很多人在面試時(shí)，會(huì)被問(wèn)到這樣的問(wèn)題：遇到過(guò)什么系統(tǒng)故障?怎么解決的?

[[332948]]

 

圖片來(lái)自 Pexels

下面是筆者根據(jù)自己 15 年互聯(lián)網(wǎng)研發(fā)經(jīng)歷總結(jié)的多個(gè)線上故障真實(shí)案例。相信可以幫你從容應(yīng)對(duì)面試官的提問(wèn)!本文圖不多，但內(nèi)容很干!理解為主，面試為輔，學(xué)以致用!

故障一：JVM頻繁FULL GC快速排查

在分享此案例前，先聊聊哪些場(chǎng)景會(huì)導(dǎo)致頻繁 Full GC：

• 內(nèi)存泄漏(代碼有問(wèn)題，對(duì)象引用沒(méi)及時(shí)釋放，導(dǎo)致對(duì)象不能及時(shí)回收)
• 死循環(huán)
• 大對(duì)象

尤其是大對(duì)象，80% 以上的情況就是它，那么大對(duì)象從哪里來(lái)的呢?

• 數(shù)據(jù)庫(kù)(包括 MySQL 和 MongoDB 等 NoSQL 數(shù)據(jù)庫(kù))，結(jié)果集太大
• 第三方接口傳輸?shù)拇髮?duì)象
• 消息隊(duì)列，消息太大

根據(jù)多年一線互聯(lián)網(wǎng)經(jīng)驗(yàn)，絕大部分情況是數(shù)據(jù)庫(kù)大結(jié)果集導(dǎo)致。

好，現(xiàn)在我們開(kāi)始介紹這次線上故障：在沒(méi)有任何發(fā)布的情況下，POP 服務(wù)(接入第三方商家的服務(wù))突然開(kāi)始瘋狂 Full GC，觀察堆內(nèi)存監(jiān)控沒(méi)內(nèi)存泄漏，回滾到前一版本，問(wèn)題仍然存在，尷尬了!!!

按照常規(guī)做法，一般先用 jmap 導(dǎo)出堆內(nèi)存快照(jmap -dump:format=b,file=文件名 [pid])，然后用 mat 等工具分析出什么對(duì)象占用了大量空間，再查看相關(guān)引用找到問(wèn)題代碼。

這種方式定位問(wèn)題周期會(huì)比較長(zhǎng)，如果是關(guān)鍵服務(wù)，長(zhǎng)時(shí)間不能定位解決問(wèn)題，影響太大。

下面來(lái)看看我們的做法：先按照常規(guī)做法分析堆內(nèi)存快照，與此同時(shí)另外的同學(xué)去查看數(shù)據(jù)庫(kù)服務(wù)器網(wǎng)絡(luò) IO 監(jiān)控。

如果數(shù)據(jù)庫(kù)服務(wù)器網(wǎng)絡(luò) IO 有明顯上升，并且時(shí)間點(diǎn)吻合，基本可以確定是數(shù)據(jù)庫(kù)大結(jié)果集導(dǎo)致了 Full GC，趕緊找 DBA 快速定位大 SQL(對(duì) DBA 來(lái)說(shuō)很簡(jiǎn)單，分分鐘搞定，如果 DBA 不知道怎么定位，那他要被開(kāi)除了，哈哈)，定位到 SQL 后再定位代碼就非常簡(jiǎn)單了。

按照這種辦法，我們很快定位了問(wèn)題。原來(lái)是一個(gè)接口必傳的參數(shù)沒(méi)傳進(jìn)來(lái)，也沒(méi)加校驗(yàn)，導(dǎo)致 SQL 語(yǔ)句 where 后面少了兩個(gè)條件，一次查幾萬(wàn)條記錄出來(lái)，真坑啊!這種方法是不是要快很多，哈哈，5 分鐘搞定。

當(dāng)時(shí)的 DAO 層是基于 Mybatis 實(shí)現(xiàn)的，出問(wèn)題的 SQL 語(yǔ)句如下：

<select id="selectOrders" resultType="com.***.Order" > 
 
select * from user where 1=1 
<if test=" orderID != null "> 
and order_id = #{orderID} 
</if > 
 
<if test="userID !=null"> 
and user_id=#{userID} 
</if > 
 
<if test="startTime !=null"> 
and create_time >= #{createTime} 
</if > 
 
<if test="endTime !=null"> 
and create_time <= #{userID} 
</if > 
 
</select> 

上面 SQL 語(yǔ)句意思是根據(jù) orderID 查一個(gè)訂單，或者根據(jù) userID 查一個(gè)用戶所有的訂單，兩個(gè)參數(shù)至少要傳一個(gè)。

但是兩個(gè)參數(shù)都沒(méi)傳，只傳了 startTime 和 endTime。所以一次 Select 就查出了幾萬(wàn)條記錄。

所以我們?cè)谑褂?Mybatis 的時(shí)候一定要慎用 if test，一不小心就會(huì)帶來(lái)災(zāi)難。后來(lái)我們將上面的 SQL 拆成了兩個(gè)。

根據(jù)訂單 ID 查詢訂單：

<select id="selectOrderByID" resultType="com.***.Order" > 
 
select * from user where 
 
order_id = #{orderID} 
 
 
</select> 

根據(jù) userID 查詢訂單：

<select id="selectOrdersByUserID" resultType="com.***.Order" > 
 
select * from user where 
user_id=#{userID} 
 
<if test="startTime !=null"> 
and create_time >= #{createTime} 
</if > 
 
<if test="endTime !=null"> 
and create_time <= #{userID} 
</if > 
 
</select> 

故障二：內(nèi)存泄漏

介紹案例前，先了解一下內(nèi)存泄漏和內(nèi)存溢出的區(qū)別。

內(nèi)存溢出：程序沒(méi)有足夠的內(nèi)存使用時(shí)，就會(huì)發(fā)生內(nèi)存溢出。內(nèi)存溢出后程序基本上就無(wú)法正常運(yùn)行了。

內(nèi)存泄漏：當(dāng)程序不能及時(shí)釋放內(nèi)存，導(dǎo)致占用內(nèi)存逐漸增加，就是內(nèi)存泄漏。

內(nèi)存泄漏一般不會(huì)導(dǎo)致程序無(wú)法運(yùn)行。不過(guò)持續(xù)的內(nèi)存泄漏，累積到內(nèi)存上限時(shí)，就會(huì)發(fā)生內(nèi)存溢出。

在 Java 中，如果發(fā)生內(nèi)存泄漏，會(huì)導(dǎo)致 GC 回收不徹底，每次 GC 后，堆內(nèi)存使用率逐漸增高。

下圖是 JVM 發(fā)生內(nèi)存泄漏的監(jiān)控圖，我們可以看到每次 GC 后堆內(nèi)存使用率都比以前提高了。

 

圖片來(lái)源于網(wǎng)絡(luò)

當(dāng)時(shí)內(nèi)存泄漏的場(chǎng)景是，用本地緩存(公司基礎(chǔ)架構(gòu)組自己研發(fā)的框架)存放了商品數(shù)據(jù)，商品數(shù)量不算太多，幾十萬(wàn)的樣子。

如果只存熱點(diǎn)商品，內(nèi)存占用不會(huì)太大，但是如果存放全量商品，內(nèi)存就不夠了。

初期我們給每個(gè)緩存記錄都加了 7 天的過(guò)期時(shí)間，這樣就可以保證緩存中絕大部分都是熱點(diǎn)商品。

不過(guò)后來(lái)本地緩存框架經(jīng)過(guò)一次重構(gòu)，過(guò)期時(shí)間被去掉了。沒(méi)有了過(guò)期時(shí)間，日積月累本地緩存越來(lái)越大，很多冷數(shù)據(jù)也被加載到了緩存。直到有一天接到告警短信，提示堆內(nèi)存過(guò)高。

趕緊通過(guò) jmap(jmap -dump:format=b,file=文件名 [pid] )下載了堆內(nèi)存快照，然后用 eclipse 的 mat 工具分析快照，發(fā)現(xiàn)了本地緩存中有大量的商品記錄。定位問(wèn)題后趕緊讓架構(gòu)組加上了過(guò)期時(shí)間，然后逐個(gè)節(jié)點(diǎn)重啟了服務(wù)。

虧了我們加了服務(wù)器內(nèi)存和 JVM 堆內(nèi)存監(jiān)控，及時(shí)發(fā)現(xiàn)了內(nèi)存泄漏的問(wèn)題。否則隨著泄漏問(wèn)題日積月累，如果哪天真的 OOM 就慘了。

所以技術(shù)團(tuán)隊(duì)除了做好 CPU，內(nèi)存等運(yùn)維監(jiān)控，JVM 監(jiān)控也非常重要。

故障三：冪等問(wèn)題

很多年前，筆者在一家大型電商公司做 Java 程序員，當(dāng)時(shí)開(kāi)發(fā)了積分服務(wù)。當(dāng)時(shí)的業(yè)務(wù)邏輯是，用戶訂單完結(jié)后，訂單系統(tǒng)發(fā)送消息到消息隊(duì)列，積分服務(wù)接到消息后給用戶積分，在用戶現(xiàn)有的積分上加上新產(chǎn)生的積分。

由于網(wǎng)絡(luò)等原因會(huì)有消息重復(fù)發(fā)送的情況，這樣也就導(dǎo)致了消息的重復(fù)消費(fèi)。當(dāng)時(shí)筆者還是個(gè)初入職場(chǎng)的小菜鳥(niǎo)，并沒(méi)有考慮到這種情況。

所以上線后偶爾會(huì)出現(xiàn)重復(fù)積分的情況，也就是一個(gè)訂單完結(jié)后會(huì)給用戶加兩次或多次積分。

后來(lái)我們加了一個(gè)積分記錄表，每次消費(fèi)消息給用戶增加積分前，先根據(jù)訂單號(hào)查一遍積分記錄表，如果沒(méi)有積分記錄才給用戶增加積分。

這也就是所謂的“冪等性”，即多次重復(fù)操作不影響最終的結(jié)果。實(shí)際開(kāi)發(fā)中很多需要重試或重復(fù)消費(fèi)的場(chǎng)景都要實(shí)現(xiàn)冪等，以保證結(jié)果的正確性。例如，為了避免重復(fù)支付，支付接口也要實(shí)現(xiàn)冪等。

故障四：緩存雪崩

我們經(jīng)常會(huì)遇到需要初始化緩存的情況。比如，我們?cè)?jīng)經(jīng)歷過(guò)用戶系統(tǒng)重構(gòu)，用戶系統(tǒng)表結(jié)構(gòu)發(fā)生了變化，緩存信息也要變。

重構(gòu)完成后上線前，需要初始化緩存，將用戶信息批量存入 Reids。每條用戶信息緩存記錄過(guò)期時(shí)間是 1 天，記錄過(guò)期后再?gòu)臄?shù)據(jù)庫(kù)查詢最新的數(shù)據(jù)并拉取到 Redis 中。

灰度上線時(shí)一切正常，所以很快就全量發(fā)布了。整個(gè)上線過(guò)程非常順利，碼農(nóng)們也很開(kāi)心。

不過(guò)，第二天，災(zāi)難發(fā)生了!到某一個(gè)時(shí)間點(diǎn)，各種報(bào)警紛至沓來(lái)。用戶系統(tǒng)響應(yīng)突然變得非常慢，甚至一度沒(méi)有任何響應(yīng)。

查看監(jiān)控，用戶服務(wù) CPU 突然飆高(IO wait 很高)，MySQL 訪問(wèn)量激增，MySQL 服務(wù)器壓力也隨之暴增，Reids 緩存命中率也跌到了極點(diǎn)。

依賴于我們強(qiáng)大的監(jiān)控系統(tǒng)(運(yùn)維監(jiān)控，數(shù)據(jù)庫(kù)監(jiān)控，APM 全鏈路性能監(jiān)控)，很快定位了問(wèn)題。

原因就是 Reids 中大量用戶記錄集中失效，獲取用戶信息的請(qǐng)求在 Redis 中查不到用戶記錄，導(dǎo)致大量的請(qǐng)求穿透到數(shù)據(jù)庫(kù)，瞬間給數(shù)據(jù)庫(kù)帶來(lái)巨大壓力。同時(shí)用戶服務(wù)和相關(guān)聯(lián)的其他服務(wù)也都受到了影響。

這種緩存集中失效，導(dǎo)致大量請(qǐng)求同時(shí)穿透到數(shù)據(jù)庫(kù)的情況，就是所謂的“緩存雪崩”。

如果沒(méi)到緩存失效時(shí)間點(diǎn)，性能測(cè)試也測(cè)不出問(wèn)題。所以一定要引起大家注意。所以，需要初始化緩存數(shù)據(jù)時(shí)，一定要保證每個(gè)緩存記錄過(guò)期時(shí)間的離散性。

例如，我們給這些用戶信息設(shè)置過(guò)期時(shí)間，可以采用一個(gè)較大的固定值加上一個(gè)較小的隨機(jī)值。比如過(guò)期時(shí)間可以是：24 小時(shí)+0 到 3600 秒的隨機(jī)值。

故障五：磁盤 IO 導(dǎo)致線程阻塞

問(wèn)題發(fā)生在 2017 年下半年，有一段時(shí)間地理網(wǎng)格服務(wù)時(shí)不常的會(huì)響應(yīng)變慢，每次持續(xù)幾秒鐘到幾十秒鐘就自動(dòng)恢復(fù)。

如果響應(yīng)變慢是持續(xù)的還好辦，直接用 jstack 抓線程堆棧，基本可以很快定位問(wèn)題。

關(guān)鍵持續(xù)時(shí)間只有最多幾十秒鐘，而且是偶發(fā)的，一天只發(fā)生一兩次，有時(shí)幾天才發(fā)生一次，發(fā)生時(shí)間點(diǎn)也不確定，人盯著然后用 jstack 手工抓線程堆棧顯然不現(xiàn)實(shí)。

好吧，既然手工的辦法不現(xiàn)實(shí)，咱們就來(lái)自動(dòng)的，寫一個(gè)shell腳本自動(dòng)定時(shí)執(zhí)行 jstack，5 秒執(zhí)行一次 jstack，每次執(zhí)行結(jié)果放到不同日志文件中，只保存 20000 個(gè)日志文件。

Shell 腳本如下：

#!/bin/bash 
num=0 
log="/tmp/jstack_thread_log/thread_info" 
 
cd /tmp 
if [ ! -d "jstack_thread_log" ]; then 
   mkdir jstack_thread_log 
fi 
 
while ((num <= 10000)); 
 
  do 
 
    ID=`ps -ef | grep java | grep gaea | grep -v "grep" | awk '{print $2}'` 
 
    if [ -n "$ID" ]; then 
  jstack $ID >> ${log}   
    fi 
 
    num=$(( $num + 1 )) 
 
    mod=$(( $num%100 )) 
 
    if [ $mod -eq 0 ]; then 
  back=$log$num 
  mv $log $back 
    fi 
 
    sleep 5 
 
done 

下一次響應(yīng)變慢的時(shí)候，我們找到對(duì)應(yīng)時(shí)間點(diǎn)的 jstack 日志文件，發(fā)現(xiàn)里面有很多線程阻塞在 logback 輸出日志的過(guò)程。

后來(lái)我們精簡(jiǎn)了 log，并且把 log 輸出改成異步，問(wèn)題解決了，這個(gè)腳本果真好用!建議大家保留，以后遇到類似問(wèn)題時(shí)，可以拿來(lái)用!

故障六：數(shù)據(jù)庫(kù)死鎖問(wèn)題

在分析案例之前，我們先了解一下 MySQL INNODB。在 MySQL INNODB 引擎中主鍵是采用聚簇索引的形式，即在 B 樹(shù)的葉子節(jié)點(diǎn)中既存儲(chǔ)了索引值也存儲(chǔ)了數(shù)據(jù)記錄，即數(shù)據(jù)記錄和主鍵索引是存在一起的。

而普通索引的葉子節(jié)點(diǎn)存儲(chǔ)的只是主鍵索引的值，一次查詢找到普通索引的葉子節(jié)點(diǎn)后，還要根據(jù)葉子節(jié)點(diǎn)中的主鍵索引去找到聚簇索引葉子節(jié)點(diǎn)并拿到其中的具體數(shù)據(jù)記錄，這個(gè)過(guò)程也叫“回表”。

故障發(fā)生的場(chǎng)景是關(guān)于我們商城的訂單系統(tǒng)。有一個(gè)定時(shí)任務(wù)，每一小時(shí)跑一次，每次把所有一小時(shí)前未支付訂單取消掉。而客服后臺(tái)也可以批量取消訂單。

訂單表 t_order 結(jié)構(gòu)大至如下：

 

id 是表的主鍵，created_time 字段上是普通索引。

聚簇索引(主鍵 id)：

 

普通索引(created_time字段 )：

 

定時(shí)任務(wù)每一小時(shí)跑一次，每次把所有一小時(shí)前兩小時(shí)內(nèi)的未支付訂單取消掉，比如上午 11 點(diǎn)會(huì)取消 8 點(diǎn)到 10 點(diǎn)的未支付訂單。

SQL 語(yǔ)句如下：

update t_order set status = 'CANCELLED' where created_time > '2020-01-01 08:00:00' and created_time < '2020-01-01 10:00:00' and status = 'UNPAID' 

客服批量取消訂單 SQL 如下：

update t_order set status = 'CANCELLED' where id in (2, 3, 5) and status = 'UNPAID' 

上面的兩條語(yǔ)句同時(shí)執(zhí)行就可能發(fā)生死鎖，我們來(lái)分析一下原因。

第一條定時(shí)任務(wù)的 SQL，會(huì)先找到 created_time 普通索引并加鎖，然后再在找到主鍵索引并加鎖。

第一步，created_time 普通索引加鎖：

 

第二步，主鍵索引加鎖：

 

第二條客服批量取消訂單 SQL，直接走主鍵索引，直接在主鍵索引上加鎖。

我們可以看到，定時(shí)任務(wù) SQL 對(duì)主鍵加鎖順序是 5，4，3，2。客服批量取消訂單 SQL 對(duì)主鍵加鎖順序是 2，3，5。

 

當(dāng)?shù)谝粋€(gè) SQL 對(duì) 3 加鎖后，正準(zhǔn)備對(duì) 2 加鎖時(shí)，發(fā)現(xiàn) 2 已經(jīng)被第二個(gè) SQL 加鎖了，所以第一個(gè) SQL 要等待 2 的鎖釋放。

而此時(shí)第二個(gè) SQL 準(zhǔn)備對(duì) 3 加鎖，卻發(fā)現(xiàn) 3 已經(jīng)被第一個(gè) SQL 加鎖了，就要等待 3 的鎖釋放。兩個(gè) SQL 互相等待對(duì)方的鎖，也就發(fā)生了“死鎖”。

解決辦法就是從 SQL 語(yǔ)句上保證加鎖順序一致。或者把客服批量取消訂單 SQL 改成每次 SQL 操作只能取消一個(gè)訂單，然后在程序里多次循環(huán)執(zhí)行 SQL，如果批量操作的訂單數(shù)量不多，這種笨辦法也是可行的。

故障七：域名劫持

先看看 DNS 解析是怎么回事，當(dāng)我們?cè)L問(wèn) www.baidu.com 時(shí)，首先會(huì)根據(jù) www.baidu.com 到 DNS 域名解析服務(wù)器去查詢百度服務(wù)器對(duì)應(yīng)的 IP 地址，然后再通過(guò) HTTP 協(xié)議訪問(wèn)該 IP 地址對(duì)應(yīng)的網(wǎng)站。

而 DNS 劫持是互聯(lián)網(wǎng)攻擊的一種方式，通過(guò)攻擊域名解析服務(wù)器(DNS)或者偽造域名解析服務(wù)器，把目標(biāo)網(wǎng)站域名解析到其他的 IP。從而導(dǎo)致請(qǐng)求無(wú)法訪問(wèn)目標(biāo)網(wǎng)站或者跳轉(zhuǎn)到其他網(wǎng)站。

如下圖：

 

下面這張圖是我們?cè)?jīng)經(jīng)歷過(guò)的 DNS 劫持的案例。

 

看圖中的紅框部分，本來(lái)上方的圖片應(yīng)該是商品圖片，但是卻顯示成了廣告圖片。是不是圖片配錯(cuò)了?不是，是域名(DNS)被劫持了。

原本應(yīng)該顯示存儲(chǔ)在 CDN 上的商品圖片，但是被劫持之后卻顯示了其他網(wǎng)站的廣告鏈接圖片。

由于當(dāng)時(shí)的 CDN 圖片鏈接采用了不安全的 HTTP 協(xié)議，所以很容易被劫持。后來(lái)改成了 HTTPS，問(wèn)題就解決了。

當(dāng)然域名劫持有很多方式，HTTPS 也不能規(guī)避所有問(wèn)題。所以，除了一些安全防護(hù)措施，很多公司都有自己的備用域名，一旦發(fā)生域名劫持可以隨時(shí)切換到備用域名。

故障八：帶寬資源耗盡

帶寬資源耗盡導(dǎo)致系統(tǒng)無(wú)法訪問(wèn)的情況，雖然不多見(jiàn)，但是也應(yīng)該引起大家的注意。來(lái)看看，之前遇到的一起事故。

場(chǎng)景是這樣的：社交電商每個(gè)分享出去的商品圖片都有一個(gè)唯一的二維碼，用來(lái)區(qū)分商品和分享者。

所以二維碼要用程序生成，最初我們?cè)诜?wù)端用 Java 生成二維碼。前期由于系統(tǒng)訪問(wèn)量不大，系統(tǒng)一直沒(méi)什么問(wèn)題。

但是有一天運(yùn)營(yíng)突然搞了一次優(yōu)惠力度空前的大促，系統(tǒng)瞬時(shí)訪問(wèn)量翻了幾十倍。

問(wèn)題也就隨之而來(lái)了，網(wǎng)絡(luò)帶寬直接被打滿，由于帶寬資源被耗盡，導(dǎo)致很多頁(yè)面請(qǐng)求響應(yīng)很慢甚至沒(méi)任何響應(yīng)。

原因就是二維碼生成數(shù)量瞬間也翻了幾十倍，每個(gè)二維碼都是一張圖片，對(duì)帶寬帶來(lái)了巨大壓力。

怎么解決呢?如果服務(wù)端處理不了，就考慮一下客戶端。把生成二維碼放到客戶端 APP 處理，充分利用用戶終端手機(jī)，目前 Andriod，iOS 或者 React 都有相關(guān)生成二維碼的 SDK。

這樣不但解決了帶寬問(wèn)題，而且也釋放了服務(wù)端生成二維碼時(shí)消耗的 CPU 資源(生成二維碼過(guò)程需要一定的計(jì)算量，CPU 消耗比較明顯)。

外網(wǎng)帶寬非常昂貴，我們還是要省著點(diǎn)用啊!本文分享的案例都是筆者的親身經(jīng)歷，希望對(duì)各位讀者有所幫助。

作者：二馬讀書

簡(jiǎn)介：曾任職于阿里巴巴，每日優(yōu)鮮等互聯(lián)網(wǎng)公司，任技術(shù)總監(jiān)，15年電商互聯(lián)網(wǎng)經(jīng)歷。

編輯：陶家龍

出處：轉(zhuǎn)載自微信公眾號(hào)架構(gòu)師進(jìn)階之路