接口偶尔超时，竟又是JVM停顿的锅     DATE: 2024-04-28 03:19:31

接口偶尔超时，竟又是JVM停顿的锅

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

简介

继上次我们JVM停顿十几秒的接口竟又问题解决后 ，我们系统终于稳定了 ，接口竟又再也不会无故重启了 ！接口竟又
这是接口竟又之前的文章：耗时几个月 ，终于找到了JVM停顿十几秒的接口竟又原因

但有点奇怪的是，每隔一段时间，接口竟又我们服务接口就会有一小波499超时 ，接口竟又经过查看gc日志 ，接口竟又又发现JVM停顿了好几秒！接口竟又

查看safepoint日志

有了上次JVM停顿排查经验后 ，接口竟又我马上就检查了gc日志与safepoint日志 ，接口竟又发现如下日志：

$ cat gc-*.log | awk '/application threads were stopped/ && $(NF-6)>1'|tailn2022-05-08T16:40:53.886+0800: 78328.993: Total time for which application threads were stopped: 9.4917471 seconds,接口竟又 Stopping threads took: 9.3473059 secondsn2022-05-08T17:40:32.574+0800: 81907.681: Total time for which application threads were stopped: 3.9786219 seconds, Stopping threads took: 3.9038683 secondsn2022-05-08T17:41:00.063+0800: 81935.170: Total time for which application threads were stopped: 1.2607608 seconds, Stopping threads took: 1.1258499 secondsnn$ cat safepoint.log | awk '/vmop/{ title=$0;getline;if($(NF-2)+$(NF-4)>1000){ print title;print $0}}'n vmop [threads: total initially_running wait_to_block] [time: spin block sync cleanup vmop] page_trap_countn78319.500: G1IncCollectionPause [ 428 0 2 ] [ 0 9347 9347 7 137 ] 0n vmop [threads: total initially_running wait_to_block] [time: spin block sync cleanup vmop] page_trap_countn81903.703: G1IncCollectionPause [ 428 0 4 ] [ 0 3903 3903 14 60 ] 0n vmop [threads: total initially_running wait_to_block] [time: spin block sync cleanup vmop] page_trap_countn81933.906: G1IncCollectionPause [ 442 0 1 ] [ 0 1125 1125 8 126 ] 0n

从日志上可以看到，JVM停顿也是由safepoint导致的，而safepoint耗时主要在block阶段  ！

通过添加JVM参数-XX:+SafepointTimeout -XX:SafepointTimeoutDelay=1000后，可打印出哪些线程超过1000ms没有到达safepoint ，如下：

接口偶尔超时 ，竟又是JVM停顿的锅


可以看到都是一些http或grpc的worker线程没走到safepoint  ，但为啥没到达safepoint ，看不出关键 ，只好又去网上搜索了。

深入safepoint机制

在上面的safepoint日志中 ，spin与block都是等待线程进入safepoint的耗时，而vmop就是需要在安全点执行的JVM操作耗时，遗憾的是 ，网上讲safepoint的文章虽多，但基本没有将block阶段与spin阶段区别讲清楚的 ！

没办法，只能去看看JVM内部safepoint的实现代码了，在阅读了safepoint.cpp后，对spin与block的区别也大致有点理解了，如下：

  1. jvm中其实线程状态主要有3种thread_in_Java、thread_in_vm、thread_in_native 。
  2. 线程执行到jvm管控以外的代码时(如内核代码) ，线程状态会变为thread_in_native ，jvm会认为它已经在安全区域(Safe Region)，故不需要等待其到达safepoint，当它从thread_in_native状态返回时，会自行挂起 。
  3. 线程在执行java代码时，线程状态是thread_in_Java ，这种线程jvm需要等待它执行到safepoint后  ，将其挂起或自行挂起 。
  4. 线程在执行jvm内部代码时 ，线程状态是thread_in_vm，比如线程执行System.arraycopy ，由于jvm内部并没有放置safepoint ，jvm必须等待其转换到thread_in_native或thread_in_Java才能将其挂起或自行挂起 。

而spin阶段实际在做两件事情 ，一是将thread_in_native状态的线程刨除掉，这并不会太耗时，二是轮询各线程状态，等待thread_in_Java状态的线程变为其它状态(如走到了safepoint) ，这也是为什么counted loop这种代码会导致spin阶段耗时高，因为它是thread_in_Java状态的。

而block阶段实际就是在等待thread_in_vm状态的线程走到safepoint，与spin不同的是，safepoint线程将自己挂起，以等待最后一个thread_in_vm线程到达safepoint后将其唤醒。

如果看完我的描述 ，还是无法理解，强烈建议大家自己去阅读下safepoint源码 ，要看懂大概脉络还是不难的 ，而网上文章用来了解一些基础知识即可  ，不必费力看太多。
safepoint源码：http://hg.openjdk.java.net/jdk8u/jdk8u/hotspot/file/818b1963f7a2/src/share/vm/runtime/safepoint.cpp
主要方法：SafepointSynchronize::begin, SafepointSynchronize::block,SafepointSynchronize::end

回到之前遇到的问题 ，我们是block阶段耗时长 ，这是在等待thread_in_vm状态的线程到达safepoint，而线程处于thread_in_vm状态则说明线程在运行JVM内部代码。

难道我们什么代码用法 ，导致线程在jvm内部执行耗时过长？特别是在jvm社区找到一个提议，即建议在System.arraycopy中添加safepoint，让我也有点怀疑它了，但如何证明呢？
提议链接：https://bugs.openjdk.org/browse/JDK-8233300 。

async-profiler分析safepoint

经过一段时间了解，发现目前分析safepoint主流工具如下：

  1. JFR ：由oracle提供 ，在jdk11才完全可用 ，由于我们是jdk8，故放弃之。
  2. async-profiler ：一款开源的JVM分析工具 ，提供了分析safepoint的选项 ，选它！

async-profiler提供了--ttsp的选项 ，用来分析safepoint事件 ，如下：

# 下载async-profilern$ wget https://github.com/jvm-profiling-tools/async-profiler/releases/download/v2.8/async-profiler-2.8-linux-x64.tar.gz && tar xvf async* && cd async*nn# 启动async-profiler采集safepoint时的线程栈n$ ./profiler.sh start -e wall -t -o collapsed -f /tmp/tts.collased --ttsp jpsnn# 发现safepoint问题产生后，停止采集并导出线程栈n$ ./profiler.sh stop -e wall -t -o collapsed -f /tmp/tts.collased --ttsp jpsnn# 线程栈转换为火焰图工具n$ wget https://github.com/jvm-profiling-tools/async-profiler/releases/download/v2.8/converter.jarn$ java -cp converter.jar FlameGraph /tmp/tts.collapsed tts.htmln

最开始，抓到的火焰图是这样的，如下 ：

接口偶尔超时，竟又是JVM停顿的锅


由于我使用的是-e wall选项 ，这会把等待状态的线程栈也抓取下来，而safepoint发生时 ，大多数线程都会等待，所以火焰图中包含了太多无效信息 。

于是 ，我调整为使用--all-user选项 ，这会只抓取在CPU上跑着的线程栈 ，同时将--ttsp调整为--begin SafepointSynchronize::print_safepoint_timeout --end RuntimeService::record_safepoint_synchronized ，以使得async-profiler仅在发生超时safepoint时才采集线程栈 ，因为safepoint超时的时候会调用SafepointSynchronize::print_safepoint_timeout方法打印上面介绍过的超时未到safepoint线程的日志。

调整后 ，抓到的火焰图是这样的，如下：

接口偶尔超时 ，竟又是JVM停顿的锅


发现没有到达safepoint的线程在执行getLoadAverage方法，这是java集成的prometheus监控组件，用来获取机器负载的 ，这能有什么问题？

我又发现 ，最后一个到达safepoint的线程会调用Monitor::notify_all唤醒safepoint协调线程，那使用-e Monitor::notify_all抓取的线程栈会更加准确 ，如下：

接口偶尔超时，竟又是JVM停顿的锅


如上 ，最后一个到达safepoint的线程，确实就在执行getLoadAverage方法，可这个方法能有什么问题呢 ？我用strace看了一下，这个方法也就是从/proc/loadavg伪文件中读取负载信息而已 。

接口偶尔超时，竟又是JVM停顿的锅

柳暗花明

问题一直没有排查出来，直到有一天  ，我突然发现，当一台容器上的jvm出现safepoint超时问题后，会不固定的每隔几小时出现一次 ，而同时间里 ，不出现问题的容器则稳得一批 ！

很显然 ，这个问题大概率和底层宿主机有关，我怀疑是部署在同一宿主机上的其它容器抢占了cpu导致，但在我询问运维宿主机情况时，运维一直说宿主机正常，也不知道他们是否认真看了 ！

又过了很久 ，有一次和隔壁组同事聊天 ，发现他们也遇到了超时问题，说是运维为了降机器成本 ，在宿主机上部署的容器越来越多！

再次出现问题后 ，我直接找运维要了宿主机的监控，我要自己确认 ，如下 ：

接口偶尔超时，竟又是JVM停顿的锅


可以发现宿主机负载在11点到12点之间，多次飙升到100以上 ，而我们JVM发生暂停的时间与之基本吻合 。

至此，问题原因已经找到，线程到不了safepoint，是因为它得不到CPU啊 ，和thread_in_vm状态无关 ，和getLoadAverage也无关，他们只是凑巧或运行频率较高而已 ，得不到CPU资源时，线程能停在任何位置上！

可是我有一个想法，如果运维死活说宿主机没有问题，不给监控 ，那在容器中的我们 ，是否能有证据证明问题在宿主机呢 ？

于是 ，我又尝试在容器内找证据了！

调度延迟与内存不足

在Linux中可以无形拖慢线程运行速度的地方 ，主要有2点：

  1. 调度延迟：一瞬间有大量线程需要运行，导致线程在CPU队列上等待时间过长。
  2. direct reclaim ：分配内存时直接回收内存 ，一般情况下，Linux通过kswapd异步回收内存，但当kswapd回收来不及时，会在分配时直接回收，但如果回收过程涉及page swap out 、dirty page writeback时 ，会阻塞当前线程。

direct reclaim可以通过cat /proc/vmstat|grep -E "pageoutrun|allocstall"来测量，其中allocstall就是direct reclaim发生的次数。
而线程调度延迟可以通过观测/proc/<pid>/task/<tid>/schedstat来测量 ，如下：

$ cat /proc/1/task/1/schedstat n55363216 1157776 75n

解释如下：

而由于我需要分析整个进程 ，上述信息是单个线程的 ，于是我写了一个脚本 ，汇总了各个线程的调度数据 ，以采集进程调度延迟信息，执行效果如下 ：

$ python -u <(curl -sS https://gitee.com/fmer/shell/raw/master/diagnosis/pidsched.py) `pgrep -n java`n2022-06-11T15:13:47 pid:1 total:1016.941ms idle:0.000ms oncpu:( 1003.000ms max:51.000ms cs:105 tid:23004 ) sched_delay:( 120.000ms max:18.000ms cs:36 tid:217 )n2022-06-11T15:13:48 pid:1 total:1017.327ms idle:415.327ms oncpu:( 596.000ms max:54.000ms cs:89 tid:215 ) sched_delay:( 6.000ms max:0.000ms cs:255 tid:153 )n2022-06-11T15:13:49 pid:1 total:1017.054ms idle:223.054ms oncpu:( 786.000ms max:46.000ms cs:117 tid:14917 ) sched_delay:( 8.000ms max:0.000ms cs:160 tid:63 )n2022-06-11T15:13:50 pid:1 total:1016.791ms idle:232.791ms oncpu:( 767.000ms max:75.000ms cs:120 tid:9290 ) sched_delay:( 17.000ms max:5.000ms cs:290 tid:153 )n

可以发现，正常情况下 ，调度延迟在10ms以下 。

等到再次发生超时safepoint问题时  ，我检查了相关日志 ，如下：

接口偶尔超时 ，竟又是JVM停顿的锅


接口偶尔超时 ，竟又是JVM停顿的锅


我发现，在问题发生时 ，oncpu与sched_delay都是0 ，即线程即不在CPU上 ，也不在CPU队列上 ，也就是说线程根本没有被调度！它要么在睡眠，要么被限制调度 ！

cgroup机制

联想到我们JVM是在容器中运行，而容器会通过cgroup机制限制进程的CPU使用量 ，经过一番了解，我发现在容器中 ，可以通过/sys/fs/cgroup/cpu,cpuacct/cpu.stat来了解进程被限制的情况 ，如下 ：

# cgroup周期的时间长度，一个周期是100msn$ cat /sys/fs/cgroup/cpu,cpuacct/cpu.cfs_period_us n100000nn# 容器分配的时间配额，由于我们是4核容器 ，所以这里是400msn$ cat /sys/fs/cgroup/cpu,cpuacct/cpu.cfs_quota_us n400000nn$ cat /sys/fs/cgroup/cpu,cpuacct/cpu.statnnr_periods 3216521nnr_throttled 1131nthrottled_time 166214531184n

cpu.stat解释如下 ：

于是 ，我写了一个小脚本来采集这个数据，如下：

$ nohup bash -c 'while sleep 1;do echo `date +%FT%T` `cat /sys/fs/cgroup/cpu,cpuacct/cpu.stat`;done' cpustat > cpustat.log &n

再等到safepoint超时问题发生时 ，gc日志如下 ：

$ ps h -o pid --sort=-pmem -C java|head -n1|xargs -i ls -l /proc/{ }/fd|awk '/gc-.*.log/{ print $NF}'|xargs cat|awk '/application threads were stopped/ && $(NF-6)>1'|tailn2022-06-10T14:00:45.334+0800: 192736.429: Total time for which application threads were stopped: 1.1018709 seconds, Stopping threads took: 1.0070313 secondsn2022-06-10T14:11:12.449+0800: 193363.544: Total time for which application threads were stopped: 1.0257833 seconds, Stopping threads took: 0.9586368 secondsn

cpustat.log如下：

cat cpustat.log |awk '{ if(!pre)pre=$NF;delta=($NF-pre)/1000000;print delta,$0;pre=$NF}'|lessn接口偶尔超时，竟又是JVM停顿的锅


接口偶尔超时 �，竟又是JVM停顿的锅


可以发现 ，在JVM停顿发生的时间点 ，容器被限制调度多次，总共限制的时间超3000ms！

在找到问题后，我通过cgroup与jvm stw关键字在google上搜索，发现在k8s中  ，container_cpu_cfs_throttled_seconds_total指标也代表了容器CPU被限制的时间  ，于是我立马将运维的监控面板改了改，如下：

接口偶尔超时 ，竟又是JVM停顿的锅


可见时间点也基本吻合 ，只是这个数值偏小很多 ，有知道原因的可以告知下 。

此外我也搜索到了问题类似的文章：https://heapdump.cn/article/1930426 ，可见很多时候 ，遇到的问题  ，别人早就遇到过并分享了 ，关键是这种文章被大量低质量文章给淹没了，没找到问题前 ，你根本搜索不到！

哎，分享传播了知识，同时也阻碍了知识传播 ！

总结

排查这个问题的过程中 ，学到了不少新知识与新方法，总结如下  ：

  1. safepoint原理是什么，spin与block阶段耗时长代表了什么 。
  2. 使用async-profiler分析safepoint的方法  。
  3. 容器内可通过/proc/<pid>/task/<tid>/schedstat测量进程调度延迟 。
  4. 容器内可通过/sys/fs/cgroup/cpu,cpuacct/cpu.stat测量容器CPU受限情况。


  学生假期学习计划
  王者主宰的刷新时间间隔是多少分钟 附最新野怪刷新时间介绍