目前最全的 Java 服务问题排查套路

问题分类：

1. CPU问题

2. 内存问题（GC问题、内存泄漏、 OOM，Coredump 等）

3. I/O问题

问题排查工具箱：

系统级别的工具：

1. top：查看系统/进程cpu、内存、swap等资源占用情况的必备工具。

2. pmap：可以用来分析进程内部内存分布情况。

3. strace：用来跟踪进程执行时的系统调用和所接收的信号，比如可以用来追踪进程向系统申请内存资源等。

4. gperftools：一个性能分析工具，可以用于内存泄漏、cpu性能检测等。

5. gdb：基于命令行的、功能强大的程序调试工具，是c/c++开发的必备工具（JVM底层就是用c实现的）。

6. iostat：用来动态监视系统的磁盘操作活动。

7. iotop：界面类似于top， 但是监视Linux的磁盘I / O的使用细节。

8. vmstat：可实时动态监视操作系统的虚拟内存、进程、CPU活动。

9. netstat： 各种网络相关信息，如网络连接，路由表，接口状态 。

10. dstat： 可以取代vmstat，iostat，netstat和ifstat这些命令的多功能产品。

Java层面的命令：

1. Jps：查看Java进程。

2. Jstat： JVM统计信息监控。

3. Jinfo：查看运行中的Java程序的运行环境参数。

4. Jstack：查看 JVM中当前所有线程的运行情况和线程当前状态。

5. Jcmd：它是一个多功能的工具，可以用它来导出堆、查看Java进程、导出线程信息、执行GC、还可以进行采样分析等。

6. Jmap：查看JVM进程的的堆内内存占用情况，是堆内内存定位神器，往往和MAT配合使用。

7. VJmap：唯品会开发的工具，分代版的jmap，但仅仅适用于CMS GC。

8. Btrace：可以在不重启服务时，动态追踪程序运营细节的工具。

9. Arthas：功能非常强大的Java诊断工具；可以做到动态跟踪代码、实时监控JVM状态等功能。

10. MAT(Memory Analyzer)：JVM内存、线程分析工具，能够对给出内存分析报告。

11. GCLogViewer：GC log趋势分析工具，能够检测内存泄露及日志比较。

12. JProfiler：Java性能瓶颈分析工具，分析 CPU,Thread,Memory功能尤其强大，是做性能优化的必备工具。

常见问题分析步骤：

CPU问题：

排查思路：一般情况下可以直接使用top命令，查看cpu负载是否很高，并且找出cpu占用量最高的进程（假设是Java进程）；然后使用“top -H -p pid”，去找到哪些线程占用量最高，最后使用jstack去查看占用量最高线程。另外我们还可以根据是内核态消耗cpu太高还是用户态消耗cpu太高；要是内核态需要关注cpu切换、锁、io等，如果是用户态则需要关注计算、循环、GC等问题。

例子： CPU上下文切换导致服务雪崩 。

内存问题：

coredump：

排查思路：一般情况下，进程coredump的时候都会留下coredump文件，coredump文件的存储位置配置在/proc/sys/kernel/core_pattern文件下。并且jvm本身也会生成一个crash报告文件，该文件的可以大概的反映出一个当时的情况，但是coredump文件能获取的信息更多。可以使用gdb工具来进行调试coredump文件，找到具体原因。

例子： 如何定位Java程序coredump的位置

OOM（out of memory）：

oom就是内存不足，jvm中内存不足有以下三种：

• Exception in thread "main" java.lang.OutOfMemoryError: unable to create new native thread---没有足够的内存空间为该线程分配java栈。

  解决办法：很多资料说可以通过调整Xss参数可解决问题，事实上系统采用的延迟分配，所有系统并不会给每个线程都分配Xss的真实内存，是按需分配的。

  出现这种情况至少95%情况是因为使用线程池（ExecutorService），忘记调用shutdown了，还有少部分情况可能是系统参数配置有问题，比如 max_threads、 max_user_processes过小。

• Exception in thread "main" java.lang.OutOfMemoryError: Java heap space---堆的内存占用已经达到-Xmx设置的最大值。

  解决办法：调整-Xmx的值，或者存在内存泄漏，按照内存泄漏的思路查找。

• Caused by: java.lang.OutOfMemoryError: PermGen space---方法区的内存占用已经达到-XX:MaxPermSize设置的最大值。

  解决办法：调整-XX:MaxPermSize的值。

StackOverflow：

• Exception in thread "main" java.lang.StackOverflowError --- 线程栈需要的内存大于Xss值。

  解决办法：调整 Xss 的值。

堆内内存泄漏：

1. 查看gc情况是否正常，堆内内存泄漏总是和gc异常相伴随的。

2. jmap -dump:live,file=mem.map pid把内存dump下来。

3. 通过mat(memory analyzer)分析内存对象及调用链，发现无法回收的对象。

堆外内存泄漏：

思路：堆外内存一般分为使用unsafe或者ByteBuffer申请的和使用native方式申请的。比如对于 unsafe典型应用场景就是Netty，而对于native方式典型应用场景是解压包（ZipFile），笔者遇到的堆外内存泄漏90%都跟这两者相关，当然还有其他情况，比如直接使用 JavaCPP申请堆外内存（底层就是native方式）。对于堆外内存泄漏一般gperftools+btrace这组组合工具基本上都能搞定，如果不行的话，可能就需要系统底层工具了，比如 strace等。

另外，虽然堆外内存不属于堆内，但是其引用在堆内；有时候在直接查看堆外不方便或者没有结论时，可以查看堆内是否有异常对象。

例子： spring boot 引起的 “堆外内存泄漏”

GC问题排查：

• young gc单次时间太长

  排查思路：根据gc log(G1)，查看耗时是在Root Scanning、Object Copy、Ref Proc等哪 个阶段。如果Ref Proc耗时久，则需要关注引用相关的对象；如果Root Scanning耗时久，则需要关注线程数、跨代引用等。Object Copy则需要关注对象生存周期（可以使用VJmap工具）。

  例子：线上把两个服务合并成一个服务之后，发现上游服务超时变多，服务整体可用性降低。通过查看监控发现young gc时间变高很多，young gc日志如下：  

  

  和其他项目对比，发现Root Scanning的时间较高，查看项目监控发现线程数太多，高达4000多个。于是通过Hystrix信号量+RPC异步化去改造项目，把线程数目降低到800左右。young gc的平均时间由37降低到了21毫秒，达到预期。

  

• young gc频率太高

  排查思路：查看-Xmn、-XX:SurvivorRatio等参数设置是否合理，能否通过调整jvm参数到达目的；如果参数正常，但是young gc频率还是太高，需要使用Jmap/MAT等工具参看业务代码是否生成的对象是否合理。

  例子：有一次在项目接入部分用户全链路日志的时候，发现young gc频率飙升了很多。使用Jmap发现JSON对象，发现相关的代码如下：

  

  从代码中我们可以看出，不管是否需要输入全链路日志都会生成JSON对象，很明显不符合预期。

• full gc单次时间太长

  排查思路： 查看old的区域配置是否过大，过大可以适当调小一些。如果是cms，可以查看是在Inital mark阶段时间太久Re mark阶段，如果是 Re mark阶段 可以添加-XX:+CMSScavengeBeforeRemark参数。如果服务太在意full gc时间，可以采用主动full gc的方式，具体的实现原理可以参考： 谈谈项目中主动full gc的一些问题 。

• full gc频率太高

  排查思路：这种情况应该是java最常遇到，也是情况最为复杂的。其实主要思路还是首先要看出发full/major gc的原因，比如对于cms gc，一般情况下发生的条件，就是perm或者old到达阈值。如果是old区域主要还是要看为什么对象会那么快晋升到老年代。如果配置的是cms，发生的确实full gc，就需要查看满足哪种条件的full gc，找出具体的原因。

  例子： Redis client链接池配置不当引起的频繁full gc 、 一个诡异的full gc查找问题 、 Full GC问题排查案例

IO问题：

排查思路：直接使用 iotop能够直接查看哪些线程在做IO，然后在用jstack去定位具体的代码。

问题排查的方法论

一般Java服务发生问题可能伴随着多种现象，比如：cpu飙升、gc飙升等问题，这时候我们必须要遵循 “ 现象-问题-原因-方案 ”这个步骤去解决问题。

1. 列举所有异常现象。比如：服务响应时间飙升、cpu飙升、full gc飙升；

2. 列举所有的问题。步骤一 中所有的异常现象不一定都有问题，比如现象A导致了现象B，那么我们应该现象A是问题，现象B是结果，不是我们问题查找的主力方向。

3. 查找原因。步骤二中的问题，有难易程度，比如cpu飙升就比full gc飙升问题容易排查。所以这步中我们先按照从易到难的程度排查。

4. 原因确定之后，就可以给出具体解决方案，然后验证它。

例子： 服务响应时间飙升问题排查记