一次生產 CPU 100% 排查優化實踐

crossoverJie發表於2018-12-17

前言

到了年底果然都不太平,最近又收到了運維報警:表示有些伺服器負載非常高,讓我們定位問題。

還真是想什麼來什麼,前些天還故意把某些伺服器的負載提高(沒錯,老闆讓我寫個 BUG!),不過還好是不同的環境互相沒有影響。

定位問題

拿到問題後首先去伺服器上看了看,發現執行的只有我們的 Java 應用。於是先用 ps 命令拿到了應用的 PID

接著使用 top -Hp pid 將這個程式的執行緒顯示出來。輸入大寫的 P 可以將執行緒按照 CPU 使用比例排序,於是得到以下結果。

一次生產 CPU 100% 排查優化實踐

果然某些執行緒的 CPU 使用率非常高。

為了方便定位問題我立馬使用 jstack pid > pid.log 將執行緒棧 dump 到日誌檔案中。

我在上面 100% 的執行緒中隨機選了一個 pid=194283 轉換為 16 進位制(2f6eb)後線上程快照中查詢:

因為執行緒快照中執行緒 ID 都是16進位制存放。

一次生產 CPU 100% 排查優化實踐

發現這是 Disruptor 的一個堆疊,前段時間正好解決過一個由於 Disruptor 佇列引起的一次 OOM強如 Disruptor 也發生記憶體溢位?

沒想到又來一出。

為了更加直觀的檢視執行緒的狀態資訊,我將快照資訊上傳到專門分析的平臺上。

fastthread.io/

一次生產 CPU 100% 排查優化實踐

其中有一項選單展示了所有消耗 CPU 的執行緒,我仔細看了下發現幾乎都是和上面的堆疊一樣。

也就是說都是 Disruptor 佇列的堆疊,同時都在執行 java.lang.Thread.yield 函式。

眾所周知 yield 函式會讓當前執行緒讓出 CPU 資源,再讓其他執行緒來競爭。

根據剛才的執行緒快照發現處於 RUNNABLE 狀態並且都在執行 yield 函式的執行緒大概有 30幾個。

因此初步判斷為大量執行緒執行 yield 函式之後互相競爭導致 CPU 使用率增高,而通過對堆疊發現是和使用 Disruptor 有關。

解決問題

而後我檢視了程式碼,發現是根據每一個業務場景在內部都會使用 2 個 Disruptor 佇列來解耦。

假設現在有 7 個業務型別,那就等於是建立 2*7=14Disruptor 佇列,同時每個佇列有一個消費者,也就是總共有 14 個消費者(生產環境更多)。

同時發現配置的消費等待策略為 YieldingWaitStrategy 這種等待策略確實會執行 yield 來讓出 CPU。

程式碼如下:

一次生產 CPU 100% 排查優化實踐

初步看來和這個等待策略有很大的關係。

本地模擬

為了驗證,我在本地建立了 15 個 Disruptor 佇列同時結合監控觀察 CPU 的使用情況。

一次生產 CPU 100% 排查優化實踐
一次生產 CPU 100% 排查優化實踐

建立了 15 個 Disruptor 佇列,同時每個佇列都用執行緒池來往 Disruptor佇列 裡面傳送 100W 條資料。

消費程式僅僅只是列印一下。

一次生產 CPU 100% 排查優化實踐

跑了一段時間發現 CPU 使用率確實很高。


一次生產 CPU 100% 排查優化實踐

同時 dump 執行緒發現和生產的現象也是一致的:消費執行緒都處於 RUNNABLE 狀態,同時都在執行 yield

通過查詢 Disruptor 官方文件發現:

一次生產 CPU 100% 排查優化實踐

YieldingWaitStrategy 是一種充分壓榨 CPU 的策略,使用自旋 + yield的方式來提高效能。 當消費執行緒(Event Handler threads)的數量小於 CPU 核心數時推薦使用該策略。


一次生產 CPU 100% 排查優化實踐

同時查閱到其他的等待策略 BlockingWaitStrategy (也是預設的策略),它使用的是鎖的機制,對 CPU 的使用率不高。

於是在和之前同樣的條件下將等待策略換為 BlockingWaitStrategy

一次生產 CPU 100% 排查優化實踐


一次生產 CPU 100% 排查優化實踐
一次生產 CPU 100% 排查優化實踐

和剛才的 CPU 對比會發現到後面使用率的會有明顯的降低;同時 dump 執行緒後會發現大部分執行緒都處於 waiting 狀態。

優化解決

看樣子將等待策略換為 BlockingWaitStrategy 可以減緩 CPU 的使用,

但留意到官方對 YieldingWaitStrategy 的描述裡談道: 當消費執行緒(Event Handler threads)的數量小於 CPU 核心數時推薦使用該策略。

而現有的使用場景很明顯消費執行緒數已經大大的超過了核心 CPU 數了,因為我的使用方式是一個 Disruptor 佇列一個消費者,所以我將佇列調整為只有 1 個再試試(策略依然是 YieldingWaitStrategy)。

一次生產 CPU 100% 排查優化實踐

一次生產 CPU 100% 排查優化實踐

跑了一分鐘,發現 CPU 的使用率一直都比較平穩而且不高。

總結

所以排查到此可以有一個結論了,想要根本解決這個問題需要將我們現有的業務拆分;現在是一個應用裡同時處理了 N 個業務,每個業務都會使用好幾個 Disruptor 佇列。

由於是在一臺伺服器上執行,所以 CPU 資源都是共享的,這就會導致 CPU 的使用率居高不下。

所以我們的調整方式如下:

  • 為了快速緩解這個問題,先將等待策略換為 BlockingWaitStrategy,可以有效降低 CPU 的使用率(業務上也還能接受)。
  • 第二步就需要將應用拆分(上文模擬的一個 Disruptor 佇列),一個應用處理一種業務型別;然後分別單獨部署,這樣也可以互相隔離互不影響。

當然還有其他的一些優化,因為這也是一個老系統了,這次 dump 執行緒居然發現建立了 800+ 的執行緒。

建立執行緒池的方式也是核心執行緒數、最大執行緒數是一樣的,導致一些空閒的執行緒也得不到回收;這樣會有很多無意義的資源消耗。

所以也會結合業務將建立執行緒池的方式調整一下,將執行緒數降下來,儘量的物盡其用。

本文的演示程式碼已上傳至 GitHub:

github.com/crossoverJi…

你的點贊與分享是對我最大的支援

一次生產 CPU 100% 排查優化實踐

相關文章