本文轉載自微信公眾號「捉蟲大師」，作者捉蟲大師。轉載本文請聯系捉蟲大師公眾號。

背景

最近某天的深夜，剛洗完澡就接到業務方打來電話，說他們的 dubbo 服務出故障了，要我協助排查一下。

電話里，詢問了他們幾點

• 是線上有損故障嗎?——是
• 止損了嗎?——止損了
• 有保留現場嗎?——沒有

于是我打開電腦，連上 網絡看問題。為了便于理解，架構簡化如下

只需要關注 A、B、C 三個服務，他們之間調用都是 dubbo 調用。

發生故障時 B 服務有幾臺機器完全夯死，處理不了請求，剩余正常機器請求量激增，耗時增加，如下圖(圖一請求量、圖二耗時)

問題排查

由于現場已被破壞，只能先看監控和日志

• 監控

除了上述監控外，翻看了 B 服務 CPU 和內存等基礎監控，發現故障的幾臺機器內存上漲比較多，都達到了 80% 的水平線，且 CPU 消耗也變多

這時比較懷疑內存問題，于是看了下 JVM 的 fullGC 監控

果然 fullGC 時間上漲很多，基本可以斷定是內存泄漏導致服務不可用了。但為什么會內存泄漏，還無法看出端倪。

• 日志

申請機器權限，查看日志，發現了一條很奇怪的 WARN 日志

[dubbo-future-timeout-thread-1] WARN org.apache.dubbo.common.timer.HashedWheelTimer$HashedWheelTimeout 
(HashedWheelTimer.java:651)  
-  [DUBBO] An exception was thrown by TimerTask., dubbo version: 2.7.12, current host: xxx.xxx.xxx.xxx 
java.util.concurrent.RejectedExecutionException:  
Task org.apache.dubbo.remoting.exchange.support.DefaultFuture$TimeoutCheckTask$$Lambda$674/1067077932@13762d5a  
rejected from java.util.concurrent.ThreadPoolExecutor@7a9f0e84[Terminated, pool size = 0,  
active threads = 0, queued tasks = 0, completed tasks = 21] 

可以看出業務方使用的是2.7.12版本的 dubbo

拿這個日志去 dubbo 的 github 倉庫搜了一下，找到了如下這個 issue：

https://github.com/apache/dubbo/issues/6820

但很快排除了該問題，因為在 2.7.12 版本中已經是修復過的代碼了。

繼續又找到了這兩個 issue：

https://github.com/apache/dubbo/issues/8172

https://github.com/apache/dubbo/pull/8188

從報錯和版本上來看，完全符合，但沒有提及內存問題，先不管內存問題，看看是否可以按照 #8188 這個 issue 復現

issue 中也說的比較清楚如何復現，于是我搭了這樣三個服務來復現，剛開始還沒有復現。通過修復代碼來反推

刪除代碼部分是有問題，但我們復現卻難以進入這塊，怎么才能進入呢?

這里一個 feature 代表一個請求，只有當請求沒有完成時才會進入，這就好辦了，讓 provider 一直不返回，肯定可以實現，于是在 provider 端測試代碼加入

Thread.sleep(Integer.MAX_VALUE); 

經過測試果然復現了，如 issue 所說，當 kill -9 掉第一個 provider 時，消費者全局 ExecutorService 被關閉，當 kill -9 第二個 provider 時，SHARED_EXECUTOR 也被關閉。

那么這個線程池是用來干什么的呢?

它在 HashedWheelTimer 中被用來檢測 consumer 發出的請求是否超時。

HashedWheelTimer 是 dubbo 實現的一種時間輪檢測請求是否超時的算法，具體這里不再展開，改天可以詳細寫一篇 dubbo 中時間輪算法。

當請求發出后，如果可以正常返回還好，但如果超過設定的超時時間還未返回，則需要這個線程池的任務來檢測，對已經超時的任務進行打斷。

如下代碼為提交任務，當這個線程池被關閉后，提交任務就會拋出異常，超時也就無法檢測。

public void expire() { 
    if (!compareAndSetState(ST_INIT, ST_EXPIRED)) { 
        return; 
    } 
    try { 
        task.run(this); 
    } catch (Throwable t) { 
        if (logger.isWarnEnabled()) { 
            logger.warn("An exception was thrown by " + TimerTask.class.getSimpleName() + '.', t); 
        } 
    } 
} 

到這里恍然大悟：如果請求一直發送，不超時，那是不是有可能撐爆內存?于是我又模擬了一下，并且開了 3 個線程一直請求 provider，果然復現出內存被撐爆的場景，而當不觸發這個問題時，內存是一直穩定在一個低水平上。

這里我用的 arthas 來看的內存變化，非常方便

得出結論

在本地復現后，于是跟業務方求證一下，這個問題復現還是比較苛刻的，首先得是異步調用，其次 provider 需要非正常下線，最后 provider 需要有阻塞，即請求一直不返回。

異步調用得到業務方的確認，provider 非正常下線，這個比較常見，物理機的故障導致的容器漂移就會出現這個情況，最后 provider 有阻塞這點也得到業務方的確認，確實 C 服務有一臺機器在那個時間點附近僵死，無法處理請求，但進程又是存活的。

所以這個問題是 dubbo 2.7.12 的 bug 導致。翻看了下這個 bug 是 2.7.10 引入， 2.7.13 修復。

復盤

差不多花了1天的時間來定位和復現，還算順利，運氣也比較好，沒怎么走彎路，但這中間也需要有些地方需要引起重視。

• 止損的同時最好能保留現場，如本次如果在重啟前 dump 下內存或摘除流量保留機器現場，可能會幫助加速定位問題。如配置 OOM 時自動 dump 內存等其他手段。這也是本起事故中不足的點
• 服務的可觀測性非常重要，不管是日志、監控或其他，都要齊全。基本的如日志、出口、進口請求監控、機器指標(內存、CPU、網絡等)、JVM 監控(線程池、GC 等)。這點做的還可以，基本該有的都有
• 開源產品，可從關鍵日志去網絡查找，極大概率你遇到的問題大家也遇到過。這也是這次幸運的點，少走了很多彎路