B^B .. Oh

一群爱搞事情的小弱鸡

一次生产 CPU 100% 排查优化实践

《一次生产 CPU 100% 排查优化实践》

到了年底果然都不太平,最近又收到了运维报警:表示有些服务器负载非常高,让我们定位问题。

还真是想什么来什么,前些天还故意把某些服务器的负载提高(没错,老板让我写个 BUG!),不过还好是不同的环境互相没有影响。

拿到问题后首先去服务器上看了看,发现运行的只有我们的 Java 应用。于是先用ps命令拿到了应用的PID。

接着使用ps -Hp pid将这个进程的线程显示出来。输入大写的 P 可以将线程按照 CPU 使用比例排序,于是得到以下结果。

《一次生产 CPU 100% 排查优化实践》

果然某些线程的 CPU 使用率非常高。

为了方便定位问题我立马使用jstack pid > pid.log将线程栈dump到日志文件中。

我在上面 100% 的线程中随机选了一个pid=194283转换为 16 进制(2f6eb)后在线程快照中查询:

因为线程快照中线程 ID 都是16进制存放。

《一次生产 CPU 100% 排查优化实践》

发现这是Disruptor的一个堆栈,前段时间正好解决过一个由于 Disruptor 队列引起的一次 OOM强如 Disruptor 也发生内存溢出?

没想到又来一出。

为了更加直观的查看线程的状态信息,我将快照信息上传到专门分析的平台上。

http://fastthread.io/

《一次生产 CPU 100% 排查优化实践》

其中有一项菜单展示了所有消耗 CPU 的线程,我仔细看了下发现几乎都是和上面的堆栈一样。

也就是说都是Disruptor队列的堆栈,同时都在执行java.lang.Thread.yield函数。

众所周知yield函数会让当前线程让出CPU资源,再让其他线程来竞争。

根据刚才的线程快照发现处于RUNNABLE状态并且都在执行yield函数的线程大概有 30几个。

因此初步判断为大量线程执行yield函数之后互相竞争导致 CPU 使用率增高,而通过对堆栈发现是和使用Disruptor有关。

而后我查看了代码,发现是根据每一个业务场景在内部都会使用 2 个Disruptor队列来解耦。

假设现在有 7 个业务类型,那就等于是创建2*7=14个Disruptor队列,同时每个队列有一个消费者,也就是总共有 14 个消费者(生产环境更多)。

同时发现配置的消费等待策略为YieldingWaitStrategy这种等待策略确实会执行 yield 来让出 CPU。

代码如下:

《一次生产 CPU 100% 排查优化实践》

初步看来和这个等待策略有很大的关系。

本地模拟

为了验证,我在本地创建了 15 个Disruptor队列同时结合监控观察 CPU 的使用情况。

《一次生产 CPU 100% 排查优化实践》
《一次生产 CPU 100% 排查优化实践》

创建了 15 个Disruptor队列,同时每个队列都用线程池来往Disruptor队列里面发送 100W 条数据。

消费程序仅仅只是打印一下。

《一次生产 CPU 100% 排查优化实践》

跑了一段时间发现 CPU 使用率确实很高。


《一次生产 CPU 100% 排查优化实践》

同时dump线程发现和生产的现象也是一致的:消费线程都处于RUNNABLE状态,同时都在执行yield。

通过查询Disruptor官方文档发现:

《一次生产 CPU 100% 排查优化实践》

YieldingWaitStrategy 是一种充分压榨 CPU 的策略,使用自旋 + yield的方式来提高性能。
当消费线程(Event Handler threads)的数量小于 CPU 核心数时推荐使用该策略。


《一次生产 CPU 100% 排查优化实践》

同时查阅到其他的等待策略BlockingWaitStrategy(也是默认的策略),它使用的是锁的机制,对 CPU 的使用率不高。

于是在和之前同样的条件下将等待策略换为BlockingWaitStrategy。

《一次生产 CPU 100% 排查优化实践》


《一次生产 CPU 100% 排查优化实践》
《一次生产 CPU 100% 排查优化实践》

和刚才的 CPU 对比会发现到后面使用率的会有明显的降低;同时 dump 线程后会发现大部分线程都处于 waiting 状态。

优化解决

看样子将等待策略换为BlockingWaitStrategy可以减缓 CPU 的使用,

但留意到官方对YieldingWaitStrategy的描述里谈道:
当消费线程(Event Handler threads)的数量小于 CPU 核心数时推荐使用该策略。

而现有的使用场景很明显消费线程数已经大大的超过了核心 CPU 数了,因为我的使用方式是一个Disruptor队列一个消费者,所以我将队列调整为只有 1 个再试试(策略依然是YieldingWaitStrategy)。

《一次生产 CPU 100% 排查优化实践》

《一次生产 CPU 100% 排查优化实践》

跑了一分钟,发现 CPU 的使用率一直都比较平稳而且不高。

所以排查到此可以有一个结论了,想要根本解决这个问题需要将我们现有的业务拆分;现在是一个应用里同时处理了 N 个业务,每个业务都会使用好几个Disruptor队列。

由于是在一台服务器上运行,所以 CPU 资源都是共享的,这就会导致 CPU 的使用率居高不下。

所以我们的调整方式如下:

  • 为了快速缓解这个问题,先将等待策略换为BlockingWaitStrategy,可以有效降低 CPU 的使用率(业务上也还能接受)。
  • 第二步就需要将应用拆分(上文模拟的一个Disruptor队列),一个应用处理一种业务类型;然后分别单独部署,这样也可以互相隔离互不影响。

当然还有其他的一些优化,因为这也是一个老系统了,这次 dump 线程居然发现创建了 800+ 的线程。

创建线程池的方式也是核心线程数、最大线程数是一样的,导致一些空闲的线程也得不到回收;这样会有很多无意义的资源消耗。

所以也会结合业务将创建线程池的方式调整一下,将线程数降下来,尽量的物尽其用。

本文的演示代码已上传至 GitHub:

https://github.com/crossoverJie/JCSprout

你的点赞与分享是对我最大的支持

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注