筆者從近幾個(gè)金融行業(yè) ToB 項(xiàng)目中做性能定位調(diào)優(yōu)過程的一個(gè)總結(jié)提練，不一定適合所有的問題，但至少覆蓋到了近幾個(gè)項(xiàng)目中遇到的性能問題的排查過程。在接下來的大篇幅中將對(duì)每一類問題進(jìn)行展開，并附上一些真實(shí)的經(jīng)典案例，這些案例都是真真實(shí)實(shí)發(fā)生的，有一定的代表性，且很多都是客戶定位了很長時(shí)間都沒發(fā)現(xiàn)問題根本原因的問題。其中 GC 類問題在此文不做過多分析，對(duì)于 GC 這一類問題后續(xù)有空寫一篇專門的文章來進(jìn)行展開。

內(nèi)存溢出

內(nèi)存溢出問題按照問題發(fā)生頻率又可進(jìn)一步分為堆內(nèi)存溢出、棧內(nèi)存溢出、Metaspace 內(nèi)存溢出以及 Native 內(nèi)存溢出，下面對(duì)每種溢出情況進(jìn)行詳細(xì)分析。

堆內(nèi)存溢出

相信這類問題大家多多少少都接觸過，問題發(fā)生的根本原因就是應(yīng)用申請的堆內(nèi)存超過了 Xmx 參數(shù)設(shè)置的值，進(jìn)而導(dǎo)致 JVM 基本處于一個(gè)不可用的狀態(tài)。如圖 2 所示，示例代碼模擬了堆內(nèi)存溢出，運(yùn)行時(shí)設(shè)置堆大小為 1MB，運(yùn)行后結(jié)果如圖3所示，拋出了一個(gè) OutOfMemoryError 的錯(cuò)誤異常，相應(yīng)的 Message 是 Java heap space，代表溢出的部分是堆內(nèi)存。

棧內(nèi)存溢出

這類問題主要是由于方法調(diào)用深度太深，或者不正確的遞歸方法調(diào)用，又或者是 Xss 參數(shù)設(shè)置不當(dāng)都會(huì)引發(fā)這個(gè)問題，如圖 4 所示，一個(gè)簡單的無限遞歸調(diào)用就會(huì)引發(fā)棧內(nèi)存溢出，出錯(cuò)結(jié)果如圖5所示，將會(huì)拋一個(gè) StackOverflowError 的錯(cuò)誤異常。Xss 參數(shù)可以設(shè)置每個(gè)線程棧內(nèi)存最大大小，JDK8 的默認(rèn)大小為 1MB，正常情況下一般不需要去修改該參數(shù)，如果遇到 StackOverflowError 的報(bào)錯(cuò)，那么就需要留意了，需要查證是程序的問題還是參數(shù)設(shè)置的問題，如果確實(shí)是方法調(diào)用深度很深，默認(rèn)的 1MB 不夠用，那么就需要調(diào)高 Xss 參數(shù)。

Native內(nèi)存溢出

這種溢出發(fā)生在 JVM 使用堆外內(nèi)存時(shí)，且超過一個(gè)進(jìn)程所支持的最大的內(nèi)存上限，或者堆外內(nèi)存超過 MaxDirectMemorySize 參數(shù)指定的值時(shí)即會(huì)引發(fā) Native 內(nèi)存溢出。如圖 6 所示，需要配置 MaxDirectMemorySize 參數(shù)，如果不配置這個(gè)參數(shù)估計(jì)很難模擬出這個(gè)問題，作者的機(jī)器的 64 位的機(jī)器，堆外內(nèi)存的大小可想而知了。運(yùn)行該程序得到的運(yùn)行結(jié)果如圖 7 所示，拋出來的異常也是 OutOfMemoryError，這個(gè)跟堆內(nèi)存異常類似，但是 Message 是 Direct buffer memory，這個(gè)跟堆內(nèi)存溢出的 Message 是不一樣的，請?zhí)貏e留意這條 Message，這對(duì)精準(zhǔn)定位問題是非常重要的。

Metaspace內(nèi)存溢出

Metaspace 是在 JDK8 中才出現(xiàn)的，之前的版本中都叫 Perm 空間，大概用途都相差不大。模擬 Metaspace 溢出的方式很簡單，如圖 8 所示通過 cglib 不斷動(dòng)態(tài)創(chuàng)建類并加載到 JVM，這些類信息就是保存在 Metaspace 內(nèi)存里面的，在這里為了快速模擬出問題，將 MaxMetaspaceSize 設(shè)置為 10MB。執(zhí)行結(jié)果如圖 9 所示，依然是拋出 OutOfMemoryError 的錯(cuò)誤異常，但是 Message 變成了 Metaspace。

JVM 的內(nèi)存溢出最常見的就這四種，如果能知道每一種內(nèi)存溢出出現(xiàn)的原因，那么就能快速而精準(zhǔn)地進(jìn)行定位。下面對(duì)一些遇到的真實(shí)的經(jīng)典案例進(jìn)行分析。

案例：堆外內(nèi)存溢出

這種問題也比較好查，前提是在堆內(nèi)存發(fā)生溢出時(shí)必須自動(dòng)轉(zhuǎn)儲(chǔ)堆內(nèi)存到文件中，如果壓測過程中通過 kill -3 或者 jmap 命令觸發(fā)堆內(nèi)存轉(zhuǎn)儲(chǔ)。然后通過一些堆內(nèi)存分析工具比如 IBM 的 Heap Analyzer 等工具找出是哪種對(duì)象占用內(nèi)存最多，最終可以把問題原因揪出來。

如果需要在發(fā)生 OOM 時(shí)自動(dòng)轉(zhuǎn)儲(chǔ)堆內(nèi)存，那么需要在啟動(dòng)參數(shù)中加入如下參數(shù)：

-XX:+HeapDumpOnOutOfMemoryError

-XX:HeapDumpPath=/usr/local/oom

如果需要手工獲取線程轉(zhuǎn)儲(chǔ)或者內(nèi)存轉(zhuǎn)儲(chǔ)，那么請使用 kill -3 命令，或者使用 jstack 和 jmap 命令。

jstack -l pid > stackinfo，這條命令可以把線程信息轉(zhuǎn)儲(chǔ)到文本文件，把文件下載到本地然后用諸如 IBM Core file analyze 工具進(jìn)行分析。

jmap -dump:format=b,file=./jmap.hprof pid，這條命令可以把堆內(nèi)存信息到當(dāng)前目錄的 jmap.hprof 文件中，下載到本地，然后用諸如 IBM Heap Analyze 等堆內(nèi)存分析工具進(jìn)行分析，根據(jù)二八定律，找準(zhǔn)最耗內(nèi)存的對(duì)象就可以解決 80% 的問題。

圖 10 就是一個(gè)真實(shí)發(fā)生的案例，該問題的發(fā)生現(xiàn)象是這樣的，壓測開始后，前十分鐘一切正常，但是在經(jīng)歷大約十分鐘后，TPS 逐漸下降，直到后面客戶端的 TCP 連接都建不上去，客戶一度認(rèn)為是服務(wù)端Linux的網(wǎng)絡(luò)棧的參數(shù)設(shè)置有問題，導(dǎo)致 TCP 無法建連，給出的證據(jù)是，服務(wù)端存在大量的 TIME_WAIT 狀態(tài)的連接，然后要求調(diào)整Linux內(nèi)核網(wǎng)絡(luò)參數(shù)，減少 TIME_WAIT 狀態(tài)的連接數(shù)。什么是 TIME_WAIT？在這個(gè)時(shí)候就不得不祭出祖?zhèn)?TCP 狀態(tài)機(jī)的那張圖了，如圖 11 所示。對(duì)照這個(gè)圖就能知道 TIME_WAIT 的來朧去脈了，TIME_WAIT 主要出現(xiàn)在主動(dòng)關(guān)閉連接方，當(dāng)然了，如果雙方剛好同時(shí)關(guān)閉連接的時(shí)候，那么雙方都會(huì)出現(xiàn) TIME_WAIT 狀態(tài)。在進(jìn)行關(guān)閉連接四路握手協(xié)議時(shí)，最后的 ACK 是由主動(dòng)關(guān)閉端發(fā)出的，如果這個(gè)最終的 ACK 丟失，服務(wù)器將重發(fā)最終的 FIN，因此客戶端必須維護(hù)狀態(tài)信息以允許它重發(fā)最終的 ACK。如果不維持這個(gè)狀態(tài)信息，那么客戶端將響應(yīng) RST 分節(jié)，服務(wù)器將此分節(jié)解釋成一個(gè)錯(cuò)誤（在 java 中會(huì)拋出 connection reset的SocketException)。因而，要實(shí)現(xiàn) TCP 全雙工連接的正常終止，必須處理終止序列四個(gè)分節(jié)中任何一個(gè)分節(jié)的丟失情況，主動(dòng)關(guān)閉的客戶端必須維持狀態(tài)信息進(jìn)入 TIME_WAIT 狀態(tài)。

圖 10 真實(shí)堆內(nèi)存溢出案例一

圖 11 TCP 狀態(tài)機(jī)

順著客戶提供的這些信息，查了一下壓測客戶端，采用的是 HTTP 協(xié)議，keep-alive 為開，而且采用的是連接池的方式與服務(wù)端進(jìn)行交互，理論上在服務(wù)器端不應(yīng)該出現(xiàn)如此之多的 TIME_WAIT 連接，猜測一種可能性是由于客戶側(cè)剛開始?jí)簻y的時(shí)候 TPS 比較高，占用連接數(shù)多，后續(xù)性能下來后，連接數(shù)空閑且來不及跟服務(wù)端進(jìn)行?；钐幚恚瑢?dǎo)致連接被服務(wù)端給主動(dòng)關(guān)閉掉了，但這也僅限于是猜測了。

為了更精準(zhǔn)地定位問題，決定去一線現(xiàn)場看下情況，在 TPS 嚴(yán)重往下掉的時(shí)候，通過 top、vmstat 等命令進(jìn)行初步探測，發(fā)現(xiàn) cpu 占比并不十分高，大約 70% 左右。但是 JVM 占用的內(nèi)存已經(jīng)快接近 Xmx 參數(shù)配置的值了，然后用 jstat -gcutil -h10 pid 5s 100 命令看一下 GC 情況，不查不知道一查嚇一跳，如圖 12 所示，初看這就是一份不太正常的 GC 數(shù)據(jù)，首先老年代占比直逼 100%，然后 5 秒內(nèi)居然進(jìn)行了 7 次 FullGC，eden 區(qū)占比 100%，因?yàn)槔夏甏呀?jīng)滿了，年輕代的 GC 都已經(jīng)停滯了，這明顯不正常，趁 JVM 還活著，趕緊執(zhí)行 jmap -dump:format=b,file=./jmap.hprof pid，把整個(gè)堆文件快照拿下來，整整 5 個(gè) G。取下來后通過 IBM 的 HeapAnalyzer 工具分析堆文件，結(jié)果如圖 10 所示，經(jīng)過一番查找，發(fā)現(xiàn)某個(gè)對(duì)象占比特別大，占比達(dá) 98%，繼續(xù)追蹤持有對(duì)象，最終定位出問題，申請了某個(gè)資源，但是一直沒有釋放，修改后問題得到完美解決，后續(xù)再經(jīng)過長達(dá) 8 個(gè)小時(shí)的耐久性測，沒能再發(fā)現(xiàn)問題，TPS 一直非常穩(wěn)定。

圖 12 GC 情況統(tǒng)計(jì)分析

再來看看為何會(huì)出現(xiàn)那么多的 TIME_WAIT 連接，跟開始的猜測是一致的，由于大量的閑置連接被服務(wù)端主動(dòng)關(guān)閉掉，所以才會(huì)出現(xiàn)那么多的 TIME_WAIT 狀態(tài)的連接。

CPU高

案例

某金融銀行客戶在壓測過程中發(fā)現(xiàn)一個(gè)問題，導(dǎo)致 TPS 極低，交易響應(yīng)時(shí)長甚至接近驚人的 30S，嚴(yán)重不達(dá)票，服務(wù)響應(yīng)時(shí)間如圖 23 所示，這是應(yīng)用打的 tracer log，顯示的耗時(shí)很不樂觀。應(yīng)用采用 SOFA 構(gòu)建，部署在專有云容器上面，容器規(guī)格為 4C8G，使用 OceanBase 數(shù)據(jù)庫。交易緩慢過程中客戶在相應(yīng)容器里面用 top、vmstat 命令獲取 OS 信息，發(fā)現(xiàn)內(nèi)存使用正常，但是 CPU 接近 100%，通過 jstack 命令取線程轉(zhuǎn)儲(chǔ)文件，如圖 22 所示，客戶發(fā)現(xiàn)大量的線程都卡在了獲取數(shù)據(jù)庫連接上面，再上應(yīng)用日志中也報(bào)了大量的獲取 DB 連接失敗的錯(cuò)誤日志，這讓客戶以為是連接池中的連接數(shù)不夠，所以不斷繼續(xù)加大 MaxActive 這個(gè)參數(shù)，DB 連接池使用的是 Druid，在加大參數(shù)后，性能沒有任何改善，且獲取不到連接的問題依舊?？蛻粼谂挪樵搯栴}大概兩周且沒有任何實(shí)質(zhì)性進(jìn)展后，開始向阿里 GTS 的同學(xué)求助。

筆者剛好在客戶現(xiàn)場，介入該性能問題的定位工作。跟客戶一番溝通，并查閱了了歷史定位信息記錄后，根據(jù)以往的經(jīng)驗(yàn)，這個(gè)問題肯定不是由于連接池中的最大連接數(shù)不夠的原因?qū)е碌?，因?yàn)檫@個(gè)時(shí)候客戶已經(jīng)把 MaxActive 的參數(shù)已經(jīng)調(diào)到了恐怖的 500，但問題依舊，在圖 22 中還能看到一些有用的信息，比如正在 Waiting 的線程高達(dá) 908 個(gè)，Runnable 的線程高達(dá) 295 個(gè)，都是很恐怖的數(shù)字，大量的線程處于 Runnable 狀態(tài)，CPU 忙著進(jìn)行線程上下文的切換，CPU 呼呼地轉(zhuǎn)，但實(shí)際并沒有干多少有實(shí)際有意義的事。后經(jīng)詢問，客戶將 SOFA 的業(yè)務(wù)處理線程數(shù)調(diào)到了 1000，默認(rèn)是 200。

圖 22 線程卡在獲取 DB 連接池中的連接

圖 23 交易緩慢截圖

查到這里基本可以斷定客戶陷入了“頭痛醫(yī)頭，腳痛醫(yī)腳”，“治標(biāo)不治本”的窘境，進(jìn)一步跟客戶溝通后，果然如此。剛開始的時(shí)候，是由于 SOFA 報(bào)了線程池滿的錯(cuò)誤，然后客戶不斷加碼 SOFA 業(yè)務(wù)線程池中最大線程數(shù)，最后加到了 1000，性能提升不明顯，然后報(bào)了一個(gè)獲取不到數(shù)據(jù)庫連接的錯(cuò)誤，客戶又認(rèn)為這是數(shù)據(jù)庫連接不夠了，調(diào)高 Druid 的 MaxActive 參數(shù)，最后無論怎么調(diào)性能也都上不來，甚至到后面把內(nèi)存都快要壓爆了，如圖 24 所示，內(nèi)存中被一些業(yè)務(wù) DO 對(duì)象給填滿了，后面客戶一度以為存在內(nèi)存泄露。對(duì)于這類問題，只要像是出現(xiàn)了數(shù)據(jù)庫連接池不夠用、或者從連接池中獲取連接超時(shí)，又或者是線程池耗盡這類問題，只要參數(shù)設(shè)置是在合理的范圍，那么十有八九就是交易本身處理太慢了。后面經(jīng)過進(jìn)一步的排查最終定位是某個(gè) SQL 語句和內(nèi)部的一些處理不當(dāng)導(dǎo)致的交易緩慢。修正后，TPS 正常，最后把線程池最大大小參數(shù)、DB 連接池的參數(shù)都往回調(diào)成最佳實(shí)踐中推薦的值，再次壓測后，TPS 依然保持正常水平，問題得到最終解決。

圖 24 內(nèi)存填滿了業(yè)務(wù)領(lǐng)域?qū)ο?/p>

這個(gè)案例一雖說是因?yàn)?CPU 沖高且交易持續(xù)緩慢的這一類典型問題，但其實(shí)就這個(gè)案例所述的那樣，在定位和調(diào)優(yōu)的時(shí)候很容易陷進(jìn)一種治標(biāo)不治本的困境，很容易被一些表象所迷惑。如何撥開云霧見月明，筆者的看法是 5 分看經(jīng)驗(yàn)，1 分看靈感和運(yùn)氣，還有 4 分得靠不斷分析。如果沒經(jīng)驗(yàn)怎么辦？那就只能沉下心來分析相關(guān)性能文件，無論是線程轉(zhuǎn)儲(chǔ)文件還是 JFR，又或者其他采集工具采集到性能信息，反正不要放過任何蛛絲馬跡，最后實(shí)在沒轍了再請求經(jīng)驗(yàn)豐富的專家的協(xié)助排查解決。

使用 JMC+JFR 定位問題

如果超長問題偶然發(fā)生，這里介紹一個(gè)比較簡單且非常實(shí)用的方法，使用 JMC+JFR，可以參考鏈接進(jìn)行使用。但是使用前必須開啟 JMX 和 JFR 特性，需要在啟動(dòng)修改啟動(dòng)參數(shù)，具體參數(shù)如下，該參數(shù)不要帶入生產(chǎn)，另外如果將容器所屬宿主機(jī)的端口也暴露成跟 jmxremote.port 一樣的端口，如下示例為 32433，那么還可以使用 JConsole 或者 JVisualvm 工具實(shí)時(shí)觀察虛擬機(jī)的狀況，這里不再做詳細(xì)介紹。

-Dcom.sun.management.jmxremote.port=32433

-Dcom.sun.management.jmxremote.ssl=false

-Dcom.sun.management.jmxremote.

authenticate=false

-XX:+UnlockCommercialFeatures -XX:+FlightRecorder

下面以一個(gè)實(shí)際的 JFR 實(shí)例為例。

首先要開啟 JMX 和 JFR 功能，需要在啟動(dòng)參數(shù)中加 JMX 開啟參數(shù)和 JFR 開啟參數(shù)，如上面所述，然后在容器里面執(zhí)行下述命令，執(zhí)行后顯示“Started recording pid. The result will be written to xxxx”，即表示已經(jīng)開始錄制，這個(gè)時(shí)候開始進(jìn)行壓測，下述命令中的 duration 是 90 秒，也就表示會(huì)錄制 90S 后才會(huì)停止錄制，錄制完后將文件下載到本地，用 jmc 工具進(jìn)行分析，如果沒有這個(gè)工具，也可以使用 IDEA 進(jìn)行分析。

jcmd pid JFR.start name=test duratinotallow=90s filename=output.jfr

通過分析火焰圖，具體怎么看火焰圖請參考鏈接。通過這個(gè)圖可以看到主要的耗時(shí)是在哪個(gè)方法上面，給我們分析問題提供了很大的便利。

還可以查看 call tree，也能看出耗時(shí)主要發(fā)生在哪里。

JMC 工具下載地址：JDK Mission Control (JMC) 8 Downloads (oracle.com)

最后再介紹一款工具，阿里巴巴開源的 arthas，也是性能分析和定位的一把利器，具體使用就不在這里介紹了，可以參考 arthas 官網(wǎng)。

如何定位 CPU 耗時(shí)過高的線程及方法

首先找到 JAVA 進(jìn)程的 PID，然后執(zhí)行 top -H -p pid，這樣可以找到最耗時(shí)的線程，如下圖所示。然后使用 printf "%x\n" 17880，將線程號(hào)轉(zhuǎn)成 16 進(jìn)制，最終通過這個(gè) 16 進(jìn)制值去 jstack 線程轉(zhuǎn)儲(chǔ)文件中去查找是哪個(gè)線程占用 CPU 最高。

其他問題案例

這類問題在發(fā)生的時(shí)候，JVM 表現(xiàn)得靜如止水，CPU 和內(nèi)存的使用都在正常水位，但是交易就是緩慢，對(duì)于這一類問題可以參考 CPU 沖高類問題來進(jìn)行解決，通過使用線程轉(zhuǎn)儲(chǔ)文件或者使用JFR來錄制一段 JVM 運(yùn)行記錄。這類問題大概率的原因是由于大部分線程卡在某個(gè) IO 或者被某個(gè)鎖個(gè) Block 住了，下面也帶來一個(gè)真實(shí)的案例。

案例一

某金融保險(xiǎn)頭部客戶，反應(yīng)某個(gè)交易非常緩慢，經(jīng)常響應(yīng)時(shí)間在 10S 以上，應(yīng)用部署在公有云的容器上，容器規(guī)格為 2C4G，數(shù)據(jù)庫是 OceanBase。問題每次都能重現(xiàn)，通過分布式鏈路工具只能定位到在某個(gè)服務(wù)上面慢，并不能精確定是卡在哪個(gè)方法上面。在交易緩慢期間，通過 top、vmstat 命令查看 OS 的狀態(tài)，CPU 和內(nèi)存資源都在正常水位。因此，需要看在交易期間的線程的狀態(tài)。在交易執(zhí)行緩慢期間，將交易的線程給轉(zhuǎn)儲(chǔ)出來，如圖 29 所示，可以定位相應(yīng)的線程卡在哪個(gè)方法上面，案例中的線程卡在了執(zhí)行 socket 讀數(shù)據(jù)階段，從堆?？梢詳喽ㄊ强ㄔ诹俗x數(shù)據(jù)庫上面了。如果這個(gè)方法依然不好用，那么還可以借助抓包方式來進(jìn)行定位。

圖 29 交易被 hang 住示例圖

案例二

某金融銀行客戶壓測過程中發(fā)現(xiàn) TPS 上不去，10TPS 不到，響應(yīng)時(shí)間更是高到令人發(fā)指，在經(jīng)過一段時(shí)間的培訓(xùn)賦能和磨合，該客戶已經(jīng)具備些性能定位的能力。給反饋的信息是 SQL 執(zhí)行時(shí)間、CPU 和內(nèi)存使用一切正常，客戶打了一份線程轉(zhuǎn)儲(chǔ)文件，發(fā)現(xiàn)大多數(shù)線程都卡在了使用 RedissionLock 的分布式鎖上面，如圖 30 所示，后經(jīng)查是客戶沒有合理使用分布式鎖導(dǎo)致的問題，解決后，TPS 翻了 20 倍。

圖 30 分布式鎖使用不當(dāng)導(dǎo)致的問題示例

這兩個(gè)案例其實(shí)都不算復(fù)雜，也很容易進(jìn)行排查，放到這里只是想重述一下排查這類問題的一個(gè)整體的思路和方法。如果交易緩慢且資源使用都正常，可以通過分析線程轉(zhuǎn)儲(chǔ)文件或者 JFR 文件來定位問題，這類問題一般是由于 IO 存在瓶頸，又或者被鎖 Block 住的原因?qū)е碌摹?/p>總結(jié)

問題千千萬，但只要修練了足夠深厚的內(nèi)功，形成一套屬于自己的排查問題思路和打法，再加上一套支撐問題排查的工具，憑借已有的經(jīng)驗(yàn)還有偶發(fā)到來的那一絲絲靈感，相信所有的問題都會(huì)迎刃而解。

關(guān)鍵詞： 內(nèi)存溢出 定位問題 壓力測試 進(jìn)行分析 關(guān)閉連接