接口偶尔超时,竟又是JVM停顿的锅
原创:扣钉日记(微信公众号ID:codelogs) ,接口竟又欢迎分享 ,接口竟又转载请保留出处 。接口竟又
简介
继上次我们JVM停顿十几秒的接口竟又问题解决后,我们系统终于稳定了,接口竟又再也不会无故重启了!接口竟又
这是接口竟又之前的文章:耗时几个月,终于找到了JVM停顿十几秒的接口竟又原因
但有点奇怪的是 ,每隔一段时间,接口竟又我们服务接口就会有一小波499超时,接口竟又经过查看gc日志,接口竟又又发现JVM停顿了好几秒 !接口竟又
查看safepoint日志
有了上次JVM停顿排查经验后 ,接口竟又我马上就检查了gc日志与safepoint日志,接口竟又发现如下日志:
$ cat gc-*.log | awk '/application threads were stopped/ && $(NF-6)>1'|tailn2022-05-08T16:40:53.886+0800: 78328.993: Total time for which application threads were stopped: 9.4917471 seconds,接口竟又 Stopping threads took: 9.3473059 secondsn2022-05-08T17:40:32.574+0800: 81907.681: Total time for which application threads were stopped: 3.9786219 seconds, Stopping threads took: 3.9038683 secondsn2022-05-08T17:41:00.063+0800: 81935.170: Total time for which application threads were stopped: 1.2607608 seconds, Stopping threads took: 1.1258499 secondsnn$ cat safepoint.log | awk '/vmop/{ title=$0;getline;if($(NF-2)+$(NF-4)>1000){ print title;print $0}}'n vmop [threads: total initially_running wait_to_block] [time: spin block sync cleanup vmop] page_trap_countn78319.500: G1IncCollectionPause [ 428 0 2 ] [ 0 9347 9347 7 137 ] 0n vmop [threads: total initially_running wait_to_block] [time: spin block sync cleanup vmop] page_trap_countn81903.703: G1IncCollectionPause [ 428 0 4 ] [ 0 3903 3903 14 60 ] 0n vmop [threads: total initially_running wait_to_block] [time: spin block sync cleanup vmop] page_trap_countn81933.906: G1IncCollectionPause [ 442 0 1 ] [ 0 1125 1125 8 126 ] 0n
从日志上可以看到,JVM停顿也是由safepoint导致的,而safepoint耗时主要在block阶段 !
通过添加JVM参数-XX:+SafepointTimeout -XX:SafepointTimeoutDelay=1000后,可打印出哪些线程超过1000ms没有到达safepoint ,如下 :
可以看到都是一些http或grpc的worker线程没走到safepoint
,但为啥没到达safepoint
,看不出关键,只好又去网上搜索了。
深入safepoint机制
- safepoint机制: JVM在做某些特殊操作时(如gc 、jmap等) ,需要看到一致的内存状态,而线程运行过程中会一直修改内存,所以JVM做这些特殊操作前,需要等待这些线程停下来 ,而停下来的机制就是safepoint 。
在上面的safepoint日志中,spin与block都是等待线程进入safepoint的耗时 ,而vmop就是需要在安全点执行的JVM操作耗时 ,遗憾的是 ,网上讲safepoint的文章虽多 ,但基本没有将block阶段与spin阶段区别讲清楚的 !
没办法 ,只能去看看JVM内部safepoint的实现代码了 ,在阅读了safepoint.cpp后,对spin与block的区别也大致有点理解了,如下:
- jvm中其实线程状态主要有3种thread_in_Java、thread_in_vm、thread_in_native 。
- 线程执行到jvm管控以外的代码时(如内核代码),线程状态会变为thread_in_native ,jvm会认为它已经在安全区域(Safe Region),故不需要等待其到达safepoint,当它从thread_in_native状态返回时 ,会自行挂起 。
- 线程在执行java代码时 ,线程状态是thread_in_Java ,这种线程jvm需要等待它执行到safepoint后,将其挂起或自行挂起。
- 线程在执行jvm内部代码时,线程状态是thread_in_vm,比如线程执行System.arraycopy,由于jvm内部并没有放置safepoint ,jvm必须等待其转换到thread_in_native或thread_in_Java才能将其挂起或自行挂起。
而spin阶段实际在做两件事情,一是将thread_in_native状态的线程刨除掉 ,这并不会太耗时 ,二是轮询各线程状态 ,等待thread_in_Java状态的线程变为其它状态(如走到了safepoint) ,这也是为什么counted loop这种代码会导致spin阶段耗时高,因为它是thread_in_Java状态的 。
而block阶段实际就是在等待thread_in_vm状态的线程走到safepoint ,与spin不同的是,safepoint线程将自己挂起,以等待最后一个thread_in_vm线程到达safepoint后将其唤醒 。
如果看完我的描述,还是无法理解,强烈建议大家自己去阅读下safepoint源码,要看懂大概脉络还是不难的,而网上文章用来了解一些基础知识即可,不必费力看太多。
safepoint源码
:http://hg.openjdk.java.net/jdk8u/jdk8u/hotspot/file/818b1963f7a2/src/share/vm/runtime/safepoint.cpp
主要方法:SafepointSynchronize::begin, SafepointSynchronize::block,SafepointSynchronize::end
回到之前遇到的问题,我们是block阶段耗时长,这是在等待thread_in_vm状态的线程到达safepoint,而线程处于thread_in_vm状态则说明线程在运行JVM内部代码 。
难道我们什么代码用法
,导致线程在jvm内部执行耗时过长?特别是在jvm社区找到一个提议
,即建议在System.arraycopy中添加safepoint,让我也有点怀疑它了 ,但如何证明呢 ?
提议链接:https://bugs.openjdk.org/browse/JDK-8233300。
async-profiler分析safepoint
经过一段时间了解,发现目前分析safepoint主流工具如下:
- JFR:由oracle提供,在jdk11才完全可用,由于我们是jdk8,故放弃之。
- async-profiler:一款开源的JVM分析工具,提供了分析safepoint的选项,选它!
async-profiler提供了--ttsp的选项,用来分析safepoint事件 ,如下:
# 下载async-profilern$ wget https://github.com/jvm-profiling-tools/async-profiler/releases/download/v2.8/async-profiler-2.8-linux-x64.tar.gz && tar xvf async* && cd async*nn# 启动async-profiler采集safepoint时的线程栈n$ ./profiler.sh start -e wall -t -o collapsed -f /tmp/tts.collased --ttsp jpsnn# 发现safepoint问题产生后 ,停止采集并导出线程栈n$ ./profiler.sh stop -e wall -t -o collapsed -f /tmp/tts.collased --ttsp jpsnn# 线程栈转换为火焰图工具n$ wget https://github.com/jvm-profiling-tools/async-profiler/releases/download/v2.8/converter.jarn$ java -cp converter.jar FlameGraph /tmp/tts.collapsed tts.htmln
最开始,抓到的火焰图是这样的 ,如下:
由于我使用的是-e wall选项 ,这会把等待状态的线程栈也抓取下来 ,而safepoint发生时
,大多数线程都会等待,所以火焰图中包含了太多无效信息
。
于是 ,我调整为使用--all-user选项,这会只抓取在CPU上跑着的线程栈,同时将--ttsp调整为--begin SafepointSynchronize::print_safepoint_timeout --end RuntimeService::record_safepoint_synchronized ,以使得async-profiler仅在发生超时safepoint时才采集线程栈,因为safepoint超时的时候会调用SafepointSynchronize::print_safepoint_timeout方法打印上面介绍过的超时未到safepoint线程的日志。
调整后 ,抓到的火焰图是这样的,如下 :
发现没有到达safepoint的线程在执行getLoadAverage方法,这是java集成的prometheus监控组件,用来获取机器负载的
,这能有什么问题?
我又发现 ,最后一个到达safepoint的线程会调用Monitor::notify_all唤醒safepoint协调线程 ,那使用-e Monitor::notify_all抓取的线程栈会更加准确,如下:
如上
,最后一个到达safepoint的线程
,确实就在执行getLoadAverage方法,可这个方法能有什么问题呢?我用strace看了一下,这个方法也就是从/proc/loadavg伪文件中读取负载信息而已 。