轉載自 一次堆外內存泄露的排查過程
https://blog.csdn.net/moakun/article/details/85377879
最近在做一個基於 websocket 的長連中間件，服務端使用實現了 socket.io 協議（基於websocket協議，提供長輪詢降級能力） 的 netty-socketio 框架，該框架爲 netty 實現，鑑於本人對 netty 比較熟，並且對比同樣實現了 socket.io 協議的其他框架，這個框架的口碑要更好一些，因此選擇這個框架作爲底層核心。
任何開源框架都避免不了 bug 的存在，我們在使用這個開源框架的時候，就遇到一個堆外內存泄露的 bug，鑑於對 netty 比較熟，於是接下來便想挑戰一下，找出那隻臭蟲（bug），接下來便是現象和排查過程，想看結論的同學可以直接拉到最後總結。
現象
某天早上突然收到告警，nginx 服務端大量5xx
我們使用 nginx 作爲服務端 websocket 的七層負載，5xx爆發通常表明服務端不可用。由於目前 nginx 告警沒有細分具體哪臺機器不可用，接下來，到 cat（點評美團統一監控平臺）去檢查一下整個集羣的各項指標，發現如下兩個異常
某臺機器在同一時間點爆發 gc，同一時間，jvm 線程阻塞
接下來，便開始漫長的 堆外內存泄露排查之旅行。
排查過程
階段1: 懷疑是log4j2
線程被大量阻塞，首先想到的是定位哪些線程被阻塞，最後查出來是 log4j2 狂打日誌導致 netty 的 nio 線程阻塞（由於沒有及時保留現場，所以截圖缺失），nio 線程阻塞之後，我們的服務器無法處理客戶端的請求，對nginx來說是5xx。
接下來，查看 log4j2 的配置文件
發現打印到控制檯的這個 appender 忘記註釋掉了，所以我初步猜測是因爲這個項目打印的日誌過多，而 log4j2 打印到控制檯是同步阻塞打印的，接下來，把線上所有機器的這行註釋掉，以爲大功告成，沒想到，過不了幾天，5xx告警又來敲門了，看來，這個問題沒那麼簡單。
階段2：可疑日誌浮現
接下來，只能硬着頭皮去查日誌，查看故障發生點前後的日誌，發現了一處可疑的地方
在極短的時間內，狂打 failed to allocate64(bytes)of direct memory(...)日誌（瞬間十幾個日誌文件，每個日誌文件幾百M），日誌裏拋出一個 netty 自己封裝的 OutOfDirectMemoryError，說白了，就是堆外內存不夠用了，netty 一直在喊冤。
堆外內存泄露，我去，聽到這個名詞就有點沮喪，因爲這個問題的排查就像 c 語言內存泄露一樣難以排查，首先想到的是，在 OOM 爆發之前，查看有無異常，然後查遍了 cat 上與機器相關的所有指標，查遍了 OOM 日誌之前的所有日誌，均未發現任何異常！這個時候心裏開始罵了……
階段3：定位OOM源
但是沒辦法，只能看着這堆討厭的 OOM 日誌發着呆，妄圖答案能夠蹦到眼前。一籌莫展之際，突然一道光在眼前一閃而過，在 OOM 下方的幾行日誌變得耀眼起來（爲啥之前就沒想認真查看日誌？估計是被堆外內存泄露這幾個詞嚇怕了吧==），這幾行字是 ....PlatformDepedeng.incrementMemory()...。我去，原來，堆外內存是否夠用，是 netty 這邊自己統計的，那是不是可以找到統計代碼，找到統計代碼之後我們就可以看到 netty 裏面的對外內存統計邏輯了？於是，接下來翻翻代碼，找到這段邏輯，在 PlatformDepedent 這個類裏面
這個地方，是一個對已使用堆外內存計數的操作，計數器爲 DIRECT_MEMORY_COUNTER，如果發現已使用內存大於堆外內存的上限（用戶自行指定），就拋出一個自定義 OOM Error，異常裏面的文本內容正是我們在日誌裏面看到的。
接下來，驗證一下是否這個函數是在堆外內存分配的時候被調用
果然，在 netty 每次分配堆外內存之前，都會計數，想到這，思路開始慢慢清晰起來，心情也開始變好。
階段4：反射進行堆外內存監控
既然 cat 上關於堆外內存的監控沒有任何異常（應該是沒有統計準確，一直維持在 1M），而這邊我們又確認堆外內存已快超過上限，並且已經知道 netty 底層是使用哪個字段來統計的，那麼接下來要做的第一件事情，就是反射拿到這個字段，然後我們自己統計 netty 使用堆外內存的情況。
堆外內存統計字段是 DIRECT_MEMORY_COUNTER，我們可以通過反射拿到這個字段，然後定期check這個值，就可以監控 netty 堆外內存的增長情況。
我們通過反射拿到這個字段，然後每隔一秒打印，我爲什麼要這樣做？
因爲，通過我們前面的分析，在爆發大量 OOM 現象之前，沒有任何可疑的現象，那麼只有兩種情況，一種是突然某個瞬間分配了大量的堆外內存導致OOM，一種是堆外內存緩慢增長，到達某個點之後，最後一根稻草將機器壓垮。這段代碼加上去之後，打包上線。
階段5：到底是緩慢增長還是瞬間飆升？
代碼上線之後，初始內存爲 16384k（16M），這是因爲線上我們使用了池化堆外內存，默認一個 chunk 爲16M，不必過於糾結。
沒過一會，內存就開始緩慢飆升，並且沒有釋放的跡象，20幾分鐘之後，內存如下
到了這裏，猜測可能是前面提到的第二種情況，也就是內存緩慢增長造成的 OOM，由於內存實在增長太慢，於是調整機器負載權重爲其他機器的兩倍，但是仍然是以幾K級別在增長，這天剛好是週五，索性就過他個一個週末再開看。
過完一個愉快的週末之後，到公司第一時間便是連上跳板機，登錄線上機器，開始 tail -f 繼續查看日誌，輸完命令之後，懷着期待的心情重重的敲下了回車鍵
果然不出所料，內存一直在緩慢增長，一個週末的時間，堆外內存已經飆到快一個 G 了，這個時候，我竟然想到了一句成語：只要功夫深，鐵杵磨成針！雖然堆外內存幾個K幾個K的在增長，但是隻要一直持續下去，總有把內存打爆的時候（線上堆外內存上限設置的是2G）。
到了這裏，我又開始自問自答了：內存爲啥會緩慢增長，伴隨着什麼而增長？因爲我們的應用是面向用戶端的websocket，那麼，會不會是每一次有用戶進來，交互完之後，然後離開，內存都會增長一些，然後不釋放呢？帶着這個疑問，我開始線下模擬。
階段6：線下模擬
本地起好服務，把監控堆外內存的單位改爲以B爲單位（因爲本地流量較小，打算一次一個客戶端連接），另外，本地也使用非池化內存（內存數字較小，容易看出問題），這樣，服務端啓動之後，控制檯打印信息如下
在沒有客戶端接入的時候，堆外內存一直是0，在意料之中。接下來，懷着着無比激動的心情，打開瀏覽器，然後輸入網址，開始我們的模擬之旅。
我們的模擬流程是：新建一個客戶端鏈接->斷開鏈接->再新建一個客戶端鏈接->再斷開鏈接
如上圖所示，一次 connect 和 disconnect 爲一次連接的建立與關閉，上圖綠色框框的日誌分別是兩次連接的生命週期。我們可以看到，內存每次都是在連接被關閉的的時候暴漲 256B 然後不釋放，到了這裏，問題進一步縮小，肯定是連接被關閉的時候，觸發了框架的一個bug，這個bug在觸發之前分配了 256B 的內存，然後bug觸發，內存沒有釋放。問題縮小之後，接下來開始擼源碼捉蟲！
階段7：線下排查
接下來，我將本地服務重啓，開始完整的線下排查過程。將目光定位到 netty-socketio 這個框架的 disconnect 事件（客戶端websocket連接關閉的時候回調用到這裏），基本上可以確定是在 disconnect 事件前後申請的內存沒有釋放
這裏，在使用 idea debug的時候，要選擇只掛起當前線程，這樣我們在單步跟蹤的時候，控制檯仍然可以看到堆外內存統計線程在打印日誌。
客戶端連接上之後然後關閉，斷點進入到 onDisconnect 回調，我特意在此多停留了一會，發現控制檯內存並沒有飆升（7B這個內存暫時沒有去分析，只需要知道，客戶端連接斷開之後，我們斷點hold住，內存還未開始漲），接下來，神奇的一幕出現了，我將斷點放開，讓程序跑完
debug 鬆掉之後，內存立馬飆升了！！這個時候我已經知道，這隻臭蟲飛不了多遠了。在 debug 的時候，掛起的是當前線程，那麼肯定是當前線程某個地方申請了堆外內存，然後沒有釋放，接下來，快馬加鞭，深入源碼。
每一次單步調試，我都會觀察控制檯的內存飆升的情況，很快，我們來到了這個地方
在這一行沒執行之前，控制檯的內存依然是 263B，然後，當執行完這一行之後，立馬從 263B漲到519B（漲了256B）
於是，bug的範圍進一步縮小，我將本次程序跑完，釋然後客戶端再來一次連接，斷點打在 client.send()這行， 然後關閉客戶端連接，之後直接進入到這個方法，隨後的過程有點長，因爲與 netty 的時間傳播機制有關，這裏就省略了，最後，我跟到了如下代碼， handleWebsocket
在這個地方，我看了一處非常可疑的地方，在上圖的斷點上一行，調用 encoder 分配了一段內存，調用完之後，我們的控制檯立馬就彪了 256B，所以，我懷疑肯定是這裏申請的內存沒有釋放，他這裏接下來調用 encoder.encodePacket() 方法，猜想是把數據包的內容以二進制的方式寫到這段 256B的內存，接下來，我跟到這段 encode 代碼，單步執行之後，定位到這行代碼
這段代碼是把 packet 裏面一個字段的值轉換爲一個 char，然而，當我使用 idea 預執行的時候，卻拋出類一個憤怒的 NPE！！也就是說，框架申請到一段內存之後，在encoder的時候，自己GG了，自己給自己挖了個NPE的深坑，最後導致內存無法釋放（最外層有堆外內存釋放邏輯，現在無法執行到了），然後越攢越多，越攢越多，直到最後一根稻草，堆外內存就這樣爆了，這裏的源碼有興趣的讀者可以自己去分析一下，限於篇幅原因，這裏就不再分析了。
階段8：bug解決
bug既然已經找到，接下來便要解決了，這裏只需要解決這個NPE異常，就可以fix掉，我們的目標就是，讓這個 subType字段不爲空，我們先通過 idea 的線程調用棧定位到這個 packet 是在哪個地方定義的
我們找到 idea 的 debugger 面板，眼睛盯着 packet 這個對象不放，然後上線移動光標，便光速定位到，原來，定義 packet 對象這個地方在我們前面的代碼其實已經出現過，我們查看了一下 subType 這個字段，果然是null，接下來，解決bug很容易。
我們給這個字段賦值即可，由於這裏是連接關閉事件，所以，我給他指定了一個名爲 DISCONNECT 的字段（改日深入去研究socket.io的協議），反正這個bug是在連接關閉的時候觸發的，就粗暴一點了 ！==。
解決這個bug的過程是：將這個框架的源碼下載到本地，然後加上這一行，最後，我重新build一下，pom 裏改改名字，推送到我們公司的倉庫，這樣，我項目就可以直接使用了。
改完bug之後，習慣性地去github上找到引發這段bug的commit
好奇的是，爲啥這位 dzn commiter 會寫出這麼一段如此明顯的bug，而且時間就在今年3月30號，項目啓動的前夕，真是無比尷尬呀 😂
階段9：線下驗證
一切就緒之後，首先，我們來進行本地驗證，服務起起來之後，我瘋狂地建立連接，瘋狂地斷開連接，觀察堆外內存的情況
好傢伙，不管你如何斷開連接，堆外內存一直不漲了，至此，bug 基本fix，當然，最後一步，我們把代碼推到線上驗證。
階段10：線上驗證
這次線上驗證，我們避免了比較土的打日誌方法，我們把堆外內存的這個指標噴射到 cat上，然後再來觀察一段時間的堆外內存的情況
發現過一段時間，堆外內存已經穩定不漲了，我們的捉蟲之旅到此結束！最後，我來給本次捉蟲之旅做一次總結
總結
1.遇到堆外內存泄露不要怕，仔細耐心分析，總能找到思路，要多看日誌，多分析。
2.如果使用了netty 堆外內存，那麼你可以自行監控堆外內存的使用情況，不需要藉助第三方工具，我這裏是使用的反射拿到的堆外內存的情況。
3.逐漸縮小範圍，直到bug被你找到。當你確認某個線程的執行帶來 bug 的時候，可單步執行，可二分執行，定位到某行代碼之後，跟到這段代碼，然後繼續單步執行或者二分的方式來定位最終出 bug 的代碼，這個方法屢試不爽，最後總能找到bug。
4.熟練掌握 idea 的調試，讓你的捉蟲速度快如閃電，這裏，最常見的調試方式是預執行表達式，以及通過線程調用棧，死盯某個對象，就能夠掌握這個對象的定義，賦值之類。