一次线上服务高 CPU 占用优化实践

关注
发布于: 2020 年 05 月 06 日
线上有一个非常繁忙的服务的 JVM 进程 CPU 经常跑到 100% 以上，下面写了一下排查的过程。通过阅读这篇文章你会了解到下面这些知识。
﻿
Java 程序 CPU 占用高的排查思路
可能造成线上服务大量异常的 log4j 假异步
Kafka 异步发送的优化
On-CPU 火焰图的原理和解读
使用 Trie 前缀树来优化 Spring 的路径匹配
﻿
开始尝试﻿
JVM CPU 占用高，第一反应是找出 CPU 占用最高的线程，看这个线程在执行什么，使用 top 命令可以查看进程中所有线程占用的 CPU 情况，命令如下所示。
﻿
top -Hp you_pid
﻿
输出如下：
﻿
  PID USER      PR  NI    VIRT    RES    SHR S %CPU %MEM     TIME+ COMMAND
   48 root      20   0 30.367g 2.636g  12940 S  12.7  2.9  36:15.18 java
 2365 root      20   0 30.367g 2.636g  12940 R  1.3  2.9   2:33.64 java
 2380 root      20   0 30.367g 2.636g  12940 S  1.3  2.9   2:33.10 java
 2381 root      20   0 30.367g 2.636g  12940 S  1.3  2.9   2:33.41 java
10079 root      20   0 30.367g 2.636g  12940 S  1.3  2.9   0:30.73 java
   10 root      20   0 30.367g 2.636g  12940 S  1.0  2.9   4:08.54 java
   11 root      20   0 30.367g 2.636g  12940 S  1.0  2.9   4:08.55 java
   92 root      20   0 30.367g 2.636g  12940 S  1.0  2.9   2:53.71 java
  681 root      20   0 30.367g 2.636g  12940 S  1.0  2.9   2:52.56 java
  683 root      20   0 30.367g 2.636g  12940 S  1.0  2.9   2:56.81 java
  690 root      20   0 30.367g 2.636g  12940 S  1.0  2.9   3:34.24 java
﻿
可以看到占用 CPU 最高的线程 PID 为 48(0x30)，使用 jstack 输出当前线程堆栈，然后 grep 一下 0x30，如下所示。
﻿
jstack 1 | grep -A 10 "0x30 "
﻿
输出结果如下。
﻿
"kafka-producer-network-thread | producer-1" #35 daemon prio=5 os_prio=0 tid=0x00007f9ac4fc7000 nid=0x30 runnable [0x00007f9ac9b88000]
   java.lang.Thread.State: RUNNABLE
        at sun.nio.ch.EPollArrayWrapper.epollWait(Native Method)
        at sun.nio.ch.EPollArrayWrapper.poll(EPollArrayWrapper.java:269)
        at sun.nio.ch.EPollSelectorImpl.doSelect(EPollSelectorImpl.java:93)
        at sun.nio.ch.SelectorImpl.lockAndDoSelect(SelectorImpl.java:86)
        - locked <0x0000000094ef70c8> (a sun.nio.ch.Util$3)
        - locked <0x0000000094ef70e0> (a java.util.Collections$UnmodifiableSet)
        - locked <0x000000009642bbb8> (a sun.nio.ch.EPollSelectorImpl)
        at sun.nio.ch.SelectorImpl.select(SelectorImpl.java:97)
        at org.apache.kafka.common.network.Selector.select(Selector.java:686)
﻿
可以看到这是一个 kafka 的发送线程。我们的日志打印是使用 log4j2 的 kafka 插件将日志文件写入到 kafka，日志写入量非常大。接下来先来优化这个 kafka 发送线程的 CPU 占用。
﻿
Log4j2 下 KafkaAppender 优化﻿
KafkaAppender 中封装了 KafkaProducer，经过测试与 KafkaProducer 发送频率有很大关系的有这几个参数 batch.size、linger.ms。接下来看看这里几个参数有什么实际的作用。
﻿
linger.ms﻿
KafkaProducer 在 batch 缓冲区满或者 linger.ms 时间到达时，会讲消息发送出去。
linger.ms 用来指定发送端在 batch 缓冲池被填满之前最多等待多长时间，相当于 TCP 协议的 Nagle 算法。
﻿
这个值默认为 0，只要有数据 Sender 线程就会一直发，不会等待，就算 batch 缓冲区只有一条数据也会立即发送。这样消息发送的延迟确实很低，但是吞吐量会变得很差。
﻿
设置一个大于 0 的值，可以让发送端在缓冲区没有满的情况下等待一段时间，累积 linger.ms 时间的数据一起发送。这样可以减少请求的数量，避免频繁发送太多小包，不会立即发送数据。这样增加了消息的时延（latency），但是提高了吞吐量（throughput）。
﻿
batch.size﻿
KafkaProducer 在发送多条消息时，会把发往同一个 partition 的的消息当做一个 batch 批量发送。
﻿
batch.size 用于指定批量发送缓存内存区域的大小，注意这里不是条数，默认值是 16384（16KB）
﻿
当 batch 缓冲区满，缓冲区中所有的消息会被发送出去。这并不意味着 KafkaProducer 会等到 batch 满才会发，不然只有一条消息时，消息就一直发不出去了。linger.ms 和 batch.size 都会影响 KafkaProducer 的发送行为。
﻿
batch.size 值设置太小会降低吞吐量，太大会浪费内存。
﻿
我们线上的配置这两个值都没配置，会按 linger.ms=0，batch.size 为 16KB 的配置运行，因为日志产生的非常频繁，Sender 线程几乎不会闲下来，一直在处理发送数据包。
﻿
log4j2 的异步 Appender 潜在的坑﻿
在做 Kafka 发送端的参数调整之前有一个风险点，log4j2 的异步 Appender 潜在的坑需要提前避免，否则会造成线上业务接口的大量超时。
﻿
log4j2 的异步 Appender 原理上是在本地利用了本地的一个 ArrayBlockingQueue 存储应用层发过来的消息，这个 queue 的大小默认值在 2.7 版本的 log4j2 中是 128，在高版本中，这个值已经被调为了 1024。如果 KafkaAppender 处理的比较慢，很快这个队列就填满，如下图所示。
﻿
﻿
填满以后就涉及到是 blocking 等待，还是丢弃后面加入的日志的问题，比较坑的是 log4j2 的默认配置是 DefaultAsyncQueueFullPolicy，这个策略是同步阻塞等待当前线程。我们可以选择将这个值设置为丢弃，以保证不管底层的日志写入慢不慢，都不能影响上层的业务接口，大不了就丢弃部分日志。log4j 提供了配置项，将系统属性 log4j2.AsyncQueueFullPolicy 设置为 Discard 即可。
﻿
这还没完，设置了队列满的策略为 Discard 后，log4j 默认只会舍弃 INFO 及以下级别的日志。如果系统大量产生 WARN、ERROR 级别的日志，就算策略是 Discard 还是会造成阻塞上游线程，需要将 log4j2.DiscardThreshold 设置为 ERROR 或者 FATAL。
﻿
修改了 KafkaProducer 和 log4j 的参数以后，kafka 发送线程的 CPU 占用降低到了 5% 以下，整体的 CPU 负载依旧是比较高的，接下来继续排查。
﻿
万能的火焰图﻿
一开始本来想用 perf、dtrace、systemtap 等工具来生成火焰图，无奈在 Docker 容器中没有 privileged 权限，我一一尝试了都无法运行上面的所有命令，好在是 Arthas 提供了火焰图生成的命令 profiler，它的原理是利用 async-profiler 对应用采样，生成火焰图。
﻿
使用 arthas Attach 上 JVM 进程以后，使用 profiler start 开始进行采样，运行一段时间后执行 profiler stop 就可以生成火焰图 svg 了，部分如下图所示。
﻿
火焰图有几个特征：
﻿
每个框代表栈里的一个函数；
Y 轴表示函数调用栈的深度，下层函数是上层函数的父调用。调用栈越深，火焰越高；
X 轴不是表示时间的流逝，而是表示抽样数，一个函数在 X 轴的宽度越宽，表示它在采样中被抽到的次数越多，执行时间越长。
﻿
从上面的图可以看到 kafka 和 Spring 函数执行的 CPU 占用最多，kafka 的问题上面的内容可以优化，接下来我们来看 Spring 函数相关调用栈。
﻿
log4j 行号计算的代价﻿
把 svg 放大，可以看到有一个顶一直都平很高，函数是 Log4jLogEvent.calcLocation，也就是 log4j 生成日志打印行数的计算的地方，如下图所示。
﻿
﻿
计算行号的原理实际上是通过获取当前调用堆栈来实现的，这个计算性能很差，具体有多慢，网上有很多 benchmark 的例子可以实测一下。
﻿
我们把 log4j 的行号输出关掉，CPU 占用又小了一点点，这个平顶的调用也不见了。
﻿
使用 Trie 前缀树来优化 Spring 本身的性能问题﻿
继续分析占用高函数调用。因为历史的原因，我们在 url 设计上没有能提前考虑将不需要走鉴权的 url 放在同一个前缀路径下，导致 interceptor 的 exclude-mapping 配置有一百多个，如下所示。
﻿
<mvc:interceptors>
    <mvc:interceptor>
        <mvc:mapping path="/*"/>
        <mvc:exclude-mapping path="/login"/>
        <mvc:exclude-mapping path="//login"/>
        <mvc:exclude-mapping path="//activity/teacher"/>
        <mvc:exclude-mapping path="/masaike/dynamic/"/>
        ...下面还有一百多个这样的 exclude...
        <mvc:exclude-mapping path="/masaike/aaaa/"/>
        <mvc:exclude-mapping path="/masaike/*/hello"/>
       <bean class="com.masaike.AuthenticationHandlerInterceptor"/>
    </mvc:interceptor>
</mvc:interceptors>
﻿
Spring MVC 处理这一段的逻辑在 org.springframework.web.servlet.handler.MappedInterceptor
﻿
﻿
对于一个需要鉴权的接口，它会遍历整个 excludePatterns 列表
对于一个的确不需要鉴权的接口，for 循环会在中间 break。最坏的情况下，也需要遍历完所有的 excludePatterns 列表
﻿
这样效率太低了，我们完全可以优化这段逻辑，使用 trie 树来实现路径的匹配，与普通 trie 树有区别的地方在于，这里的 trie 树需要能支持中间带通配符  和 * 的格式。
﻿
假如我们有下面这些路径：
﻿
  "/api/*/login"
, "/wildcard/"
, "/wildcard//hello"
, "/v2/hello/"
, "/v2/user/info/"
, "/v2/user/feed/"
, "/v2/user/feed2/"
﻿
生成的 trie 树如下所示。
﻿
.
└──api
	└──
		└──login
└──v2
	└──hello
	└──user
		└──feed
		└──feed2
		└──info
└──wildcard
	└──*
﻿
实现倒是非常简单，每个 node 节点都有包含一个 map 表示的 child 列表，这样在查找的时候就非常快。
﻿
/*
  @author Arthur.Zhang (zhangya@imlizhi.com)
  用于匹配 /a/b/c, , * 这种格式的前缀匹配
  参考了 ZooKeeper 和 lucene 的 trie 实现
 /
public class PathTrie {
    private Node root = new Node(emptyList(), null);
﻿
    public PathTrie() {
    }
﻿
    public void insert(String path, String obj) {
        List<String> parts = getPathSegments(path);
        insert(parts, obj);
    }
﻿
    public void insert(List<String> parts, String o) {
        if (parts.isEmpty()) {
            root.obj = o;
            return;
        }
        root.insert(parts, o);
    }
﻿
    private static List<String> getPathSegments(String path) {
        return Splitter.on('/').splitToList(path).stream().filter(it -> !it.isEmpty()).collect(Collectors.toList());
    }
﻿
    public boolean existsPath(String path) {
        return root.exists(getPathSegments(path), 0);
    }
﻿
    public void dump() {
        if (root != null) root.dump();
    }
﻿
    private static class Node {
        String name;
        Map<String, Node> children;
        String obj; // 标识是否是叶子节点
﻿
        Node(List<String> path, String obj) {
            if (path.isEmpty()) {
                this.obj = obj;
                return;
            }
            name = path.get(0);
        }
﻿
        private synchronized void insert(List<String> parts, String o) {
            String part = parts.get(0);
            Node matchedChild;
﻿
            // 如果是 ，后面的路径节点不用再插入了
            if ("".equals(name)) {
                return;
            }
            if (children == null) children = new ConcurrentHashMap<>();
﻿
            matchedChild = children.get(part);
            if (matchedChild == null) {
                matchedChild = new Node(parts, o);
                children.put(part, matchedChild);
            }
﻿
            // 移除已处理的
            parts.remove(0);
            if (parts.isEmpty()) { // 如果已经到底，将最后一个 child 的 obj 赋值
                matchedChild.obj = o;
            } else {
                matchedChild.insert(parts, o); //还没有到底，继续递归插入
            }
﻿
        }
﻿
        /
          @param pathSegments 路径分割以后的 word 列表，比如 /a/b/c -> 'a' , 'b' , 'c'
          @param level        当前路径遍历的 level 深度，比如 /a/b/c -> 0='a' 1='b' 2='c'
         /
        public boolean exists(List<String> pathSegments, int level) {
            // 如果已经把传入的 path 遍历完了
            if (pathSegments.size() < level + 1) {
                // 如果当前 trie 树不是叶子节点
                if (obj == null) {
                    // 获取叶子节点是否包含 ，如果包含的话，则匹配到
                    Node n = children.get("");
                    if (n != null) {
                        return true;
                    }
                }
                return obj != null;
            }
            if (children == null) {
                return false;
            }
            String pathSegment = pathSegments.get(level);
﻿
            // 1、首先找绝对匹配的
            Node n = children.get(pathSegment);
            // 2、如果不存在，则找是否包含  的
            if (n == null) {
                n = children.get("");
            }
            // 3、如果还不存在，则找是否包含  的
            if (n == null) {
                n = children.get("");
                if (n != null) {
                    return true;
                }
            }
            // 4、如果这些都没有找到，则返回 false
            if (n == null) {
                return false;
            }
            // 5、如果找到了一个 node，则继续递归查找
            return n.exists(pathSegments, level + 1);
        }
﻿
        @Override
        public String toString() {
            return "Node{" +
                           "name='" + name + '\'' +
                           ", children=" + children +
                           '}';
        }
﻿
        /*
          使用类似 tree 命令的输出格式打印这棵前缀数
          .
          └──api
          	└──
          		└──login
          └──v2
          	└──hello
          	└──user
          		└──feed
          		└──feed2
          		└──info
          └──wildcard
          	    └──
         /
        public void dump() {
            dump(0);
        }
﻿
        public void dump(int level) {
            if (level == 0) {
                System.out.println(".");
            } else {
                StringBuilder sb = new StringBuilder();
                for (int i = 0; i < level - 1; i++) {
                    sb.append("\t");
                }
                sb.append("└──").append(name);
                System.out.println(sb.toString());
            }
            if (children != null && !children.isEmpty()) {
                for (Map.Entry<String, Node> item : children.entrySet()) {
                    item.getValue().dump(level + 1);
                }
            }
        }
    }
}
﻿
采用 Trie 的实现之后，平均的 CPU 占比消耗降低了 5% 左右。
﻿
小结﻿
整体优化以后，高峰期间的 CPU 占用从 100% 左右下降到了 35%，效果还是比较明显的。
﻿
性能优化是一个全栈的工程，能发现问题就已经解决了一大半了。另外光会命令是不够的，理解底层原理才能真正的有的放矢，发现问题的核心所在。
﻿