Redis使用不当造成系统失去响应的Bug排查

前言

日常Bug排查系列都是一些简单Bug排查，笔者将在这里介绍一些排查Bug的简单技巧，同时顺便积累素材^_^。

Bug现场

开发反应线上系统出现失去响应的现象，收到业务告警以及频繁MarkAndSweep(Full GC)告警。于是找到笔者进行排查。

看基础监控

首先呢，当然是看我们的监控了，找到对应失去响应的系统的ip，看下我们的基础监控。

机器内存持续上升。因为我们是java系统，堆的大小一开始已经设置了最大值。

1. --XX:Xms2g -Xmx2g 

所以看上去像堆外内存泄露。而FullGC告警只是堆外内存后一些关联堆内对象触发。

看应用监控

第二步，当然就是观察我们的应用监控，这边笔者用的是CAT。观察Cat中对应应用的情况，很容易发现，其ActiveThread呈现不正常的现象，竟然达到了5000+多个，同时和内存上升曲线保持一致。

jstack

java应用中遇到线程数过多的现象，首先我们考虑的是jstack，jstack出来对应的文件后。我们less一下，发现很多线程卡在下面的代码栈上。

1. "Thread-1234 
2.     java.lang.Thread.State: WAITING (parking) 
3.         at sun.misc.Unsafe.park 
4.         ...... 
5.         at org.apache.commons.pool2.impl.LinkedBlockingQueue.takeFirst 
6.         ...... 
7.         at redis.clients.util.Pool.getResource 

很明显的，这个代码栈指的是没有获取连接，从而卡住。至于为什么卡这么长时间而不释放，肯定是由于没设置超时时间。那么是否大部分线程都卡在这里呢，这里我们做一下统计。

1. cat jstack.txt | grep 'prio=' | wc -l  
2. ======> 5648 
3. cat jstack.txt | grep 'redis.clients.util.Pool.getResource'  
4. ======> 5242 

可以看到，一共5648个线程，有5242，也就是92%的线程卡在Redis getResource中。

看下redis情况

1. netstat -anp | grep 6379  
2. tcp 0 0 1.2.3.4:111 3.4.5.6:6379 ESTABLISHED 
3. ...... 

一共5个，而且连接状态为ESTABLISHED，正常。由此可见他们配置的最大连接数是5(因为别的线程正在等待获取Redis资源)。

Redis连接泄露

那么很自然的想到，Redis连接泄露了，即应用获得Redis连接后没有还回去。这种泄露有下面几种可能:

情况1:

情况2:

情况3：

调用Redis卡住，由于其它机器是好的，故排除这种情况。

如何区分

我们做个简单的推理:

如果是情况1，那么这个RedisConn肯定可以通过内存可达性分析和Thread关联上，而且这个关联关系肯定会关联到某个业务操作实体(例如code stack or 业务bean)。那么我们只要观察其在堆内的关联路线是否和业务相关即可,如果没有任何关联，那么基本断定是情况2了。

可达性分析

我们可以通过jmap dump出应用内存，然后通过MAT(Memory Analysis Tool)来进行可达性分析。

首先找到RedisConn

将dump文件在MAT中打开，然后运行OQL:

1. select * from redis.clients.jedis.Jedis (RedisConn的实体类) 

搜索到一堆Jedis类，然后我们执行

1. Path To GCRoots->with all references 

可以看到如下结果:

1. redis.clients.jedis.Jedis 
2.     |->object  
3.         |->item 
4.             |->first 
5.                 |->... 
6.                     |->java.util.TimerThread 
7.                 |->internalPool 

由此可见，我们的连接仅仅被TimerThread和internalPool(Jedis本身的连接池)持有。所以我们可以判断出大概率是情况2，即忘了归还连接。翻看业务代码:

1. 伪代码 
2. void lock(){ 
3.     conn = jedis.getResource() 
4.     conn.setNx() 
5.     // 结束,此处应该有finally{returnResource()}或者采用RedisTemplate 
6. } 

最后就是很简单的，业务开发在执行setNx操作后，忘了将连接还回去。导致连接泄露。

如果是情况1如何定位卡住的代码

到此为止，这个问题是解决了。但是如果是情况1的话，我们又该如何分析下去呢?很简单，我们如果找到了jedis被哪个业务线程拥有，直接从heap dump找到其线程号，然后取Jstack中搜索即可知道其卡住的代码栈。

1. jmap: 
2. redis.clients.jedis.Jedis 
3.     |->Thread-123 
4.  
5. jstack: 
6.  
7. Thread-123 prio=... 
8.     at xxx.xxx.xxx.blocked 

总结

这是一个很简单的问题，知道套路之后排查起来完全不费事。虽然最后排查出来是个很低级的代码，但是这种分析方法值得借鉴。

原文链接：https://mp.weixin.qq.com/s/kbtqc3oz0_pT91dVK_oU9A