解Bug之路-記一次JVM堆外記憶體洩露Bug的查詢
前言
JVM的堆外記憶體洩露的定位一直是個比較棘手的問題。此次的Bug查詢從堆內記憶體的洩露反推出堆外記憶體，同時對實體記憶體的使用做了定量的分析，從而實錘了Bug的源頭。筆者將此Bug分析的過程寫成部落格，以饗讀者。
由於實體記憶體定量分析部分用到了linux kernel虛擬記憶體管理的知識，讀者如果有興趣瞭解請看ulk3(《深入理解linux核心第三版》)
記憶體洩露Bug現場
一個線上穩定執行了三年的系統，從物理機遷移到docker環境後，執行了一段時間，突然被監控系統發出了某些例項不可用的報警。所幸有負載均衡，可以自動下掉節點，如下圖所示:
登入到對應機器上後，發現由於記憶體佔用太大，觸發OOM，然後被linux系統本身給kill了。
應急措施
緊急在出問題的例項上再次啟動應用，啟動後，記憶體佔用正常，一切Okay。
奇怪現象
當前設定的最大堆記憶體是1792M，如下所示:
-Xmx1792m -Xms1792m -Xmn900m -XX:PermSi
ze=256m -XX:MaxPermSize=256m -server -Xss512k
檢視作業系統層面的監控，發現記憶體佔用情況如下圖所示:
上圖藍色的線表示總的記憶體使用量，發現一直漲到了4G後，超出了系統限制。
很明顯，有堆外記憶體洩露了。
查詢線索
gc日誌
一般出現記憶體洩露，筆者立馬想到的就是檢視當時的gc日誌。
本身應用所採用框架會定時列印出對應的gc日誌，遂檢視，發現gc日誌一切正常。對應日誌如下:
檢視了當天的所有gc日誌，發現記憶體始終會回落到170M左右，並無明顯的增加。要知道JVM程式本身佔用的記憶體可是接近4G(加上其它程式,例如日誌程式就已經到4G了)，進一步確認是堆外記憶體導致。
排查程式碼
開啟線上服務對應對應程式碼，查了一圈，發現沒有任何地方顯式利用堆外記憶體，其沒有依賴任何額外的native方法。關於網路IO的程式碼也是託管給Tomcat，很明顯，作為一個全世界廣泛流行的Web伺服器，Tomcat不大可能有堆外記憶體洩露。
進一步查詢
由於在程式碼層面沒有發現堆外記憶體的痕跡，那就繼續找些其它的資訊，希望能發現蛛絲馬跡。
Dump出JVM的Heap堆
由於線上出問題的Server已經被kill，還好有其它幾臺，登上去發現它們也 佔用了很大的堆外記憶體，只是還沒有到觸發OOM的臨界點而已。於是就趕緊用jmap dump了兩臺機器中應用JVM的堆情況，這兩臺留做現場保留不動，然後將其它機器迅速重啟，以防同時被OOM導致服務不可用。
使用如下命令dump:
jmap -dump:format=b，file=heap.bin [pid]
使用MAT分析Heap檔案
挑了一個heap檔案進行分析，堆的使用情況如下圖所示:
一共用了200多M，和之前gc檔案列印出來的170M相差不大，遠遠沒有到4G的程度。
不得不說MAT是個非常好用的工具，它可以提示你可能記憶體洩露的點:
這個cachedBnsClient類有12452個例項，佔用了整個堆的61.92%。
檢視了另一個heap檔案，發現也是同樣的情況。這個地方肯定有記憶體洩露，但是也佔用了130多M，和4G相差甚遠。
檢視對應的程式碼
系統中大部分對於CachedBnsClient的呼叫，都是通過註解Autowired的，這部分例項數很少。
唯一頻繁產生此類例項的程式碼如下所示:
@Override
public void fun() {
BnsClient bnsClient = new CachedBnsClient();
// do something
return ;
}
此CachedBnsClient僅僅在方法體內使用，並沒有逃逸到外面，再看此類本身
public class CachedBnsClient {
private ConcurrentHashMap<String， List<String>> authCache = new ConcurrentHashMap<String， List<String>>();
private ConcurrentHashMap<String， List<URI>> validUriCache = new ConcurrentHashMap<String， List<URI>>();
private ConcurrentHashMap<String， List<URI>> uriCache = new ConcurrentHashMap<String， List<URI>>();
......
}
沒有任何static變數，同時也沒有往任何全域性變數註冊自身。換言之，在類的成員(Member)中，是不可能出現記憶體洩露的。
當時只粗略的過了一過成員變數，回過頭來細想，還是漏了不少地方的。
更多資訊
由於程式碼排查下來，感覺這塊不應該出現記憶體洩露(但是事實確是如此的打臉)。這個類也沒有顯式用到堆外記憶體，而且只佔了130M，和4G比起來微不足道，還是先去追查主要矛盾再說。
使用jstack dump執行緒資訊
現場資訊越多，越能找出蛛絲馬跡。先用jstack把執行緒資訊dump下來看下。
這一看，立馬發現了不同，除了正常的IO執行緒以及框架本身的一些守護執行緒外，竟然還多出來了12563多個執行緒。
"Thread-5" daemon prio=10 tid=0x00007fb79426e000 nid=0x7346 waiting on condition [0x00007fb7b5678000]
java.lang.Thread.State: TIMED_WAITING (sleeping)
at java.lang.Thread.sleep(Native Method)
at com.xxxxx.CachedBnsClient$1.run(CachedBnsClient.java:62)
而且這些正好是執行再CachedBnsClient的run方法上面！這些特定執行緒的數量正好是12452個，和cachedBnsClient數量一致!
再次check對應程式碼
原來剛才看CachedBnsClient程式碼的時候遺漏掉了一個關鍵的點!
public CachedBnsClient(BnsClient client) {
super();
this.backendClient = client;
new Thread() {
@Override
public void run() {
for (; ; ) {
refreshCache();
try {
Thread.sleep(60 * 1000);
} catch (InterruptedException e) {
logger.error("出錯"， e);
}
}
}
......
}.start();
}
這段程式碼是CachedBnsClient的建構函式，其在裡面建立了一個無限迴圈的執行緒，每隔60s啟動一次重新整理一下里面的快取!
找到關鍵點
在看到12452個等待在CachedBnsClient.run的業務的一瞬間筆者就意識到，肯定是這邊的執行緒導致對外記憶體洩露了。下面就是根據執行緒大小計算其洩露記憶體量是不是確實能夠引起OOM了。
發現記憶體計算對不上
由於我們這邊設定的Xss是512K，即一個執行緒棧大小是512K，而由於執行緒共享其它MM單元(執行緒本地記憶體是是現線上程棧上的)，所以實際執行緒堆外記憶體佔用數量也是512K。進行如下計算:
12563 * 512K = 6331M = 6.3G
整個環境一共4G，加上JVM堆記憶體1.8G(1792M)，已經明顯的超過了4G。
(6.3G + 1.8G)=8.1G > 4G
如果按照此計算，應用應用早就被OOM了。
怎麼回事呢？
為了解決這個問題，筆者又思考了好久。如下所示:
Java執行緒底層實現
JVM的執行緒在linux上底層是呼叫NPTL(Native Posix Thread Library)來建立的，一個JVM執行緒就對應linux的lwp(輕量級程式，也是程式，只不過共享了mm_struct，用來實現執行緒)，一個thread.start就相當於do_fork了一把。
其中，我們在JVM啟動時候設定了-Xss=512K(即執行緒棧大小)，這512K中然後有8K是必須使用的，這8K是由程式的核心棧和thread_info公用的，放在兩塊連續的物理頁框上。如下圖所示:
眾所周知，一個程式(包括lwp)包括核心棧和使用者棧，核心棧+thread_info用了8K，那麼使用者態的棧可用記憶體就是:
512K-8K=504K
如下圖所示:
Linux實際實體記憶體對映
事實上linux對實體記憶體的使用非常的摳門，一開始只是分配了虛擬記憶體的線性區，並沒有分配實際的實體記憶體，只有推到最後使用的時候才分配具體的實體記憶體，即所謂的請求調頁。如下圖所示:
檢視smaps程式記憶體使用資訊
使用如下命令，檢視
cat /proc/[pid]/smaps > smaps.txt
實際實體記憶體使用資訊，如下所示:
7fa69a6d1000-7fa69a74f000 rwxp 00000000 00:00 0
Size: 504 kB
Rss: 92 kB
Pss: 92 kB
Shared_Clean: 0 kB
Shared_Dirty: 0 kB
Private_Clean: 0 kB
Private_Dirty: 92 kB
Referenced: 92 kB
Anonymous: 92 kB
AnonHugePages: 0 kB
Swap: 0 kB
KernelPageSize: 4 kB
MMUPageSize: 4 kB
7fa69a7d3000-7fa69a851000 rwxp 00000000 00:00 0
Size: 504 kB
Rss: 152 kB
Pss: 152 kB
Shared_Clean: 0 kB
Shared_Dirty: 0 kB
Private_Clean: 0 kB
Private_Dirty: 152 kB
Referenced: 152 kB
Anonymous: 152 kB
AnonHugePages: 0 kB
Swap: 0 kB
KernelPageSize: 4 kB
MMUPageSize: 4 kB
搜尋下504KB，正好是12563個，對了12563個執行緒，其中Rss表示實際實體記憶體(含共享庫)92KB，Pss表示實際實體記憶體(按比例共享庫)92KB(由於沒有共享庫，所以Rss==Pss)，以第一個7fa69a6d1000-7fa69a74f000線性區來看，其對映了92KB的空間，第二個對映了152KB的空間。如下圖所示:
挑出符合條件（即size是504K）的幾十組看了下，基本都在92K-152K之間，再加上核心棧8K
(92+152)/2+8K=130K，由於是估算，取整為128K，即反映此應用平均執行緒棧大小。
注意，實際記憶體有波動的原因是由於環境不同，從而走了不同的分支，導致棧上的增長不同。
重新進行記憶體計算
JVM一開始申請了
-Xmx1792m -Xms1792m
即1.8G的堆內記憶體，這裡是即時分配，一開始就用物理頁框填充。
12563個執行緒，每個執行緒棧平均大小128K，即:
128K * 12563=1570M=1.5G的對外記憶體
取個整數128K，就能反映出平均水平。再拿這個128K * 12563 =1570M = 1.5G，加上JVM的1.8G，就已經達到了3.3G，再加上kernel和日誌傳輸程式等使用的記憶體數量，確實已經接近了4G，這樣記憶體就對應上了！(注:用於定量記憶體計算的環境是一臺記憶體用量將近4G，但還沒OOM的機器)
為什麼在物理機上沒有應用Down機
筆者登入了原來物理機，應用還在跑，發現其同樣有堆外記憶體洩露的現象，其實體記憶體使用已經達到了5個多G!幸好物理機記憶體很大，而且此應用釋出還比較頻繁，所以沒有被OOM。
Dump了物理機上應用的執行緒，
一共有28737個執行緒，其中28626個執行緒等待在CachedBnsClient上。
同樣用smaps檢視程式實際記憶體資訊，其平均大小依舊為
128K，因為是同一應用的原因
繼續進行實體記憶體計算
1.8+(28737 * 128k)/1024K =(3.6+1.8)=5.4G
進一步驗證了我們的推理。
這麼多執行緒應用為什麼沒有卡頓
因為基本所有的執行緒都睡眠在
Thread.sleep(60 * 1000);//一次睡眠60s
上。所以僅僅佔用了記憶體，實際佔用的CPU時間很少。
總結
查詢Bug的時候，現場資訊越多越好，同時定位Bug必須要有實質性的證據。例如記憶體洩露就要用你推測出的模型進行定量分析。在定量和實際對不上的時候，深挖下去，你會發現不一樣的風景!
公眾號
關注筆者公眾號，獲取更多幹貨文章:
