排查Java线上服务故障的方法和实例分析

前言

　　作为在线系统负责人或者是一个技术专家，你可能刚刚接手一个项目就需要处理紧急故障，或者被要求帮忙处理一些紧急的故障，这个时候的情景是：

• 你可能对这个业务仅仅是听说过，而不怎么真正了解；

• 你可能没有这个故障的详细信息，比如可能仅仅是有使用方反馈服务中断了10分钟；

• 你对代码细节还没有仔细研究过。

  这个时候该怎么解决问题呢？根据以前的经验，工程师们常常倾向于直接登上服务器检查代码，试图立刻修改问题。或者是把某些可能是问题的配置做修改，但并不是100%确认这就是问题的根本原因。但结果往往是在解决问题的同时引入了新的问题，或者是没有找到问题的根本原因，导致用户的再次投诉。

正文

　　处理和排除故障分为4个必须的步骤：
　　(1) 紧急处理
　　(2) 添加监控
　　(3) 使用JDK性能监控工具
　　(4) 分析源代码。从治标不治本，到治标又治本。

紧急处理

紧急处理，顾名思义，是检查和评度当前故障的影响范围，并尽快使服务先恢复起来。其中检查和评估当前故障的影响范围是非常重要的。

以微博系统举例，一般用户的投诉率为千分之1，如果有超过10起用户投诉，就可能是大面积故障。如果只是负责线上跟踪的QA人员反馈的问题，而没有用户投诉，则可以有较多的时间去处理。

对于紧急的大面积故障，首先想到的不应该是检查问题。而是需要立刻追查最近线上系统是否有更改，我们的经验是95%的故障都是在新代码上线后的12小时内发生的。此时应该立刻回滚新更改。另外5%的故障大部分是由于业务扩展导致的。互联网业有一个规律，线上系统每半年需要重构一次，否则无法对应业务量的增长。对于这种业务量增长造成的故障，通常可以通过重启服务来紧急处理。

因此，紧急处理的首选是立刻回滚新更改。

添加监控

　　紧急处理之后，服务已经恢复了，但是问题并没有找到。如果是新代码上线造成的故障，回滚之后，工程师会有各种手段，在测试环境追查问题。而针对系统容量不足造成的故障，需要特别添加监控作为追查问题的重要手段。

使用JDK性能监控工具

　　刚刚添加的监控开始报警了。登上服务器，该做些什么呢？一般需要做如下动作，

• 首先要查看日志，看看有没有Exception。另外日志中常常有对接口调用，缓存使用的监控告警信息。

• 看看目前gc的状况如何，使用JDK自带的工具就可以。

• jmap -histo pid > jmap.log，该命令会打出所有对象，包括占用的byte数和实例个数。分享一个线上jmap实例。

• 检查目前cpu占用情况，top -H，然后按“1”，会看到当前进程中每个线程所占CPU的比例。注意观察前几名，然后jstack -l pid > jstack.log打出线程堆栈，看看是什么线程占用了CPU。这里需要注意的是，top -H显示的线程id是十进制，而jstack打出的线程堆栈是16进制。看看那些最忙的thread是不是那些真正应该忙的thread，如果是一些“黑马”线程，则要考虑是否是代码有死循环或者是意外的问题。

分析源代码

　　分析源代码是最有技术含量的事情，也是比较耗时而且不见得有效果的事情。所以我把源码分析放到解决线上问题的最后一步，因为必须要做到“有的放矢”。带着问题去分析代码，会比较容易。通过20%代码的修改，就可以解决80%的性能问题。比如上面这个线上问题，肯定是线程处理慢造成的问题。需要针对线程的调用，同步异步等进行分析。

原文链接：https://blog.csdn.net/lipc_/article/details/52733651