![](https://i.loli.net/2019/07/19/5d3138498107383830.jpg)

# 背景

上午刚到公司，准备开始一天的摸鱼之旅时突然收到了一封监控中心的邮件。

心中暗道不好，因为监控系统从来不会告诉我应用完美无 `bug`，其实系统挺猥琐。



打开邮件一看，果然告知我有一个应用的线程池队列达到阈值触发了报警。

由于这个应用出问题非常影响用户体验；于是立马让运维保留现场 `dump` 线程和内存同时重启应用，还好重启之后恢复正常。于是开始着手排查问题。

<!--more-->

# 分析

首先了解下这个应用大概是做什么的。

简单来说就是从 `MQ` 中取出数据然后丢到后面的业务线程池中做具体的业务处理。

而报警的队列正好就是这个线程池的队列。



跟踪代码发现构建线程池的方式如下：

```java
ThreadPoolExecutor executor = new ThreadPoolExecutor(coreSize, maxSize,
              0L, TimeUnit.MILLISECONDS,
              new LinkedBlockingQueue<Runnable>());;
             put(poolName,executor);
```

采用的是默认的 `LinkedBlockingQueue` 并没有指定大小（这也是个坑），于是这个队列的默认大小为 `Integer.MAX_VALUE`。

由于应用已经重启，只能从仅存的线程快照和内存快照进行分析。



## 内存分析

先利用 `MAT` 分析了内存，的到了如下报告。



![](https://i.loli.net/2019/07/19/5d3138538800334258.jpg)



其中有两个比较大的对象，一个就是之前线程池存放任务的 `LinkedBlockingQueue`，还有一个则是 `HashSet`。



当然其中队列占用了大量的内存，所以优先查看，`HashSet` 一会儿再看。



>  由于队列的大小给的够大，所以结合目前的情况来看应当是线程池里的任务处理较慢，导致队列的任务越堆越多，至少这是目前可以得出的结论。



## 线程分析

再来看看线程的分析，这里利用 [fastthread.io](http://fastthread.io/index.jsp) 这个网站进行线程分析。

因为从表现来看线程池里的任务迟迟没有执行完毕，所以主要看看它们在干嘛。



正好他们都处于 **RUNNABLE** 状态，同时堆栈如下：



![](https://i.loli.net/2019/07/19/5d3138551b39c76261.jpg)

发现正好就是在处理上文提到的 `HashSet`，看这个堆栈是在查询 `key` 是否存在。通过查看 312 行的业务代码确实也是如此。



> 这里的线程名字也是个坑，让我找了好久。



# 定位

分析了内存和线程的堆栈之后其实已经大概猜出一些问题了。



这里其实有一个前提忘记讲到：

这个告警是`凌晨三点`发出的邮件，但并没有电话提醒之类的，所以大家都不知道。

到了早上上班时才发现并立即 `dump` 了上面的证据。



所有有一个很重要的事实：**这几个业务线程在查询 `HashSet` 的时候运行了 6 7 个小时都没有返回**。



通过之前的监控曲线图也可以看出：

![](https://i.loli.net/2019/07/19/5d313854e9fa082346.jpg)

操作系统在之前一直处于高负载中，直到我们早上看到报警重启之后才降低。



同时发现这个应用生产上运行的是 `JDK1.7` ，所以我初步认为应该是在查询 key 的时候进入了 `HashMap` 的环形链表导致 `CPU` 高负载同时也进入了死循环。



为了验证这个问题再次 review 了代码。



整理之后的伪代码如下：

```java
//线程池
private ExecutorService executor;

private Set<String> set = new hashSet();

private void execute(){
	
	while(true){
		//从 MQ 中获取数据
		String key = subMQ();
		executor.excute(new Worker(key)) ;
	}
}

public class Worker extends Thread{
	private String key ;

	public Worker(String key){
		this.key = key;
	}

	@Override
	private void run(){
		if(!set.contains(key)){

			//数据库查询
			if(queryDB(key)){
				set.add(key);
				return;
			}
		}

		//达到某种条件时清空 set
		if(flag){
			set = null ;
		}
	}	
}
```

大致的流程如下：

- 源源不断的从 MQ 中获取数据。
- 将数据丢到业务线程池中。
- 判断数据是否已经写入了 `Set`。
- 没有则查询数据库。
- 之后写入到 `Set` 中。



这里有一个很明显的问题，**那就是作为共享资源的 Set 并没有做任何的同步处理**。

这里会有多个线程并发的操作，由于 `HashSet` 其实本质上就是 `HashMap`，所以它肯定是线程不安全的，所以会出现两个问题：



- Set 中的数据在并发写入时被覆盖导致数据不准确。
- **会在扩容的时候形成环形链表**。

第一个问题相对于第二个还能接受。



通过上文的内存分析我们已经知道这个 set 中的数据已经不少了。同时由于初始化时并没有指定大小，仅仅只是默认值，所以在大量的并发写入时候会导致频繁的扩容，而在 1.7 的条件下又可能会形成**环形链表**。



不巧的是代码中也有查询操作（`contains()`）,观察上文的堆栈情况：

![](https://i.loli.net/2019/07/19/5d3138551b39c76261.jpg)

发现是运行在 `HashMap` 的 465 行，来看看 1.7 中那里具体在做什么：

![](https://i.loli.net/2019/07/19/5d313855acb5545919.jpg)

已经很明显了。这里在遍历链表，同时由于形成了环形链表导致这个 `e.next` 永远不为空，所以这个循环也不会退出了。



到这里其实已经找到问题了，但还有一个疑问是为什么线程池里的任务队列会越堆越多。我第一直觉是任务执行太慢导致的。



仔细查看了代码发现只有一个地方可能会慢：也就是有一个**数据库的查询**。



把这个 SQL 拿到生产环境执行发现确实不快，查看索引发现都有命中。



但我一看表中的数据发现已经快有 **7000W** 的数据了。同时经过运维得知 `MySQL` 那台服务器的 `IO` 压力也比较大。

所以这个原因也比较明显了：

>  由于每消费一条数据都要去查询一次数据库，MySQL 本身压力就比较大，加上数据量也很高所以导致这个 IO 响应较慢，导致整个任务处理的就比较慢了。

但还有一个原因也不能忽视；由于所有的业务线程在某个时间点都进入了死循环，根本没有执行完任务的机会，而后面的数据还在源源不断的进入，所以这个队列只会越堆越多！



这其实是一个老应用了，可能会有人问为什么之前没出现问题。

这是因为之前数据量都比较少，即使是并发写入也没有出现并发扩容形成环形链表的情况。这段时间业务量的暴增正好把这个隐藏的雷给揪出来了。所以还是得信墨菲他老人家的话。



# 总结



至此整个排查结束，而我们后续的调整措施大概如下：

- `HashSet` 不是线程安全的，换为 `ConcurrentHashMap`同时把 `value` 写死一样可以达到 `set` 的效果。
- 根据我们后面的监控，初始化 `ConcurrentHashMap` 的大小尽量大一些，避免频繁的扩容。
- `MySQL` 中很多数据都已经不用了，进行冷热处理。尽量降低单表数据量。同时后期考虑分表。
- 查数据那里调整为查缓存，提高查询效率。
- 线程池的名称一定得取的有意义，不然是自己给自己增加难度。
- 根据监控将线程池的队列大小调整为一个具体值，并且要有拒绝策略。
- 升级到 `JDK1.8`。
- 再一个是报警邮件酌情考虑为电话通知😂。



`HashMap` 的死循环问题在网上层出不穷，没想到还真被我遇到了。现在要满足这个条件还是挺少见的，比如 1.8 以下的 `JDK` 这一条可能大多数人就碰不到，正好又证实了一次墨菲定律。

**你的点赞与分享是对我最大的支持**