解 Bug 之路-记一次 JVM 堆外内存泄露 Bug 的查找

前言

JVM 的堆外内存泄露的定位一直是个比较棘手的问题。此次的 Bug 查找从堆内内存的泄露反推出堆外内存，同时对物理内存的使用做了定量的分析，从而实锤了 Bug 的源头。笔者将此 Bug 分析的过程写成博客，以飨读者。

由于物理内存定量分析部分用到了 linux kernel 虚拟内存管理的知识，读者如果有兴趣了解请看 ulk3(《深入理解 linux 内核第三版》)

内存泄露 Bug 现场

一个线上稳定运行了三年的系统，从物理机迁移到 docker 环境后，运行了一段时间，突然被监控系统发出了某些实例不可用的报警。所幸有负载均衡，可以自动下掉节点，如下图所示:

gc_local

登录到对应机器上后，发现由于内存占用太大，触发 OOM，然后被 linux 系统本身给 kill 了。

应急措施

紧急在出问题的实例上再次启动应用，启动后，内存占用正常，一切 Okay。

奇怪现象

当前设置的最大堆内存是 1792M，如下所示:

-Xmx1792m -Xms1792m -Xmn900m -XX:PermSize=256m -XX:MaxPermSize=256m -server -Xss512k

查看操作系统层面的监控，发现内存占用情况如下图所示:

gc_upper

上图蓝色的线表示总的内存使用量，发现一直涨到了 4G 后，超出了系统限制。

很明显，有堆外内存泄露了。

查找线索

gc 日志

一般出现内存泄露，笔者立马想到的就是查看当时的 gc 日志。

本身应用所采用框架会定时打印出对应的 gc 日志，遂查看，发现 gc 日志一切正常。对应日志如下:

gc_log

查看了当天的所有 gc 日志，发现内存始终会回落到 170M 左右，并无明显的增加。要知道 JVM 进程本身占用的内存可是接近 4G(加上其它进程,例如日志进程就已经到 4G 了)，进一步确认是堆外内存导致。

排查代码

打开线上服务对应对应代码，查了一圈，发现没有任何地方显式利用堆外内存，其没有依赖任何额外的 native 方法。关于网络 IO 的代码也是托管给 Tomcat，很明显，作为一个全世界广泛流行的 Web 服务器，Tomcat 不大可能有堆外内存泄露。

进一步查找

由于在代码层面没有发现堆外内存的痕迹，那就继续找些其它的信息，希望能发现蛛丝马迹。

Dump 出 JVM 的 Heap 堆

由于线上出问题的 Server 已经被 kill，还好有其它几台，登上去发现它们也 占用了很大的堆外内存，只是还没有到触发 OOM 的临界点而已。于是就赶紧用 jmap dump 了两台机器中应用 JVM 的堆情况，这两台留做现场保留不动，然后将其它机器迅速重启，以防同时被 OOM 导致服务不可用。

使用如下命令 dump:

jmap -dump:format=b，file=heap.bin [pid]

使用 MAT 分析 Heap 文件

挑了一个 heap 文件进行分析，堆的使用情况如下图所示:

gc_heap_dump

一共用了 200 多 M，和之前 gc 文件打印出来的 170M 相差不大，远远没有到 4G 的程度。

不得不说 MAT 是个非常好用的工具，它可以提示你可能内存泄露的点:

gc_cached_bns_client

这个 cachedBnsClient 类有 12452 个实例，占用了整个堆的 61.92%。

查看了另一个 heap 文件，发现也是同样的情况。这个地方肯定有内存泄露，但是也占用了 130 多 M，和 4G 相差甚远。

查看对应的代码

系统中大部分对于 CachedBnsClient 的调用，都是通过注解 Autowired 的，这部分实例数很少。

唯一频繁产生此类实例的代码如下所示:

@Override    public void fun() {            BnsClient bnsClient = new CachedBnsClient();          // do something            return  ;    }

此 CachedBnsClient 仅仅在方法体内使用，并没有逃逸到外面，再看此类本身

public class CachedBnsClient   {    private ConcurrentHashMap<String， List<String>> authCache = new ConcurrentHashMap<String， List<String>>();    private ConcurrentHashMap<String， List<URI>> validUriCache = new ConcurrentHashMap<String， List<URI>>();    private ConcurrentHashMap<String， List<URI>> uriCache = new ConcurrentHashMap<String， List<URI>>();    ......}

没有任何 static 变量，同时也没有往任何全局变量注册自身。换言之，在类的成员(Member)中，是不可能出现内存泄露的。

当时只粗略的过了一过成员变量，回过头来细想，还是漏了不少地方的。

更多信息

由于代码排查下来，感觉这块不应该出现内存泄露(但是事实确是如此的打脸)。这个类也没有显式用到堆外内存，而且只占了 130M，和 4G 比起来微不足道，还是先去追查主要矛盾再说。

使用 jstack dump 线程信息

现场信息越多，越能找出蛛丝马迹。先用 jstack 把线程信息 dump 下来看下。

这一看，立马发现了不同，除了正常的 IO 线程以及框架本身的一些守护线程外，竟然还多出来了 12563 多个线程。

"Thread-5" daemon prio=10 tid=0x00007fb79426e000 nid=0x7346 waiting on condition [0x00007fb7b5678000]   java.lang.Thread.State: TIMED_WAITING (sleeping)    at java.lang.Thread.sleep(Native Method)    at com.xxxxx.CachedBnsClient$1.run(CachedBnsClient.java:62)

而且这些正好是运行再 CachedBnsClient 的 run 方法上面！这些特定线程的数量正好是 12452 个，和 cachedBnsClient 数量一致!

再次 check 对应代码

原来刚才看 CachedBnsClient 代码的时候遗漏掉了一个关键的点!

    public CachedBnsClient(BnsClient client) {        super();        this.backendClient = client;        new Thread() {            @Override            public void run() {                for (; ; ) {                    refreshCache();                    try {                        Thread.sleep(60 * 1000);                    } catch (InterruptedException e) {                        logger.error("出错"， e);                    }                }            }            ......        }.start();    }

这段代码是 CachedBnsClient 的构造函数，其在里面创建了一个无限循环的线程，每隔 60s 启动一次刷新一下里面的缓存!

找到关键点

在看到 12452 个等待在 CachedBnsClient.run 的业务的一瞬间笔者就意识到，肯定是这边的线程导致对外内存泄露了。下面就是根据线程大小计算其泄露内存量是不是确实能够引起 OOM 了。

发现内存计算对不上

由于我们这边设置的 Xss 是 512K，即一个线程栈大小是 512K，而由于线程共享其它 MM 单元(线程本地内存是是现在线程栈上的)，所以实际线程堆外内存占用数量也是 512K。进行如下计算:

12563 * 512K = 6331M = 6.3G

整个环境一共 4G，加上 JVM 堆内存 1.8G(1792M)，已经明显的超过了 4G。

(6.3G + 1.8G)=8.1G > 4G

如果按照此计算，应用应用早就被 OOM 了。

怎么回事呢？

为了解决这个问题，笔者又思考了好久。如下所示:

Java 线程底层实现

JVM 的线程在 linux 上底层是调用 NPTL(Native Posix Thread Library)来创建的，一个 JVM 线程就对应 linux 的 lwp(轻量级进程，也是进程，只不过共享了 mm_struct，用来实现线程)，一个 thread.start 就相当于 do_fork 了一把。

其中，我们在 JVM 启动时候设置了-Xss=512K(即线程栈大小)，这 512K 中然后有 8K 是必须使用的，这 8K 是由进程的内核栈和 thread_info 公用的，放在两块连续的物理页框上。如下图所示:

gc_thread_task

众所周知，一个进程(包括 lwp)包括内核栈和用户栈，内核栈+thread_info 用了 8K，那么用户态的栈可用内存就是:

512K-8K=504K

如下图所示:

gc_kernel_user

Linux 实际物理内存映射

事实上 linux 对物理内存的使用非常的抠门，一开始只是分配了虚拟内存的线性区，并没有分配实际的物理内存，只有推到最后使用的时候才分配具体的物理内存，即所谓的请求调页。如下图所示:

gc_do_page_fault

查看 smaps 进程内存使用信息

使用如下命令，查看

cat /proc/[pid]/smaps > smaps.txt

实际物理内存使用信息，如下所示:

7fa69a6d1000-7fa69a74f000 rwxp 00000000 00:00 0 Size:                504 kBRss:                  92 kBPss:                  92 kBShared_Clean:          0 kBShared_Dirty:          0 kBPrivate_Clean:         0 kBPrivate_Dirty:        92 kBReferenced:           92 kBAnonymous:            92 kBAnonHugePages:         0 kBSwap:                  0 kBKernelPageSize:        4 kBMMUPageSize:           4 kB
7fa69a7d3000-7fa69a851000 rwxp 00000000 00:00 0 Size:                504 kBRss:                 152 kBPss:                 152 kBShared_Clean:          0 kBShared_Dirty:          0 kBPrivate_Clean:         0 kBPrivate_Dirty:       152 kBReferenced:          152 kBAnonymous:           152 kBAnonHugePages:         0 kBSwap:                  0 kBKernelPageSize:        4 kBMMUPageSize:           4 kB

搜索下 504KB，正好是 12563 个，对了 12563 个线程，其中 Rss 表示实际物理内存(含共享库)92KB，Pss 表示实际物理内存(按比例共享库)92KB(由于没有共享库，所以 Rss==Pss)，以第一个 7fa69a6d1000-7fa69a74f000 线性区来看，其映射了 92KB 的空间，第二个映射了 152KB 的空间。如下图所示:

gc_mem

挑出符合条件（即 size 是 504K）的几十组看了下，基本都在 92K-152K 之间，再加上内核栈 8K

(92+152)/2+8K=130K，由于是估算，取整为128K，即反映此应用平均线程栈大小。

注意，实际内存有波动的原因是由于环境不同，从而走了不同的分支，导致栈上的增长不同。

重新进行内存计算

JVM 一开始申请了

-Xmx1792m -Xms1792m

即 1.8G 的堆内内存，这里是即时分配，一开始就用物理页框填充。

12563 个线程，每个线程栈平均大小 128K，即:

128K * 12563=1570M=1.5G的对外内存

取个整数 128K，就能反映出平均水平。再拿这个 128K * 12563 =1570M = 1.5G，加上 JVM 的 1.8G，就已经达到了 3.3G，再加上 kernel 和日志传输进程等使用的内存数量，确实已经接近了 4G，这样内存就对应上了！(注:用于定量内存计算的环境是一台内存用量将近 4G，但还没 OOM 的机器)

为什么在物理机上没有应用 Down 机

笔者登录了原来物理机，应用还在跑，发现其同样有堆外内存泄露的现象，其物理内存使用已经达到了 5 个多 G!幸好物理机内存很大，而且此应用发布还比较频繁，所以没有被 OOM。

Dump 了物理机上应用的线程，

一共有28737个线程，其中28626个线程等待在CachedBnsClient上。

同样用 smaps 查看进程实际内存信息，其平均大小依旧为

128K，因为是同一应用的原因

继续进行物理内存计算

1.8+(28737 * 128k)/1024K =(3.6+1.8)=5.4G

进一步验证了我们的推理。

这么多线程应用为什么没有卡顿

因为基本所有的线程都睡眠在

 Thread.sleep(60 * 1000);//一次睡眠60s

上。所以仅仅占用了内存，实际占用的 CPU 时间很少。

总结

查找 Bug 的时候，现场信息越多越好，同时定位 Bug 必须要有实质性的证据。例如内存泄露就要用你推测出的模型进行定量分析。在定量和实际对不上的时候，深挖下去，你会发现不一样的风景!

公众号

关注笔者公众号，获取更多干货文章: