redisson内存走漏问题排查
问题形貌最近生产有个服务突然出现频繁告警，接口P99响应时间变长，运维同学观察到相应的pod cpu飙升，内存占用很高。
cpu升高问题排查是老生常谈的话题了，一般可以利用top -p pid -H查看是哪个线程占用cpu高，再结合jstack找到对应的java线程代码。
不外履历告诉我们，cpu升高另有另外一个更常见的原因，内存不足导致频繁gc。垃圾收集器回收内存后又很快不足，继续回收，循环这个过程，而gc期间涉及到STW，用户线程会被挂起，响应时间天然会增加。这里的内存不足可能是正常的服务本身内存就不够用，也可以是异常的程序bug导致内存溢出。
果不其然，其时节点的full gc时间陡增，通过jstat -gcutil pid 500 30也可以看到fc非常频繁。如图：
https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924095840018-604117729.png
这个问题现实月初也出现过，其时研发同学和运维同学通过重启暂时解决，今天又出现了，看来不是简单通过“重启大法”能解决的，这次我们需要分析解决它。
排查过程
这次我们通过heap dump将堆导出分析，命令：
jmap -dump:format=b,file=./pid.hprof pid用jdk自带的virsualvm或idea virsualvm launcher插件打开堆文件可以看到
https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924095917012-2130057838.png
很显着，跟redisson相关，我们利用的版本是3.17.1！查找服务涉及到redisson的地方并不多，调用量高且可疑的只有一处，简化后的代码如下：
RLock lock = this.redissonClient.getLock("mytest");
lock.tryLock(50, 100, TimeUnit.MILLISECONDS);
//业务代码...
RLock lock2 = this.redissonClient.getLock("mytest");
if (lock2.isLocked() && lock2.isHeldByCurrentThread()) {
lock2.unlock();
}起首我们先简单分析下RedissonLock tryLock和unlock的源码，主要地方添加了备注。
@Override
public boolean tryLock(long waitTime, long leaseTime, TimeUnit unit) throws InterruptedException {
long time = unit.toMillis(waitTime);
long current = System.currentTimeMillis();
long threadId = Thread.currentThread().getId();
Long ttl = tryAcquire(waitTime, leaseTime, unit, threadId);
// 获取到锁，返回成功
if (ttl == null) {
return true;
}
time -= System.currentTimeMillis() - current;
if (time <= 0) {
//或取不到锁，且超过等待时间，返回失败
acquireFailed(waitTime, unit, threadId);
return false;
}
current = System.currentTimeMillis();
//订阅锁释放消息，subscribe是本次的核心!!!
CompletableFuture<RedissonLockEntry> subscribeFuture = subscribe(threadId);
try {
subscribeFuture.get(time, TimeUnit.MILLISECONDS);
} catch (ExecutionException | TimeoutException e) {
//超时，获取锁失败
if (!subscribeFuture.cancel(false)) {
subscribeFuture.whenComplete((res, ex) -> {
if (ex == null) {
unsubscribe(res, threadId);
}
});
}
acquireFailed(waitTime, unit, threadId);
return false;
}
try {
time -= System.currentTimeMillis() - current;
if (time <= 0) {
acquireFailed(waitTime, unit, threadId);
return false;
}
//锁释放了，还未超时，自旋尝试获取
while (true) {
long currentTime = System.currentTimeMillis();
ttl = tryAcquire(waitTime, leaseTime, unit, threadId);
// 获取到锁，返回成功
if (ttl == null) {
return true;
}
time -= System.currentTimeMillis() - currentTime;
if (time <= 0) {
//或取不到锁，且超过等待时间，返回失败
acquireFailed(waitTime, unit, threadId);
return false;
}
// 等待锁释放
currentTime = System.currentTimeMillis();
if (ttl >= 0 && ttl < time) {
commandExecutor.getNow(subscribeFuture).getLatch().tryAcquire(ttl, TimeUnit.MILLISECONDS);
} else {
commandExecutor.getNow(subscribeFuture).getLatch().tryAcquire(time, TimeUnit.MILLISECONDS);
}
time -= System.currentTimeMillis() - currentTime;
if (time <= 0) {
//或取不到锁，且超过等待时间，返回失败
acquireFailed(waitTime, unit, threadId);
return false;
}
}
} finally {
//取消订阅
unsubscribe(commandExecutor.getNow(subscribeFuture), threadId);
}
}
AsyncSemaphore主要代码如下，permits是1，listeners是一个无界队列。在我们dump出来的异常实例中有一个AsyncSemaphore lambda对象，也有CompletableFuture lambda对象，看起来和这里高度匹配，这里大概率就是问题所在了，应该是在某种情况下，acquire后没有调用release，导致其它线程调用decrementAndGet的时候是 listener.run()); } private void tryRun() { while (true) { if (counter.decrementAndGet() >= 0) { CompletableFuture future = listeners.poll(); if (future == null) { counter.incrementAndGet(); return; } if (future.complete(null)) { return; } } if (counter.incrementAndGet() ... listeners) { CompletableFuture... listeners) { //... subscribeFuture.whenComplete((res, e) - { if (e != null) { lock.release(); return; } if (!promise.complete(connEntry)) { if (!connEntry.hasListeners(channelName)) { unsubscribe(type, channelName) .whenComplete((r, ex) -> { //这里不会被执行，AsyncSemaphore release没有执行！ lock.release(); }); } else { lock.release(); } } else { lock.release(); } }); return subscribeFuture;} public CompletableFuture unsubscribe(PubSubType topicType, ChannelName channelName) { //... BaseRedisPubSubListener listener = new BaseRedisPubSubListener() { @Override public boolean onStatus(PubSubType type, CharSequence channel) { //这个if不会进入... if (type == topicType && channel.equals(channelName)) { executed.set(true); if (entry.release() == 1) { MasterSlaveEntry msEntry = getEntry(channelName); msEntry.returnPubSubConnection(entry.getConnection()); } //触发外面whenComplete的执行 result.complete(null); return true; } return false; } }; ChannelFuture future; //这里是unsubscribe和punsubscribe，而前面传进来的topicType是subscribe，对不上了 if (topicType == PubSubType.UNSUBSCRIBE) { future = entry.unsubscribe(channelName, listener); } else { future = entry.punsubscribe(channelName, listener); } return result;}问题复现
前面分析得头头是道，我们还得通过实践证明一下，有理有据才行。
我的复现代码如下，通过并发调用加锁，开始运行加个断点在org.redisson.pubsub.PublishSubscribeService#unsubscribe里的BaseRedisPubSubListener的onStatus方法，发现正如前面所说，topicType确实对不上。接着运行一段时间后，打一个断点在AsyncSemaphore.acquire方法，观察到listener属性的size不断增长，通过jmap pid GC.run触发gc后也不会回收，问题得以复现。
@Override
public RFuture<Void> unlockAsync(long threadId) {
RFuture<Boolean> future = unlockInnerAsync(threadId);
CompletionStage<Void> f = future.handle((opStatus, e) -> {
//取消锁续期
cancelExpirationRenewal(threadId);
//...
});
return new CompletableFutureWrapper<>(f);
}
protected RFuture<Boolean> unlockInnerAsync(long threadId) {
return evalWriteAsync(getRawName(), LongCodec.INSTANCE, RedisCommands.EVAL_BOOLEAN,
"if (redis.call('hexists', KEYS, ARGV) == 0) then " +
"return nil;" +
"end; " +
"local counter = redis.call('hincrby', KEYS, ARGV, -1); " +
"if (counter > 0) then " +
"redis.call('pexpire', KEYS, ARGV); " +
"return 0; " +
"else " +
"redis.call('del', KEYS); " +
"redis.call('publish', KEYS, ARGV); " +
"return 1; " +
"end; " +
"return nil;",
Arrays.asList(getRawName(), getChannelName()), LockPubSub.UNLOCK_MESSAGE, internalLockLeaseTime, getLockName(threadId));
}https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924100018228-415550243.png
https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924100021657-2029148633.png
问题解决
在开始排查问题的时候，笔者就在github提issue咨询是什么原因，怎样解决。他们的回复是跟这个相关，并保举升级到3.21.2版本，不外里面提到的形貌跟我的不太一样，所以按照版本选择的履历，我决定将版本升级到3.17末了一个小版本3.17.7试一下，重新跑上面的测试代码，跑一段时间后，发现问题没有出现了。
https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924101825624-1328855262.png
查看org.redisson.pubsub.PublishSubscribeService#unsubscribe源码，发现出问题那段逻辑已经被修复了。
https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924100925033-962864577.png
履历总结
遇到难啃问题几乎是每个开发不可制止的事变，解决问题的过程，方法和事后复盘，履历总结非常重要，对个人的学习和本领提升有很大的帮助。
以下几点是我本次的总结：
[*]及时止损
当生产出现问题，许多开发同学起首会想怎样找到原因，解决根本问题，但现实情况应该是评估影响，及时止损，制止问题发散，扩大影响。
例如不能在短时间内解决的，还要下来慢慢看日志，分析代码的，能回滚的先回滚，能重启的先重启，夺取在出现资损前解决问题，减少对业务产生影响。
[*]向上汇报
遇到棘手问题不要闷声自己想办法解决，正确做法是先向你的leader汇报问题和风险。如果问题比力棘手和严重，可以哀求协助，制止因为个人本领不足迟迟不能解决问题，小问题拖成大问题。
[*]保存现场
有时候问题是难以复现的，像我们本次的情况一个月可能就出现一次，如果直接重启服务，那么等下次问题出现就非常久了。所以正确的做法是保存现场，同时要不影响业务，可以保存一个节点，将其流量摘除，通过jstack/jmap dump出程序堆栈，其它节点重启。
[*]保持耐心
有些问题不是一时半会就能解决的，有的以天为单位，有的可能要一个月才解决。所以保持耐心很重要，多看看官方文档，github issue，分析源码，尝试各种方式，排除各种可能，相信总会找到解决方法。
[*]版本选择
我们选择的redisson版本是3.17.1，现实这个选择不是很好。按照x.y.z的版本规范，x表示大版本，通常是有重大更新，y表示小版本，通常是一些功能迭代，z表示修复版本，通常是修bug用的。例如springboot从2.x升级到3.0，jdk版本要求最低17，是一个非常重大的更新。
上面我为什么选择3.17.7来测试，是因为3.17.7是3.17的末了一个小版本，看到这个版本的release报告你就知道是为什么了，它全部都是在修bug。
固然本次的问题修复不一定在.7这个版本，可能是在1-7之间的某个版本，有兴趣的可以再细看下。
https://img2024.cnblogs.com/blog/2856176/202409/2856176-20240924100842406-1819153071.png
更多分享，接待关注我的github：https://github.com/jmilktea/jtea
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]