ToB企服应用市场:ToB评测及商务社交产业平台

标题: 面试官问我：线程锁导致的kafka客户端超时，如何解决？ [打印本页]
作者: 河曲智叟    时间: 2024-2-26 20:51
标题: 面试官问我：线程锁导致的kafka客户端超时，如何解决？
本文分享自华为云社区《线程锁导致的kafka客户端超时问题》，作者： 张俭 。
问题背景

有一个环境的kafka client发送数据有部分超时，拓扑图也非常简单

定位历程

我们先对客户端的环境及JVM情况进行了排查，从JVM所在的虚拟机到kafka server的网络正常，垃圾回收（GC）时间也在预期范围内，没有出现异常。
紧接着，我们把目光转向了kafka 服务器，进行了一些基础的检查，同时也查看了kafka处理请求的超时日志，其中我们关心的metadata和produce请求都没有超时。
问题就此陷入了僵局，虽然也搜到了一些kafka server会对连上来的client反解导致超时的问题（ https://github.com/apache/kafka/pull/10059），但通过一些简单的分析，我们确定这并非是问题所在。
同时，我们在环境上也发现一些异常情况，当时觉得不是核心问题/解释不通，没有深入去看
当排查陷入僵局，我们开始考虑其他可能的调查手段。我们尝试抓包来找线索，这里的抓包是SASL鉴权+SSL加密的，非常难读，只能靠长度和响应时间勉强来推断报文的内容。
在这个过程中，我们发现了一个非常重要的线索，客户端竟然发起了超时断链，并且超时的那条消息，实际服务端是有响应回复的。
随后我们将kafka client的trace级别日志打开，这里不禁感叹kafka client日志打的相对较少，发现的确有log.debug(“Disconnecting from node {} due to request timeout.”, nodeId);的日志打印。
与网络相关的流程：
  1. try {
  3. // 这里发出了请求
  5. client.send(request, time.milliseconds());
  7. while (client.active()) {
  9. List<ClientResponse> responses = client.poll(Long.MAX_VALUE, time.milliseconds());
  11. for (ClientResponse response : responses) {
  13. if (response.requestHeader().correlationId() == request.correlationId()) {
  15. if (response.wasDisconnected()) {
  17. throw new IOException("Connection to " + response.destination() + " was disconnected before the response was read");
  19. }
  21. if (response.versionMismatch() != null) {
  23. throw response.versionMismatch();
  25. }
  27. return response;
  29. }
  31. }
  33. }
  35. throw new IOException("Client was shutdown before response was read");
  37. } catch (DisconnectException e) {
  39. if (client.active())
  41. throw e;
  43. else
  45. throw new IOException("Client was shutdown before response was read");
  47. }
复制代码
这个poll方法，不是简单的poll方法，而在poll方法中会进行超时判断，查看poll方法中调用的handleTimedOutRequests方法
  1. @Override
  3. public List<ClientResponse> poll(long timeout, long now) {
  5. ensureActive();
  7. if (!abortedSends.isEmpty()) {
  9. // If there are aborted sends because of unsupported version exceptions or disconnects,
  11. // handle them immediately without waiting for Selector#poll.
  13. List<ClientResponse> responses = new ArrayList<>();
  15. handleAbortedSends(responses);
  17. completeResponses(responses);
  19. return responses;
  21. }
  23. long metadataTimeout = metadataUpdater.maybeUpdate(now);
  25. try {
  27. this.selector.poll(Utils.min(timeout, metadataTimeout, defaultRequestTimeoutMs));
  29. } catch (IOException e) {
  31. log.error("Unexpected error during I/O", e);
  33. }
  35. // process completed actions
  37. long updatedNow = this.time.milliseconds();
  39. List<ClientResponse> responses = new ArrayList<>();
  41. handleCompletedSends(responses, updatedNow);
  43. handleCompletedReceives(responses, updatedNow);
  45. handleDisconnections(responses, updatedNow);
  47. handleConnections();
  49. handleInitiateApiVersionRequests(updatedNow);
  51. // 关键的超时判断
  53. handleTimedOutRequests(responses, updatedNow);
  55. completeResponses(responses);
  57. return responses;
  59. }
复制代码
由此我们推断，问题可能在于客户端hang住了一段时间，从而导致超时断链。我们通过工具Arthas深入跟踪了Kafka的相关代码，甚至发现一些简单的操作（如A.field）也需要数秒的时间。这进一步确认了我们的猜想：问题可能出在JVM。JVM可能在某个时刻出现问题，导致系统hang住，但这并非由GC引起。

为了解决这个问题，我们又检查了监控线程CPU较高的问题。我们发现线程的执行热点是从"sun.management.ThreadImpl"中的"getThreadInfo"方法。
  1. "metrics-1@746" prio=5 tid=0xf nid=NA runnable
  3. java.lang.Thread.State: RUNNABLE
  5. at sun.management.ThreadImpl.getThreadInfo(Native Method)
  7. at sun.management.ThreadImpl.getThreadInfo(ThreadImpl.java:185)
  9. at sun.management.ThreadImpl.getThreadInfo(ThreadImpl.java:149)
复制代码
进一步发现，在某些版本的JDK8中，读取线程信息是需要加锁的。
至此，问题的根源已经清晰明了：过高的线程数以及线程监控时JVM全局锁的存在导致了这个问题。您可以使用如下的demo来复现这个问题
  1. import java.lang.management.ManagementFactory;
  3. import java.lang.management.ThreadInfo;
  5. import java.lang.management.ThreadMXBean;
  7. import java.util.concurrent.Executors;
  9. import java.util.concurrent.ScheduledExecutorService;
  11. import java.util.concurrent.TimeUnit;
  13. public class ThreadLockSimple {
  15. public static void main(String[] args) {
  17. for (int i = 0; i < 15_000; i++) {
  19. new Thread(new Runnable() {
  21. @Override
  23. public void run() {
  25. try {
  27. Thread.sleep(200_000);
  29. } catch (InterruptedException e) {
  31. throw new RuntimeException(e);
  33. }
  35. }
  37. }).start();
  39. }
  41. ScheduledExecutorService executorService = Executors.newSingleThreadScheduledExecutor();
  43. executorService.scheduleAtFixedRate(new Runnable() {
  45. @Override
  47. public void run() {
  49. System.out.println("take " + " " + System.currentTimeMillis());
  51. }
  53. }, 1, 1, TimeUnit.SECONDS);
  55. ThreadMXBean threadMXBean = ManagementFactory.getThreadMXBean();
  57. ScheduledExecutorService metricsService = Executors.newSingleThreadScheduledExecutor();
  59. metricsService.scheduleAtFixedRate(new Runnable() {
  61. @Override
  63. public void run() {
  65. long start = System.currentTimeMillis();
  67. ThreadInfo[] threadInfoList = threadMXBean.getThreadInfo(threadMXBean.getAllThreadIds());
  69. System.out.println("threads count " + threadInfoList.length + " cost :" + (System.currentTimeMillis() - start));
  71. }
  73. }, 1, 1, TimeUnit.SECONDS);
  75. }
  77. }
复制代码
为了解决这个问题，我们有以下几个可能的方案：
这个问题的解决方案应根据实际情况进行选择，希望对你有所帮助。
 
点击关注，第一时间了解华为云新鲜技术~
 

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！



欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/) Powered by Discuz! X3.4