来这公司一年碰到的问题比我过去 10 年都多

无意间发现我们 Kafka 管理平台的服务的 open files 和 CPU 监控异常，如下图，有一台机器 CPU 和 opfen files 指标持续在高位，尤其是 open files 达到了 4w+。

原因分析

第一反应是这个服务请求很高？但是这个服务是一个管理服务不应该有很高的请求量才对，打开监控一看，QPS 少的可怜。

既然机器还在就找 devops 同学帮忙使用 Arthas 简单看下是什么线程导致的，竟然是 GC 线程，瞬时 CPU 几乎打满了。

查看了 GC 监控，每分钟 5~6 次相比其他的正常节点要多很多，并且耗时很长。

问题节点 GC Count

正常节点 GC Count

应该是代码出问题了，继续求助 devops 将线上有问题的机器拉了一份 dump，使用 MAT 工具分析了下，打开 dump 就提示了两个风险点，两个都像是指标相关的对象。

查看详情发现两个可疑对象，一个是 60+M 的 byte[]， 一个是 60+M 的 map，都是指标相关的对象，问题应该出在指标上。

初步去排查了下代码，看是否有自定义指标之类的，发现一个 job 会对指标进行操作，就把 job 停了一段时间，GC 少了很多，但是 open files 只减少了一点点， 很明显不是根本原因。

继续深入，将 byte[] 保存成字符串查看(确实文本也有 60+M)，发现全是 JMX 的指标数据，我们的系统使用了两种指标一种是 Micrometer，一种是 prometheus-jmx-exporter，这个 byte[] 数组就是第二种指标的数据。

并且这些指标中发现有非常多的 kafka_producer 开头的指标。

为了验证是否属于 JMX 的指标数据，再次求助 devops 拉取线上有问题机器的 JMX 指标接口， 看返回的是否是 60M+ 的指标数据，发现根本拉不下来。

到此基本确认问题出在 JMX 指标上， 那这些指标谁注册的呢?

通过指标名称在源代码里搜索，发现是来自org.apache.kafka.common.network.Selector.SelectorMetrics，是 kafka-client注册的指标。

具体的创建顺序如下，每创建一个KafkaProducer，就会以 client id 为唯一标识创建一个SelectorMetrics， 而创建 KafkaProducer 会创建一个守护线程，并开启一个长连接定时去 Broker 拉取/更新 Metadata 信息，这个就是 open files 飙高的根本原因。

KafkaProducer -> Sender -> Selector -> SelectorMetrics

难道创建了很多 KafkaProducer？？？查看构造方法调用的地方，找到了真凶。。。

这段代码是为了支持延迟消息，业务服务每发一个延迟消息，就会执行一次这段逻辑， 就会创建一个 KafkaProducer，并且会随着收到的消息越来越多导致创建的 KafkaProducer 越来越多，直至系统无法承受。。。

庆幸的是我们延迟消息并不是太多，没有直接把系统给打挂掉

那为什么只有一个节点会有问题，其他节点没有问题呢？这个比较简单直接说结果了，就是这段消费逻辑消费的 topic 只有一个分区....

解决方案:

由于 Kafka 管理平台会连接多个 Broker，所以此处将创建的 KafkaProducer 根据 Cluster 缓存起来进行复用。

问题总结:

1. KafkaProducer 本身是一个很重的对象，并且线程安全，创建的时候注意考虑场景

2. 此次问题完全是凭运气提前发现了，证明监控系统也存在不够完善的地方， 我们使用 Prometheus 的标准差函数 (stddev() by()) 配置了资源严重倾斜的监控告警，防止出现类似的问题。