Serverless 冷扩机器在压测中被击穿问题 | 京东云技术团队

一、现象回顾

在今天 ForceBot 全链路压测中，有位同事负责的服务做 Serverless 扩容（负载达到 50%之后自动扩容并上线接入流量）中，发现新扩容的机器被击穿，监控如下（关注 2:40-3:15 时间段的数据），我们可以看到，超高 CPU，频繁 FullGC，并且每次 FullGC 之后对内存并不回收（见 FullGC 时间段对应的堆内存的曲线，是一条横线）

分析结论： 内存已经被处理线程全部占完，FullGC 之后基本收不回多少内存，那么意味着很快又会继续 FullGC，频繁 FullGC 占用大量 CPU 时间片段和暂停会导致系统处理能力剧烈下降，最终导致整个 JVM 进入崩溃状态

二、问题重现

如上只是我们的理论分析，我们重新进行现象回放，模拟问题重现，目前订单单机 400QPS 下，CPU 大概是达到 30-40%，我们模拟一下在没有提前预热（重启 Java 服务）的情况下，使用压测脚本对服务进行请求回放，如下是我们一次重现的结果 （非必定，会有一定的概率重现），同样的高 CPU、频繁 FullGC，对内存无法被回收，JVM 直接进入崩溃状态

分析结论： 我们需要避免瞬间流量让服务进入超高负载，进而被击穿

三、解决方案

针对如上情况，我们尝试使用 Sentinel 的系统规则，在系统负载过高的时候自动进行熔断，避免系统过载导致被击穿，我们设置一条 CPU 不超过 80%的系统保护规则，如下，通过后面几个过程，我们对比一下这条规则对我们系统的影响

1.冷启动状态下，没有设置系统保护规则的场景

在没有配置如上规则的情况下，即便没有被击穿，我们看到，在冷启动的状态下，系统大概需要 5-7 分钟的时间来让系统从“准崩溃状态”中恢复回来，如下是 CPU 监控视图（大概 6 分钟左右处于高负载的 CPU 状态下，一旦恢复回来，CPU 仅在 30-40%左右）

压测端在高 CPU 阶段 QPS 上不去，仅在 50-100 之间波动，CPU 恢复之后，QPS 迅速上涨到 400，整个过程 Sentinel 无熔断发生

2.热启动状态下，没有设置系统保护规则：

在热启动状态下，我们在上面压测完一轮之后再压测一轮，我们可以看到这个时候系统就没有一个“预热过程”的“准崩溃状态”了

3.冷启动状态下，设置系统保护规则

我们再压测一下冷启动状态下设置系统保护规则的情况（压测前重新启动一下 Java 进程，让应用处于“冷启动”的状态），看如下监控图，只要系统不进入“准崩溃状态”，那么系统会很快就恢复到正常状态，从下面图上看冷启动下对系统的影响只有前一分钟

如下是压测端视图

如下是 CPU 的情况

如下是 Sentinel 熔断情况，有 1 分钟左右有熔断发生

4.冷启动性能差之谜

冷启动过程性能比较慢，主要是有几方面因素导致：

1）HotSpot JVM 优化：热点监测 JVM 会在程序运行期间不断对代码进行不同级别的优化，高频执行代码会被 JIT Compiler 优化到最佳的状态，而在冷启动开始运行的时候，代码还处于原始状态，性能相对会差

2）资源就绪情况：譬如一些线程池在开始运行之后才会被创建，或者程序中有一些连接是在启动之后才会开始建立

3）崩溃循环：当 CPU 升高之后，线程切换等操作本身可能会导致 CPU 更高，从而让系统螺旋式进入一种越来越糟糕的状态，直到达到一个平衡点，而上面的 1）和 2）随着运行的优化会在达到平衡点之后打破平衡点，螺旋式下降让系统恢复到比较好的状态，但最糟糕的情况是达不到平衡点系统直接崩溃无法恢复

四、题外话

这个问题不仅仅出现在 Serverless 冷扩，如果有一天，你发现请求量暴涨负载过高，于是你扩容了机器，然后你接入了流量，哐当，被打崩了......这个场景是不是太过惨淡了

作者：京东零售 吴毓群

内容来源：京东云开发者社区