作者：vivo 互联网服务器团队 - Liu Zhen、Ye Wenhao

服务器内存问题是影响应用程序性能和稳定性的重要因素之一，须要及时排查和优化。本文介绍了某外围服务内存问题排查与解决过程。首先在JVM与大对象优化上进行了无效的实际，其次在故障转移与大对象监控上提出了牢靠的落地计划。最初，总结了内存优化须要思考的其余问题。

一、问题形容

音乐业务中，core服务次要提供歌曲、歌手等元数据与用户资产查问。随着元数据与用户资产查问量的增长，一些JVM内存问题也逐步露出，例如GC频繁、耗时长，在高峰期RPC调用超时等问题，导致业务外围性能受损。

图1 业务异样数量变动

二、剖析与解决

通过对日志，机器CPU、内存等监控数据分析发现：

YGC均匀每分钟次数12次，峰值为24次，均匀每次的耗时在327毫秒。FGC均匀每10分钟0.08次，峰值1次，均匀耗时30秒。能够看到GC问题较为突出。

在问题期间，机器的CPU并没有显著的变动，然而堆内存呈现较大异样。图2，黄色圆圈处，内存应用急速回升，FGC变的频繁，开释的内存越来越少。

图2 老年代内存应用异样

因而，咱们认为业务性能异样是机器的内存问题导致的，须要对服务的内存做一次专项优化。

  • 步骤1  JVM优化

以下是默认的JVM参数：

-Xms4096M -Xmx4096M -Xmn1024M -XX:MetaspaceSize=256M -Djava.security.egd=file:/dev/./urandom -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/data/{runuser}/logs/other

如果不指定垃圾收集器，那么JDK 8默认采纳的是Parallel Scavenge（新生代） +Parallel Old（老年代），这种组合在多核CPU上充分利用多线程并行的劣势，进步垃圾回收的效率和吞吐量。然而，因为采纳多线程并行形式，会造成肯定的进展工夫，不适宜对响应工夫要求较高的应用程序。然而，core这类的服务特点是对象数量多，生命周期短。在零碎特点上，吞吐量较低，要求时延低。因而，默认的JVM参数并不适宜core服务。

依据业务的特点和屡次对照试验，抉择了如下参数进行JVM优化（4核8G的机器）。该参数将young区设为原来的1.5倍，缩小了进入老年代的对象数量。将垃圾回收器换成ParNew+CMS，能够缩小YGC的次数，升高进展工夫。此外还开启了CMSScavengeBeforeRemark，在CMS的从新标记阶段进行一次YGC，以缩小从新标记的工夫。

-Xms4096M -Xmx4096M -Xmn1536M -XX:MetaspaceSize=256M -XX:+UseConcMarkSweepGC -XX:+CMSScavengeBeforeRemark -Djava.security.egd=file:/dev/./urandom -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/data/{runuser}/logs/other

图3 JVM优化前后的堆内存比照

优化后成果如图3，堆内存的应用明显降低，然而Dubbo超时依然存在。

咱们推断，在业务高峰期，该节点呈现了大对象降职到了老年代，导致内存应用迅速回升，并且大对象没有被及时回收。那如何找到这个大对象及其产生的起因呢？为了升高问题排查期间业务的损失，提出了长期的故障转移策略，尽量升高异样数量。

  • 步骤2  故障转移策略

在api服务调用core服务出现异常时，将出现异常的机器ip上报给监控平台。而后利用监控平台的统计与告警能力，配置相应的告警规定与回调函数。当异样触发告警，通过配置的回调函数将告警ip传递给api服务，此时api服务能够将core服务下的该ip对应的机器视为“故障”，进而通过自定义的故障转移策略（实现Dubbo的AbstractLoadBalance抽象类，并且配置在我的项目），主动将该ip从提供者集群中剔除，从而达到不去调用问题机器。图 4 是整个措施的流程。在该措施上线前，每当有机器内存告警时，将会人工重启该机器。

图4 故障转移策略

  • 步骤3  大对象优化

大对象占用了较多的内存，导致内存空间无奈被无效利用，甚至造成OOM（Out Of Memory）异样。在优化过程中，先是查看了异样期间的线程信息，而后对堆内存进行了剖析，最终确定了大对象身份以及产生的接口。

（1） Dump Stack 查看线程

从监控平台上Dump Stack文件，发现肯定数量的如下线程调用。

Thread 5612: (state = IN_JAVA) - org.apache.dubbo.remoting.exchange.codec.ExchangeCodec.encodeResponse(org.apache.dubbo.remoting.Channel, org.apache.dubbo.remoting.buffer.ChannelBuffer, org.apache.dubbo.remoting.exchange.Response) @bci=11, line=282 (Compiled frame; information may be imprecise) - org.apache.dubbo.remoting.exchange.codec.ExchangeCodec.encode(org.apache.dubbo.remoting.Channel, org.apache.dubbo.remoting.buffer.ChannelBuffer, java.lang.Object) @bci=34, line=73 (Compiled frame) - org.apache.dubbo.rpc.protocol.dubbo.DubboCountCodec.encode(org.apache.dubbo.remoting.Channel, org.apache.dubbo.remoting.buffer.ChannelBuffer, java.lang.Object) @bci=7, line=40 (Compiled frame) - org.apache.dubbo.remoting.transport.netty4.NettyCodecAdapter$InternalEncoder.encode(io.netty.channel.ChannelHandlerContext, java.lang.Object, io.netty.buffer.ByteBuf) @bci=51, line=69 (Compiled frame) - io.netty.handler.codec.MessageToByteEncoder.write(io.netty.channel.ChannelHandlerContext, java.lang.Object, io.netty.channel.ChannelPromise) @bci=33, line=107 (Compiled frame) - io.netty.channel.AbstractChannelHandlerContext.invokeWrite0(java.lang.Object, io.netty.channel.ChannelPromise) @bci=10, line=717 (Compiled frame) - io.netty.channel.AbstractChannelHandlerContext.invokeWrite(java.lang.Object, io.netty.channel.ChannelPromise) @bci=10, line=709 (Compiled frame)...

state = IN_JAVA 示意Java虚拟机正在执行Java程序。从线程调用信息能够看到，Dubbo正在调用Netty，将输入写入到缓冲区。此时的响应可能是一个大对象，因此在对响应进行编码、写缓冲区时，须要消耗较长的工夫，导致抓取到的此类线程较多。另外耗时长，也即是大对象存活工夫长，导致full gc 开释的内存越来越小，闲暇的堆内存变小，这又会加剧full gc 次数。

这一系列的连锁反应与图2相吻合，那么接下来的工作就是找到这个大对象。

（2）Dump Heap 查看内存

对core服务的堆内存进行了屡次查看，其中比拟有代表性的一次快照的大对象列表如下，

图5 core服务的堆内存快照

整个Netty的taskQueue有258MB。并且从图中绿色方框处能够发现，单个的Response竟达到了9M，红色方框处，显示了调用方的服务名以及URI。

进一步排查，发现该接口会通过core服务查问大量信息，至此根本排查分明了大对象的身份以及产生起因。

（3）优化后果

在对接口进行优化后，整个core服务也呈现了非常明显的改良。YGC全天总次数升高了76.5%，高峰期累计耗时升高了75.5%。FGC三天才会产生一次，并且高峰期累计耗时升高了90.1%。

图6 大对象优化后的core服务GC状况

只管优化后，因外部异样导致获取外围业务失败的异样申请数显著缩小，然而仍然存在。为了找到最初这一点异样产生的起因，咱们打算对core服务内存中的对象大小进行监控。

图7 零碎外部异样导致外围业务失败的异样申请数

  • 步骤4  无侵入式内存对象监控

Debug Dubbo 源码的过程中，发现在网络层，Dubbo通过encodeResponse办法对响应进行编码并写入缓冲区，通过checkPayload办法去查看响应的大小，当超过payload时，会抛出ExceedPayloadLimitException异样。在外层对异样进行了捕捉，重置buffer地位，而且如果是ExceedPayloadLimitException异样，从新发送一个空响应，这里须要留神，空响应没有原始的响应后果信息，源码如下。

//org.apache.dubbo.remoting.exchange.codec.ExchangeCodec#encodeResponseprotected void encodeResponse(Channel channel, ChannelBuffer buffer, Response res) throws IOException {    //...省略局部代码    try {         //1、查看响应大小是否超过 payload，如果超过，则抛出ExceedPayloadLimitException异样        checkPayload(channel, len);      } catch (Throwable t) {                 //2、重置buffer        buffer.writerIndex(savedWriteIndex);         //3、捕捉异样后，生成一个新的空响应        Response r = new Response(res.getId(), res.getVersion());        r.setStatus(Response.BAD_RESPONSE);                 //4、ExceedPayloadLimitException异样，将生成的空响应从新发送一遍        if (t instanceof ExceedPayloadLimitException) {            r.setErrorMessage(t.getMessage());            channel.send(r);            return;        }             }} //org.apache.dubbo.remoting.transport.AbstractCodec#checkPayloadprotected static void checkPayload(Channel channel, long size) throws IOException {    int payload = getPayload(channel);    boolean overPayload = isOverPayload(payload, size);    if (overPayload) {        ExceedPayloadLimitException e = new ExceedPayloadLimitException("Data length too large: " + size + ", max payload: " + payload + ", channel: " + channel);        logger.error(e);        throw e;    }}

受此启发，自定义了编解码类（实现org.apache.dubbo.remoting.Codec2接口，并且配置在我的项目），去监控超出阈值的对象，并打印申请的详细信息，不便排查问题。在具体实现中，如果特意去计算每个对象的大小，那么势必是对服务性能造成影响。通过剖析，采取了和checkPayload一样的形式，依据编码前后buffer的writerIndex地位去判断有没有超过设定的阈值。代码如下。

/** * 自定义dubbo编码类 **/public class MusicDubboCountCodec implements Codec2 {     /**     * 异样响应池：缓存超过payload大小的responseId     */    private static Cache<Long, String> EXCEED_PAYLOAD_LIMIT_CACHE = Caffeine.newBuilder()        // 缓存总条数        .maximumSize(100)        // 过期工夫        .expireAfterWrite(300, TimeUnit.SECONDS)        // 将value设置为软援用，在OOM前间接淘汰        .softValues()        .build();      @Override    public void encode(Channel channel, ChannelBuffer buffer, Object message) throws IOException {        //1、记录数据编码前的buffer地位        int writeBefore = null == buffer ? 0 : buffer.writerIndex();         //2、调用原始的编码方法        dubboCountCodec.encode(channel, buffer, message);         //3、查看&记录超过payload的信息        checkOverPayload(message);         //4、计算对象长度        int writeAfter = null == buffer ? 0 : buffer.writerIndex();            int length = writeAfter - writeBefore;         //5、超过告警阈值，进行日志打印解决        warningLengthTooLong(length, message);    }     //校验response是否超过payload，超过了，缓存id    private void checkOverPayload(Object message){        if(!(message instanceof Response)){            return;        }        Response response = (Response) message;         //3.1、新的发送过程：通过状态码BAD_RESPONSE与错误信息辨认出空响应，并记录响应id        if(Response.BAD_RESPONSE == response.getStatus() && StrUtil.contains(response.getErrorMessage(), OVER_PAYLOAD_ERROR_MESSAGE)){                      EXCEED_PAYLOAD_LIMIT_CACHE.put(response.getId(), response.getErrorMessage());            return;        }         //3.2、原先的发送过程：通过异样池辨认出超过payload的响应，打印有用的信息        if(Response.OK == response.getStatus() &&  EXCEED_PAYLOAD_LIMIT_CACHE.getIfPresent(response.getId()) != null){                  String responseMessage = getResponseMessage(response);            log.warn("dubbo序列化对象大小超过payload,errorMsg is {},response is {}", EXCEED_PAYLOAD_LIMIT_CACHE.getIfPresent(response.getId()),responseMessage);        }    }     }

在上文中提到，当捕捉到超过payload的异样时，会从新生成空响应，导致失去了原始的响应后果，此时再去打印日志，是无奈获取到调用办法和入参的，然而encodeResponse办法步骤4中，从新发送这个Response，给了咱们机会去获取到想要的信息，因为从新发送意味着会再去走一遍自定义的编码类。

假如有一个超出payload的申请，执行到自定编码类encode办法的步骤2（Dubbo源码中的编码方法），在这里会调用encodeResponse办法重置buffer，发送新的空响应。

（1）当这个新的空响应再次进入自定义encode办法，执行 checkOverPayload办法的步骤3.1时，就会记录异样响应的id到本地缓存。因为在encodeResponse中buffer被重置，无奈计算对象的大小，所以步骤4、5不会起到理论作用，就此结束新的发送过程。

（2）原先的发送过程回到步骤2 继续执行，到了步骤3.2 时，发现本地缓存的异样池中有以后的响应id，这时就能够打印调用信息了。

综上，对于大小在告警阈值和payload之间的对象，因为响应信息胜利写入了buffer，能够间接进行大小判断，并且打印响应中的要害信息；对于超过payload的对象，在从新发送中记录异样响应id到本地，在原始发送过程中拜访异样id池辨认是否是异样响应，进行要害信息打印。

在监控措施上线后，通过日志很疾速的发现了一部分产生大对象的接口，以后也正在依据接口特点做针对性优化。

三、总结

在对服务JVM内存进行调优时，要充分利用日志、监控工具、堆栈信息等，剖析与定位问题。尽量升高问题排查期间的业务损失，引入对象监控伎俩也不能影响现有业务。除此之外，还能够在定时工作、代码重构、缓存等方面进行优化。优化服务内存不仅仅是JVM调参，而是一个全方面的继续过程。