ElasticSearch - 批量更新bulk死鎖問題排查
一、問題系統介紹
1. 監聽商品變更MQ消息，查詢商品最新的信息，調用BulkProcessor批量更新ES集群中的商品字段信息;
2. 由于商品數據非常多，所以將商品數據存儲到ES集群上，整個ES集群共劃分了256個分片，并根據商品的三級類目ID進行分片路由。
比如一個SKU的商品名稱發生變化，我們就會收到這個SKU的變更MQ消息，然后再去查詢商品接口，將商品的最新名稱查詢回來，再根據這個SKU的三級分類ID進行路由，找到對應的ES集群分片，然后更新商品名稱字段信息。
由于商品變更MQ消息量巨大，為了提升更新ES的性能，防止出現MQ消息積壓問題，所以本系統使用了BulkProcessor進行批量異步更新。
ES客戶端版本如下：
<dependency>
<artifactId>elasticsearch-rest-client</artifactId>
<groupId>org.elasticsearch.client</groupId>
<version>6.5.3</version>
</dependency>BulkProcessor配置偽代碼如下：
//在這里調用build()方法構造bulkProcessor,在底層實際上是用了bulk的異步操作
this.fullDataBulkProcessor = BulkProcessor.builder((request, bulkListener) ->
fullDataEsClient.getClient().bulkAsync(request, RequestOptions.DEFAULT, bulkListener), listener)
// 1000條數據請求執行一次bulk
.setBulkActions(1000)
// 5mb的數據刷新一次bulk
.setBulkSize(new ByteSizeValue(5L, ByteSizeUnit.MB))
// 并發請求數量, 0不并發, 1并發允許執行
.setConcurrentRequests(1)
// 固定1s必須刷新一次
.setFlushInterval(TimeValue.timeValueSeconds(1L))
// 重試5次，間隔1s
.setBackoffPolicy(BackoffPolicy.constantBackoff(TimeValue.timeValueSeconds(1L), 5))
.build();二、問題怎么發現的
1. 618大促開始后，由于商品變更MQ消息非常頻繁，MQ消息每天的消息量更是達到了日常的數倍，而且好多商品還變更了三級類目ID；
2. 系統在更新這些三級類目ID發生變化的SKU商品信息時，根據修改后的三級類目ID路由后的分片更新商品信息時發生了錯誤，并且重試了5次，依然沒有成功；
3. 因為在新路由的分片上沒有這個商品的索引信息，這些更新請求永遠也不會執行成功，系統的日志文件中也記錄了大量的異常重試日志。
4. 商品變更MQ消息也開始出現了積壓報警，MQ消息的消費速度明顯趕不上生產速度。
5. 觀察MQ消息消費者的UMP監控數據，發現消費性能很平穩，沒有明顯波動，但是調用次數會在系統消費MQ一段時間后出現斷崖式下降，由原來的每分鐘幾萬調用量逐漸下降到個位數。
6. 在重啟應用后，系統又開始消費，UMP監控調用次數恢復到正常水平，但是系統運行一段時間后，還是會出現消費暫停問題，仿佛所有消費線程都被暫停了一樣。
三、排查問題的詳細過程
首先找一臺暫停消費MQ消息的容器，查看應用進程ID，使用jstack命令dump應用進程的整個線程堆棧信息，將導出的線程堆棧信息打包上傳到 https://fastthread.io/ 進行線程狀態分析。分析報告如下：
通過分析報告發現有124個處于BLOCKED狀態的線程，然后可以點擊查看各線程的詳細堆棧信息，堆棧信息如下：
連續查看多個線程的詳細堆棧信息，MQ消費線程都是在waiting to lock <0x00000005eb781b10> (a
org.elasticsearch.action.bulk.BulkProcessor)，然后根據0x00000005eb781b10去搜索發現，這個對象鎖正在被另外一個線程占用，占用線程堆棧信息如下:
這個線程狀態此時正處于WAITING狀態，通過線程名稱發現，該線程應該是ES客戶端內部線程。正是該線程搶占了業務線程的鎖，然后又在等待其他條件觸發該線程執行，所以導致了所有的MQ消費業務線程一直無法獲取BulkProcessor內部的鎖，導致出現了消費暫停問題。
但是這個線程elasticsearch[scheduler][T#1]為啥不能執行？ 它是什么時候啟動的？ 又有什么作用？
就需要我們對BulkProcessor進行深入分析,由于BulkProcessor是通過builder模塊進行創建的，所以深入builder源碼，了解一下BulkProcessor的創建過程。
public static Builder builder(BiConsumer<BulkRequest, ActionListener<BulkResponse>> consumer, Listener listener) {
Objects.requireNonNull(consumer, "consumer");
Objects.requireNonNull(listener, "listener");
final ScheduledThreadPoolExecutor scheduledThreadPoolExecutor = Scheduler.initScheduler(Settings.EMPTY);
return new Builder(consumer, listener,
(delay, executor, command) -> scheduledThreadPoolExecutor.schedule(command, delay.millis(), TimeUnit.MILLISECONDS),
() -> Scheduler.terminate(scheduledThreadPoolExecutor, 10, TimeUnit.SECONDS));
}內部創建了一個時間調度執行線程池，線程命名規則和上述持有鎖的線程名稱相似，具體代碼如下：
static ScheduledThreadPoolExecutor initScheduler(Settings settings) {
ScheduledThreadPoolExecutor scheduler = new ScheduledThreadPoolExecutor(1,
EsExecutors.daemonThreadFactory(settings, "scheduler"), new EsAbortPolicy());
scheduler.setExecuteExistingDelayedTasksAfterShutdownPolicy(false);
scheduler.setContinueExistingPeriodicTasksAfterShutdownPolicy(false);
scheduler.setRemoveOnCancelPolicy(true);
return scheduler;
}最后在build方法內部執行了BulkProcessor的內部有參構造方法，在構造方法內部啟動了一個周期性執行的flushing任務，代碼如下
BulkProcessor(BiConsumer<BulkRequest, ActionListener<BulkResponse>> consumer, BackoffPolicy backoffPolicy, Listener listener,
int concurrentRequests, int bulkActions, ByteSizeValue bulkSize, @Nullable TimeValue flushInterval,
Scheduler scheduler, Runnable onClose) {
this.bulkActions = bulkActions;
this.bulkSize = bulkSize.getBytes();
this.bulkRequest = new BulkRequest();
this.scheduler = scheduler;
this.bulkRequestHandler = new BulkRequestHandler(consumer, backoffPolicy, listener, scheduler, concurrentRequests);
// Start period flushing task after everything is setup
this.cancellableFlushTask = startFlushTask(flushInterval, scheduler);
this.onClose = onClose;
}private Scheduler.Cancellable startFlushTask(TimeValue flushInterval, Scheduler scheduler) {
if (flushInterval == null) {
return new Scheduler.Cancellable() {
@Override
public void cancel() {}
@Override
public boolean isCancelled() {
return true;
}
};
}
final Runnable flushRunnable = scheduler.preserveContext(new Flush());
return scheduler.scheduleWithFixedDelay(flushRunnable, flushInterval, ThreadPool.Names.GENERIC);
}class Flush implements Runnable {
@Override
public void run() {
synchronized (BulkProcessor.this) {
if (closed) {
return;
}
if (bulkRequest.numberOfActions() == 0) {
return;
}
execute();
}
}
}通過源代碼發現，該flush任務就是在創建BulkProcessor對象時設置的固定時間flush邏輯，當setFlushInterval方法參數生效，就會啟動一個后臺定時flush任務。flush間隔，由setFlushInterval方法參數定義。該flush任務在運行期間，也會搶占BulkProcessor對象鎖，搶到鎖后，才會執行execute方法。具體的方法調用關系源代碼如下：
/**
* Adds the data from the bytes to be processed by the bulk processor
*/
public synchronized BulkProcessor add(BytesReference data, @Nullable String defaultIndex, @Nullable String defaultType,
@Nullable String defaultPipeline, @Nullable Object payload, XContentType xContentType) throws Exception {
bulkRequest.add(data, defaultIndex, defaultType, null, null, null, defaultPipeline, payload, true, xContentType);
executeIfNeeded();
return this;
}
private void executeIfNeeded() {
ensureOpen();
if (!isOverTheLimit()) {
return;
}
execute();
}
// (currently) needs to be executed under a lock
private void execute() {
final BulkRequest bulkRequest = this.bulkRequest;
final long executionId = executionIdGen.incrementAndGet();
this.bulkRequest = new BulkRequest();
this.bulkRequestHandler.execute(bulkRequest, executionId);
}而上述代碼中的add方法，則是由MQ消費業務線程去調用，在該方法上同樣有一個synchronized關鍵字，所以消費MQ業務線程會和flush任務執行線程直接會存在鎖競爭關系。具體MQ消費業務線程調用偽代碼如下：
@Override
public void upsertCommonSku(CommonSkuEntity commonSkuEntity) {
String source = JsonUtil.toString(commonSkuEntity);
UpdateRequest updateRequest = new UpdateRequest(Constants.INDEX_NAME_SPU, Constants.INDEX_TYPE, commonSkuEntity.getSkuId().toString());
updateRequest.doc(source, XContentType.JSON);
IndexRequest indexRequest = new IndexRequest(Constants.INDEX_NAME_SPU, Constants.INDEX_TYPE, commonSkuEntity.getSkuId().toString());
indexRequest.source(source, XContentType.JSON);
updateRequest.upsert(indexRequest);
updateRequest.routing(commonSkuEntity.getCat3().toString());
fullbulkProcessor.add(updateRequest);
}通過以上對線程堆棧分析，發現所有的業務線程都在等待elasticsearch[scheduler][T#1]線程釋放BulkProcessor對象鎖，但是該線程確一直沒有釋放該對象鎖，從而出現了業務線程的死鎖問題。
結合應用日志文件中出現的大量異常重試日志，可能與BulkProcessor的異常重試策略有關，然后進一步了解BulkProcessor的異常重試代碼邏輯。由于業務線程中提交BulkRequest請求都統一提交到了BulkRequestHandler對象中的execute方法內部進行處理，代碼如下：
public final class BulkRequestHandler {
private final Logger logger;
private final BiConsumer<BulkRequest, ActionListener<BulkResponse>> consumer;
private final BulkProcessor.Listener listener;
private final Semaphore semaphore;
private final Retry retry;
private final int concurrentRequests;
BulkRequestHandler(BiConsumer<BulkRequest, ActionListener<BulkResponse>> consumer, BackoffPolicy backoffPolicy,
BulkProcessor.Listener listener, Scheduler scheduler, int concurrentRequests) {
assert concurrentRequests >= 0;
this.logger = Loggers.getLogger(getClass());
this.consumer = consumer;
this.listener = listener;
this.concurrentRequests = concurrentRequests;
this.retry = new Retry(backoffPolicy, scheduler);
this.semaphore = new Semaphore(concurrentRequests > 0 ? concurrentRequests : 1);
}
public void execute(BulkRequest bulkRequest, long executionId) {
Runnable toRelease = () -> {};
boolean bulkRequestSetupSuccessful = false;
try {
listener.beforeBulk(executionId, bulkRequest);
semaphore.acquire();
toRelease = semaphore::release;
CountDownLatch latch = new CountDownLatch(1);
retry.withBackoff(consumer, bulkRequest, new ActionListener<BulkResponse>() {
@Override
public void onResponse(BulkResponse response) {
try {
listener.afterBulk(executionId, bulkRequest, response);
} finally {
semaphore.release();
latch.countDown();
}
}
@Override
public void onFailure(Exception e) {
try {
listener.afterBulk(executionId, bulkRequest, e);
} finally {
semaphore.release();
latch.countDown();
}
}
});
bulkRequestSetupSuccessful = true;
if (concurrentRequests == 0) {
latch.await();
}
} catch (InterruptedException e) {
Thread.currentThread().interrupt();
logger.info(() -> new ParameterizedMessage("Bulk request {} has been cancelled.", executionId), e);
listener.afterBulk(executionId, bulkRequest, e);
} catch (Exception e) {
logger.warn(() -> new ParameterizedMessage("Failed to execute bulk request {}.", executionId), e);
listener.afterBulk(executionId, bulkRequest, e);
} finally {
if (bulkRequestSetupSuccessful == false) { // if we fail on client.bulk() release the semaphore
toRelease.run();
}
}
}
boolean awaitClose(long timeout, TimeUnit unit) throws InterruptedException {
if (semaphore.tryAcquire(this.concurrentRequests, timeout, unit)) {
semaphore.release(this.concurrentRequests);
return true;
}
return false;
}
}BulkRequestHandler通過構造方法初始化了一個Retry任務對象，該對象中也傳入了一個Scheduler，且該對象和flush任務中傳入的是同一個線程池，該線程池內部只維護了一個固定線程。而execute方法首先會先根據Semaphore來控制并發執行數量，該并發數量在構建BulkProcessor時通過參數指定，通過上述配置發現該值配置為1。所以每次只允許一個線程執行該方法。即MQ消費業務線程和flush任務線程，同一時間只能有一個線程可以執行。然后下面在了解一下重試任務是如何執行的，具體看如下代碼：
public void withBackoff(BiConsumer<BulkRequest, ActionListener<BulkResponse>> consumer, BulkRequest bulkRequest,
ActionListener<BulkResponse> listener) {
RetryHandler r = new RetryHandler(backoffPolicy, consumer, listener, scheduler);
r.execute(bulkRequest);
}RetryHandler內部會執行提交bulkRequest請求，同時也會監聽bulkRequest執行異常狀態，然后執行任務重試邏輯，重試代碼如下：
private void retry(BulkRequest bulkRequestForRetry) {
assert backoff.hasNext();
TimeValue next = backoff.next();
logger.trace("Retry of bulk request scheduled in {} ms.", next.millis());
Runnable command = scheduler.preserveContext(() -> this.execute(bulkRequestForRetry));
scheduledRequestFuture = scheduler.schedule(next, ThreadPool.Names.SAME, command);
}RetryHandler將執行失敗的bulk請求重新交給了內部scheduler線程池去執行，通過以上代碼了解，該線程池內部只維護了一個固定線程，同時該線程池可能還會被另一個flush任務去占用執行。所以如果重試邏輯正在執行的時候，此時線程池內的唯一線程正在執行flush任務，則會阻塞重試邏輯執行，重試邏輯不能執行完成，則不會釋放Semaphore，但是由于并發數量配置的是1，所以flush任務線程需要等待其他線程釋放一個Semaphore許可后才能繼續執行。所以此處形成了循環等待，導致Semaphore和BulkProcessor對象鎖都無法釋放，從而使得所有的MQ消費業務線程都阻塞在獲取BulkProcessor鎖之前。
同時，在GitHub的ES客戶端源碼客戶端上也能搜索到類似問題，例如：
https://github.com/elastic/elasticsearch/issues/47599 ，所以更加印證了之前的猜想，就是因為bulk的不斷重試從而引發了BulkProcessor內部的死鎖問題。
四、如何解決問題
既然前邊已經了解到了問題產生的原因，所以就有了如下幾種解決方案：
1.升級ES客戶端版本到7.6正式版，后續版本通過將異常重試任務線程池和flush任務線程池進行了物理隔離，從而避免了線程池的競爭，但是需要考慮版本兼容性。
2.由于該死鎖問題是由大量異常重試邏輯引起的，可以在不影響業務邏輯的情況取消重試邏輯，該方案可以不需要升級客戶端版本，但是需要評估業務影響，執行失敗的請求可以通過其他其他方式進行業務重試。
作者：京東零售 曹志飛
來源：京東云開發者社區
