一、由來
前些日子小組內安排值班，輪流看顧我們的服務，主要做一些報警郵件處理、Bug 排查、運營 issue 處理的事。工作日還好，無論幹什麼都要上班的，若是輪到週末，那這一天算是毀了。
不知道是公司網絡廣了就這樣還是網絡運維組不給力，網絡總有問題，不是這邊交換機脫網了就是那邊路由器壞了，還偶發地各種超時，而我們靈敏地服務探測服務總能準確地抓住偶現的小問題，給美好的工作加點料。好幾次值班組的小夥伴們一起吐槽，商量着怎麼避過服務保活機制，偷偷停了探測服務而不讓人發現（雖然也並不敢）。
前些天我就在週末處理了一次探測服務的鍋。
二、問題
1、網絡問題？
晚上七點多開始，我就開始不停地收到報警郵件，郵件顯示探測的幾個接口有超時情況。多數執行棧都在：
這個線程棧的報錯我見得多了，我們設置的 HTTP DNS 超時是 1s， connect 超時是 2s， read 超時是 3s，這種報錯都是探測服務正常發送了 HTTP 請求，服務器也在收到請求正常處理後正常響應了，但數據包在網絡層層轉發中丟失了，所以請求線程的執行棧會停留在獲取接口響應的地方。這種情況的典型特徵就是能在服務器上查找到對應的日誌記錄。而且日誌會顯示服務器響應完全正常。與它相對的還有線程棧停留在 Socket connect 處的，這是在建連時就失敗了，服務端完全無感知。
我注意到其中一個接口報錯更頻繁一些，這個接口需要上傳一個 4M 的文件到服務器，然後經過一連串的業務邏輯處理，再返回 2M 的文本數據，而其他的接口則是簡單的業務邏輯，我猜測可能是需要上傳下載的數據太多，所以超時導致丟包的概率也更大吧。
根據這個猜想，羣登上服務器，使用請求的 request_id 在近期服務日誌中搜索一下，果不其然，就是網絡丟包問題導致的接口超時了。
當然這樣 leader 是不會滿意的，這個結論還得有人接鍋才行。於是趕緊聯繫運維和網絡組，向他們確認一下當時的網絡狀態。網絡組同學回覆說是我們探測服務所在機房的交換機老舊，存在未知的轉發瓶頸，正在優化，這讓我更放心了，於是在部門羣裏簡單交待一下，算是完成任務。
2、問題爆發
本以爲這次值班就起這麼一個小波浪，結果在晚上八點多，各種接口的報警郵件蜂擁而至，打得準備收拾東西過週日單休的我措手不及。
這次幾乎所有的接口都在超時，而我們那個大量網絡 I/O 的接口則是每次探測必超時，難道是整個機房故障了麼。
我再次通過服務器和監控看到各個接口的指標都很正常，自己測試了下接口也完全 OK，既然不影響線上服務，我準備先通過探測服務的接口把探測任務停掉再慢慢排查。
結果給暫停探測任務的接口發請求好久也沒有響應，這時候我才知道沒這麼簡單。
三、解決
1、內存泄漏
於是趕快登陸探測服務器，首先是 top free df 三連，結果還真發現了些異常。
我們的探測進程 CPU 佔用率特別高，達到了 900%。
我們的 Java 進程，並不做大量 CPU 運算，正常情況下，CPU 應該在 100~200% 之間，出現這種 CPU 飆升的情況，要麼走到了死循環，要麼就是在做大量的 GC。
使用 jstat -gc pid [interval] 命令查看了 java 進程的 GC 狀態，果然，FULL GC 達到了每秒一次。
這麼多的 FULL GC，應該是內存泄漏沒跑了，於是 使用 jstack pid > jstack.log 保存了線程棧的現場，使用 jmap -dump:format=b,file=heap.log pid 保存了堆現場，然後重啓了探測服務，報警郵件終於停止了。
jstat
jstat 是一個非常強大的 JVM 監控工具，一般用法是：jstat [-options] pid interval
它支持的查看項有：
-class 查看類加載信息
-compile 編譯統計信息
-gc 垃圾回收信息
-gcXXX 各區域 GC 的詳細信息 如 -gcold
使用它，對定位 JVM 的內存問題很有幫助。
四、排查
問題雖然解決了，但爲了防止它再次發生，還是要把根源揪出來。
1、分析棧
棧的分析很簡單，看一下線程數是不是過多，多數棧都在幹嘛。
才四百多線程，並無異常。
線程狀態好像也無異常，接下來分析堆文件。
2、下載堆 dump 文件。
堆文件都是一些二進制數據，在命令行查看非常麻煩，Java 爲我們提供的工具都是可視化的，Linux 服務器上又沒法查看，那麼首先要把文件下載到本地。
由於我們設置的堆內存爲 4G，所以 dump 出來的堆文件也很大，下載它確實非常費事，不過我們可以先對它進行一次壓縮。
gzip 是個功能很強大的壓縮命令，特別是我們可以設置 -1 ~ -9 來指定它的壓縮級別，數據越大壓縮比率越大，耗時也就越長，推薦使用 -6~7， -9 實在是太慢了，且收益不大，有這個壓縮的時間，多出來的文件也下載好了。
3、使用 MAT 分析 jvm heap
MAT 是分析 Java 堆內存的利器，使用它打開我們的堆文件（將文件後綴改爲 .hprof）, 它會提示我們要分析的種類，對於這次分析，果斷選擇 memory leak suspect。
從上面的餅圖中可以看出，絕大多數堆內存都被同一個內存佔用了，再查看堆內存詳情，向上層追溯，很快就發現了罪魁禍首。
4、分析代碼
找到內存泄漏的對象了，在項目裏全局搜索對象名，它是一個 Bean 對象，然後定位到它的一個類型爲 Map 的屬性。
這個 Map 根據類型用 ArrayList 存儲了每次探測接口響應的結果，每次探測完都塞到 ArrayList 裏去分析，由於 Bean 對象不會被回收，這個屬性又沒有清除邏輯，所以在服務十來天沒有上線重啓的情況下，這個 Map 越來越大，直至將內存佔滿。
內存滿了之後，無法再給 HTTP 響應結果分配內存了，所以一直卡在 readLine 那。而我們那個大量 I/O 的接口報警次數特別多，估計跟響應太大需要更多內存有關。
給代碼 owner 提了 PR，問題圓滿解決。
五、小結
其實還是要反省一下自己的，一開始報警郵件裏還有這樣的線程棧：
看到這種報錯線程棧卻沒有細想，要知道 TCP 是能保證消息完整性的，況且消息沒有接收完也不會把值賦給變量，這種很明顯的是內部錯誤，如果留意後細查是能提前查出問題所在的，查問題真是差了哪一環都不行啊。