原创：扣钉日记（微信公众号ID：codelogs），欢迎分享，转载请保留出处。

简介

最近我们系统出现了一些奇怪的现象，系统每隔几个星期会在大半夜重启一次，分析过程花费了很长时间，令人印象深刻，故在此记录一下。

第一次排查

由于重启后，进程现场信息都丢失了，所以这个问题非常难以排查，像常规的jstack、jmap、arthas等都派不上用场，能用得上的只有机器监控数据与日志。

在看机器监控时，发现重启时间点的CPU、磁盘io使用都会升高，但很快我们就确认了这个信息无任何帮助，因为jvm启动会由于类加载、GIT编译等导致CPU、磁盘io升高，所以这个升高是重启本身导致的，并不是导致问题的原因。

然后就是分析业务日志、内核日志，经过一段时间分析，结论如下：

1. 在重启的时间点，系统流量并没有明显上升。
2. 在dmesg日志中并没有找到oom-killer的痕迹，虽然这经常是导致进程莫名重启的原因。
3. 由于部署平台也可能会kill掉进程(当进程不响应健康检查请求时)，我们也怀疑是它们的误杀，但运维同学认为不可能误杀。

问题没有任何进一步的进展了，由于没有任何进程现场，为了排查问题，我开发了一个脚本，主要逻辑就是监控CPU、内存使用率，达到一个阈值后自动收集jstack、jmap信息，脚本部署之后就没继续排查了。

第二次排查

部署了脚本之后，过了几个小时，进程又重启了，但这次不是在大半夜，而是白天，又开始了排查的过程...

在这次排查过程中，我突然发现之前漏掉了对gc日志的检查，我赶紧打开gc日志看了起来，发现了下面这种输出：

Heap after GC invocations=15036 (full 0):
 garbage-first heap   total 10485760K, used 1457203K [0x0000000540800000, 0x0000000540c05000, 0x00000007c0800000)
  region size 4096K, 9 young (36864K), 9 survivors (36864K)
 Metaspace       used 185408K, capacity 211096K, committed 214016K, reserved 1236992K
  class space    used 21493K, capacity 25808K, committed 26368K, reserved 1048576K
}
 [Times: user=0.15 sys=0.04, real=0.06 secs] 
2021-03-06T09:49:25.564+0800: 914773.820: Total time for which application threads were stopped: 0.0585911 seconds, Stopping threads took: 0.0001795 seconds
2021-03-06T09:49:25.564+0800: 914773.820: [GC concurrent-string-deduplication, 7304.0B->3080.0B(4224.0B), avg 52.0%, 0.0000975 secs]
2021-03-06T09:50:31.544+0800: 914839.800: Total time for which application threads were stopped: 18.9777012 seconds, Stopping threads took: 18.9721235 seconds

啥，这代表什么意思，jvm暂停了18秒？但看上面那次gc只花了0.06秒呀！

不知道application threads were stopped: 18.9777012 seconds这个日志的具体含义，只好去网上搜索了，结论如下：

1. 这行日志确实代表了jvm暂停了18秒，即常说的STW。
2. 之所以会有这行日志，是因为有-XX:+PrintGCApplicationStoppedTime -XX:+PrintGCDetails这两个jvm参数。
3. 这个18秒并不是由gc造成的，在jvm中除了gc，还有safepoint机制会让jvm进入STW，比如jstack、jmap等操作就会触发safepoint机制，使得所有线程进入safepoint等待操作完成。
4. 一般来说，如果是gc造成的STW，会在上面有[Times: user=0.15 sys=0.04, real=0.06 secs]这样一行，所以你看上面那个gc造成的STW实际是0.0585911秒，四舍五入成了0.06秒。

什么是safepoint机制

简单来说，就是JVM在做某些特殊操作时，必须要所有线程都暂停起来，所以设计了safepoint这个机制，当JVM做这些特殊操作时(如Full GC、jstack、jmap等)，会让所有线程都进入安全点阻塞住，待这些操作执行完成后，线程才可恢复运行。
并且，jvm会在如下位置埋下safepoint，这是线程有机会停下来的地方：

1. 方法调用返回处会埋safepoint
2. 非counted loop(非有界循环)，即while(true)死循环这种，每次循环回跳之前会埋safepoint
3. 有界循环，如循环变量是long类型，有safepoint，循环变量是int类型，需要添加-XX:+UseCountedLoopSafepoints才有safepoint

经过一段时间的排查与思考，确认了这次STW是我自己开发的脚本导致的！因为随着jvm运行时间越来越长，老年代使用率会越来越高，但会在Full GC后降下来，而我的脚本直接检测老年代占用大于90%就jmap，导致触发了jvm的safepoint机制使所有线程需等待jmap完成，导致进程不响应请求，进而部署平台kill了进程。

其实脚本监控逻辑应该是在Full GC后，发现内存占用还是很高，才算内存异常case。

在了解到safepoint这个知识点后，在网上搜索了大量文章，主要提到了5组jvm参数，如下：

# 打开safepoint日志，日志会输出到jvm进程的标准输出里
-XX:+PrintSafepointStatistics -XX:PrintSafepointStatisticsCount=1  
# 当有线程进入Safepoint超过2000毫秒时，会认为进入Safepoint超时了，这时会打印哪些线程没有进入Safepoint
-XX:+SafepointTimeout -XX:SafepointTimeoutDelay=2000  
# 没有这个选项，JIT编译器可能会优化掉for循环处的safepoint，那么直到循环结束线程才能进入safepoint，而加了这个参数后，每次for循环都能进入safepoint了，建议加上此选项
-XX:+UseCountedLoopSafepoints  
# 在高并发应用中，偏向锁并不能带来性能提升，反而会触发很多没必要的Safepoint，建议加上此选项关闭偏向锁
-XX:-UseBiasedLocking
# 避免jvm定时进入safepoint，就如safepoint中的no vm operation操作就是jvm定时触发的safepoint
-XX:+UnlockDiagnosticVMOptions -XX:GuaranteedSafepointInterval=0

注：默认情况下，jvm将safepoint日志加到标准输出流里，由于我们使用的resin服务器，它有watchdog机制，导致safepoint日志写到了watchdog进程的${RESIN_HOME}/log/jvm-app-0.log中。

并且我发现网上有很多关于-XX:+UseCountedLoopSafepoints与-XX:-UseBiasedLocking导致长时间STW的问题案例，我当时几乎都觉得我加上这2个参数后，问题就解决了。

于是我并没有进一步去优化监控脚本，而是下掉了它，直接加上了这些jvm参数。

safepoint日志格式

加入以上jvm参数后，立即查看safepoint日志，格式如下：

$ less jvm-app-0.log
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
24.692: ForceSafepoint                   [      77          0              1    ]      [     0     0     0     0     0    ]  0   
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
25.607: G1IncCollectionPause             [      77          0              0    ]      [     0     0     0     0   418    ]  0   
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
26.947: Deoptimize                       [      77          0              0    ]      [     0     0     0     0     1    ]  0   
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
27.136: ForceSafepoint                   [      77          0              1    ]      [     0     0     0     0     0    ]  0   
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
28.137: no vm operation                  [      77          0              1    ]      [     0     0     0     0     0    ]  0

其中：

• 第一列是当前打印日志时间点，它是相对于进程启动后经过的秒数。
• 第二列是触发safepoint机制的操作，比如G1IncCollectionPause，看名称就知道是G1GC操作导致的暂停。
• 第三列是当前jvm线程情况
  total：STW发生时，当前jvm的线程数量
  initially_running ：STW发生时，仍在运行的线程数，这项是Spin阶段的时间来源
  wait_to_block ： STW需要阻塞的线程数目，这项是block阶段的时间来源
• 第四列是safepoint各阶段的耗时
  Spin：因为jvm在决定进入全局safepoint的时候，有的线程在安全点上，而有的线程不在安全点上，这个阶段是等待未在安全点上的线程进入安全点的时间。
  Block：即使进入safepoint，后进入safepoint的部分线程可能仍然是running状态，这是等待它们阻塞起来花费的时间。
  Sync：等于Spin + Block + 其它活动耗时，gc的STW日志最后的Stopping threads took等于Spin + Block。
  Cleanup：这个阶段是JVM做的一些内部的清理工作。
  vmop：实际safepoint操作花费的时间，如G1IncCollectionPause(GC暂停),Deoptimize(代码反优化),RevokeBias(偏向锁撤销)，PrintThreads(jstack)，GC_HeapInspection(jmap -histo)，HeapDumper(jmap -dump)。

第三次排查

过了几个星期后，问题又出现了，接下来就是检查gc与safepoint日志了，一看日志发现，果然有很长时间的STW，且不是gc造成的，如下：

1. 首先查看gc日志，发现有超过16s的STW，并且不是gc造成的，如下：

# 发现有16s的STW
$ less gc-*.log
Heap after GC invocations=1 (full 0):
 garbage-first heap   total 10485760K, used 21971K [0x0000000540800000, 0x0000000540c05000, 0x00000007c0800000)
  region size 4096K, 6 young (24576K), 6 survivors (24576K)
 Metaspace       used 25664K, capacity 26034K, committed 26496K, reserved 1073152K
  class space    used 3506K, capacity 3651K, committed 3712K, reserved 1048576K
}
 [Times: user=0.13 sys=0.02, real=0.04 secs] 
2021-04-02T00:00:00.192+0800: 384896.192: Total time for which application threads were stopped: 0.0423070 seconds, Stopping threads took: 0.0000684 seconds
2021-04-02T00:00:00.193+0800: 384896.193: Total time for which application threads were stopped: 0.0006532 seconds, Stopping threads took: 0.0000582 seconds
2021-04-02T00:00:00.193+0800: 384896.193: Total time for which application threads were stopped: 0.0007572 seconds, Stopping threads took: 0.0000582 seconds
2021-04-02T00:00:00.194+0800: 384896.194: Total time for which application threads were stopped: 0.0006226 seconds, Stopping threads took: 0.0000665 seconds
2021-04-02T00:00:00.318+0800: 384896.318: Total time for which application threads were stopped: 0.1240032 seconds, Stopping threads took: 0.0000535 seconds
2021-04-02T00:00:00.442+0800: 384896.442: Total time for which application threads were stopped: 0.1240013 seconds, Stopping threads took: 0.0007532 seconds
2021-04-02T00:00:16.544+0800: 384912.544: Total time for which application threads were stopped: 16.1020012 seconds, Stopping threads took: 0.0000465 seconds
2021-04-02T13:04:48.545+0800: 384912.545: Total time for which application threads were stopped: 0.0007232 seconds, Stopping threads took: 0.0000462 seconds

2. 再查看safepoint日志，发现有16s的safepoint操作，触发事件是HeapWalkOperation，如下：

# safepoint日志也发现16s的HeapWalkOperation操作
$ less jvm-app-0.log
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
384896.193: FindDeadlocks                    [      96          0              0    ]      [     0     0     0     0     0    ]  0
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
384896.193: ForceSafepoint                   [      98          0              0    ]      [     0     0     0     0     0    ]  0
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
384896.194: ThreadDump                       [      98          0              0    ]      [     0     0     0     0    124    ]  0
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
384896.318: ThreadDump                       [      98          0              0    ]      [     0     0     0     0    124    ]  0
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
384896.442: HeapWalkOperation                [      98          0              0    ]      [     0     0     0     0   16102    ]  0
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
384912.545: no vm operation                  [      98          0              0    ]      [     0     0     0     0     0    ]  0

3. 对比两个日志的时间点，发现时间点是吻合的，如下：

# 查看进程启动时间点
$ ps h -o lstart -C java|xargs -i date -d '{}' +'%F %T'
2021-03-28 13:05:03  # watchdog进程
2021-03-28 13:05:04  # 这个才是服务进程

# 由于safepoint记录的时间点是相对于进程启动的秒数，而HeapWalkOperation对应的秒数是384896.442
# 用date给时间加上秒数，减的话用 xx seconds ago
$ date -d '2021-03-28 13:05:04 384896 seconds'  +'%F %T'
2021-04-02 00:00:00

可以发现gc日志中STW是2021-04-02T00:00:16，而safepoint中是2021-04-02 00:00:00，刚好差了16s，时间差值刚好等于STW时间，这是由于gc日志记录的是STW发生之后的时间，而safepoint日志记录的是STW发生之前的时间，所以这两个日志时间点是吻合的，16s的STW正是由HeapWalkOperation导致的。

从名称看起来像是在执行堆内存遍历操作，类似jmap那种，但我的脚本已经下掉了呀，不可能还有jmap操作呀，机器上除了我的resin服务器进程，也没有其它的进程了呀！

到这里，已经找到了一部分原因，但不知道是怎么造成的，苦苦寻找根因中...

第N次排查

已经记不得是第几次排查了，反正问题又出现了好几次，但这次咱把根因给找到了，过程如下：

1. 还是如上面过程一样，检查gc日志、safepoint日志，如下：

# gc日志中发现14s的STW
$ less gc-*.log
2021-05-16T00:00:14.634+0800: 324412.634: Total time for which application threads were stopped: 14.1570012 seconds, Stopping threads took: 0.0000672 seconds

# safepoint日志中同样有14s的HeapWalkOperation操作
$ less jvm-app-0.log
         vmop                    [threads: total initially_running wait_to_block]    [time: spin block sync cleanup vmop] page_trap_count
324398.477: HeapWalkOperation                [      98          0              0    ]      [     0     0     0     0   14157    ]  0

现象和之前一模一样，现在的关键还是不知道HeapWalkOperation是由什么原因导致的。

2. 源于最近一直在学习Linux命令，并且正在总结grep的用法，我随手在resin目录递归的grep了一下heap这个词，如下：

# -i 忽略大小写搜索
# -r 递归的搜索，在当前目录/子目录/子子目录的所有文件中搜索heap
# -n 打印出匹配行的行号
$ grep -irn heap

我竟意外发现，resin中有HeapDump相关的配置，好像是resin中的一些健康检查的机制。

经过一翻resin官网的学习，确认了resin有各种健康检查机制，比如，每个星期的0点，会生成一份pdf报告，这个报告的数据就来源于类似jstack、jmap这样的操作，只是它是通过调用jdk的某些方法实现的。
resin健康检查机制的介绍：http://www.caucho.com/resin-4.0/admin/health-checking.xtp

  <health:PdfReport>
    <path>${resin.root}/doc/admin/pdf-gen.php</path>
    <report>Summary</report>
    <period>7D</period>
    <snapshot/>
    <mail-to>${email}</mail-to>
    <mail-from>${email_from}</mail-from>
    <!-- <profile-time>60s</profile-time> -->

    <health:IfCron value="0 0 * * 0"/>
  </health:PdfReport>

此机制会在${RESIN_HOME}/log目录下生成pdf报告，如下：

$ ls -l
-rw-r--r-- 1 work work 2539860 2021-05-02 00:00:26 app-0-Summary-20210502T0000.pdf
-rw-rw-r-- 1 work work 3383712 2021-05-09 00:00:11 app-0-Summary-20210509T0000.pdf
-rw-rw-r-- 1 work work 1814296 2021-05-16 00:00:16 app-0-Summary-20210516T0000.pdf

由于堆遍历这样的操作，耗时时间完全和当时jvm的内存占用情况有关，内存占用高遍历时间长，占用低则遍历时间短，因此有时暂停时间会触发部署平台kill进程的时间阈值，有时又不会，所以我们的重启现象也不是每周的0点，使得没有注意到0点的这个时间规律。

于是我直接找到resin的health.xml，将健康检查相关机制全关闭了，如下：

<health:ActionSequence>
    <health:IfHealthCritical time="2m"/>

    <health:FailSafeRestart timeout="10m"/>
    <health:DumpJmx/>
    <!-- <health:DumpThreads/> -->     <!-- 注释掉这个 -->
    <health:ScoreboardReport/>
    <!-- <health:DumpHeap/> -->        <!-- 注释掉这个 -->
    <!-- <health:DumpHeap hprof="true" hprof-path="${resin.logDirectory}/heap.hprof"/> -->   <!-- 注释掉这个 -->
    <health:StartProfiler active-time="2m" wait="true"/> 
    <health:Restart/>
</health:ActionSequence>

<health:MemoryTenuredHealthCheck>
    <enabled>false</enabled>            <!-- 添加这个 -->
    <memory-free-min>1m</memory-free-min>
</health:MemoryTenuredHealthCheck>
  
<health:MemoryPermGenHealthCheck>
    <enabled>false</enabled>            <!-- 添加这个 -->
    <memory-free-min>1m</memory-free-min>
</health:MemoryPermGenHealthCheck>
  
<health:CpuHealthCheck>
    <enabled>false</enabled>           <!-- 添加这个 -->
    <warning-threshold>95</warning-threshold>
    <!--  <critical-threshold>99</critical-threshold> -->
</health:CpuHealthCheck>

<health:DumpThreads>
    <health:Or>
      <health:IfHealthWarning healthCheck="${cpuHealthCheck}" time="2m"/>
      <!-- <health:IfHealthEvent regexp="caucho.thread"/> -->  <!-- 注释掉这个，这个event由<health:AnomalyAnalyzer>定义 -->
    </health:Or>
    <health:IfNotRecent time="15m"/>
</health:DumpThreads>

<health:JvmDeadlockHealthCheck>
    <enabled>false</enabled>            <!-- 添加这个 -->
<health:JvmDeadlockHealthCheck/>

<health:DumpJmx async="true">       <!-- 删除这种节点 -->
    <health:OnStart/>
</health:DumpJmx>

<health:Snapshot>   <!-- 删除这种节点 -->
    <health:OnAbnormalStop/>
</health:Snapshot>

<health:AnomalyAnalyzer>  <!-- 删除这种节点 -->

<health:PdfReport>  <!-- 删除这种节点 -->

这样配置以后，过了2个月，再也没出现重启现象了，确认了问题已解决。

总结

这次问题排查有一定的思路，但最后排查出根因的契机，还是有点像撞大运似的，自己随机grep了一把发现线索，但下次就不知道会不会碰到这种运气了。

后面想了想，这种问题常规的排查思路还是要挂脚本，运行追踪程序perf、bpftrace等，在jvm执行safepoint操作的入口函数加入探针probe，当发现safepoint操作时间超长时，打印出相关jvm原生调用栈与java调用栈即可，关于追踪工具，之前有过这方面的介绍，感兴趣可以看下：

Linux命令拾遗-动态追踪工具

Linux命令拾遗-剖析工具