--- theme: qklhk-chocolate --- # 事故描述从6点32分开始少量用户访问app时会出现首页访问异常，到7点20分首页服务大规模不可用，7点36分问题解决。 # 整体经过 6:58 发现报警，同时发现群里反馈首页出现网络繁忙，考虑到**前几日**晚上门店列表服务上线发布过，所以考虑回滚代码紧急处理问题。\ 7:07 开始先后联系XXX查看解决问题。\ 7:36 代码回滚完，服务恢复正常。 # 事故根本原因-事故代码模拟 ``` public static void test() throws InterruptedException, ExecutionException { Executor executor = Executors.newFixedThreadPool(3); CompletionService service = new ExecutorCompletionService<>(executor); service.submit(new Callable() { @Override public String call() throws Exception { return "HelloWorld--" + Thread.currentThread().getName(); } }); } ``` **根源就在于ExecutorCompletionService结果没调用take，poll方法。** **正确的写法如下所示：** ``` public static void test() throws InterruptedException, ExecutionException { Executor executor = Executors.newFixedThreadPool(3); CompletionService service = new ExecutorCompletionService<>(executor); service.submit(new Callable() { @Override public String call() throws Exception { return "HelloWorld--" + Thread.currentThread().getName(); } }); service.take().get(); } ``` **一行代码引发的血案，而且不容易被发现，因为oom是一个内存缓慢增长的过程，稍微粗心大意就会忽略，如果是这个代码块的调用量少的话，很可能几天甚至几个月后暴雷。** **操作人回滚or重启服务器确实是最快的方式，但是如果不是事后快速分析出oom的代码，而且不巧回滚的版本也是带oom代码的，就比较悲催了，如刚才所说，流量小了，回滚或者重启都可以释放内存；但是流量大的情况下，除非回滚到正常的版本，否则GG。** # 探询问题的根源为了更好的理解ExecutorCompletionService的 “套路” 我们用 ExecutorService来作为对比，可以让我们更好的清楚，什么场景下用ExecutorCompletionService。 **先看ExecutorService代码（建议down下来跑一跑）** ``` public static void test1() throws Exception{ ExecutorService executorService = Executors.newCachedThreadPool(); ArrayList> futureArrayList = new ArrayList<>(); System.out.println("公司让你通知大家聚餐你开车去接人"); Future future10 = executorService.submit(() -> { System.out.println("总裁：我在家上大号我最近拉肚子比较慢要蹲1个小时才能出来你等会来接我吧"); TimeUnit.SECONDS.sleep(10); System.out.println("总裁：1小时了我上完大号了。你来接吧"); return "总裁上完大号了"; }); futureArrayList.add(future10); Future future3 = executorService.submit(() -> { System.out.println("研发：我在家上大号我比较快要蹲3分钟就可以出来你等会来接我吧"); TimeUnit.SECONDS.sleep(3); System.out.println("研发：3分钟我上完大号了。你来接吧"); return "研发上完大号了"; }); futureArrayList.add(future3); Future future6 = executorService.submit(() -> { System.out.println("中层管理：我在家上大号要蹲10分钟就可以出来你等会来接我吧"); TimeUnit.SECONDS.sleep(6); System.out.println("中层管理：10分钟我上完大号了。你来接吧"); return "中层管理上完大号了"; }); futureArrayList.add(future6); TimeUnit.SECONDS.sleep(1); System.out.println("都通知完了,等着接吧。"); try { for (Future future : futureArrayList) { String returnStr = future.get(); System.out.println(returnStr + "，你去接他"); } Thread.currentThread().join(); } catch (Exception e) { e.printStackTrace(); } } ``` 三个任务，每个任务执行时间分别是 10s、3s、6s 。通过JDK线程池的 submit 提交这三个 Callable类型的任务。 - step1 主线程把三个任务提交到线程池里面去，把对应返回的 Future 放到 List 里面存起来，然后执行“都通知完了,等着接吧。”这行输出语句。 - step2在循环里面执行 future.get() 操作，阻塞等待。最后结果如下： ![image.png](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/37930805ae1e44b68ccce942c2d8969a~tplv-k3u1fbpfcp-watermark.image?) 先通知到总裁，也是先接总裁足足等了1个小时，接到总裁后再去接研发和中层管理，尽管他们早就完事儿了，也得等总裁上完厕所~~ 耗时最久的-10s异步任务最先进入list执行，所以在循环过程中获取这个10s的任务结果的时候，get操作会一直阻塞，直到10s异步任务执行完毕。即使 3s、5s的任务早就执行完了，也得阻塞等待10s任务执行完。看到这里尤其是做网关业务的同学可能会产生共鸣，一般来说网关RPC会调用下游N多个接口，如下图如果都按照ExecutorService这种方式，并且恰巧前几个任务调用的接口耗时比较久，同时阻塞等待，那就比较悲催了。所以ExecutorCompletionService应景而出。它作为任务线程的合理管控者，“任务规划师”的称号名副其实。 **相同场景 ExecutorCompletionService代码** ``` public static void test2() throws Exception { ExecutorService executorService = Executors.newCachedThreadPool(); ExecutorCompletionService completionService = new ExecutorCompletionService<>(executorService); System.out.println("公司让你通知大家聚餐你开车去接人"); completionService.submit(() -> { System.out.println("总裁：我在家上大号我最近拉肚子比较慢要蹲1个小时才能出来你等会来接我吧"); TimeUnit.SECONDS.sleep(10); System.out.println("总裁：1小时了我上完大号了。你来接吧"); return "总裁上完大号了"; }); completionService.submit(() -> { System.out.println("研发：我在家上大号我比较快要蹲3分钟就可以出来你等会来接我吧"); TimeUnit.SECONDS.sleep(3); System.out.println("研发：3分钟我上完大号了。你来接吧"); return "研发上完大号了"; }); completionService.submit(() -> { System.out.println("中层管理：我在家上大号要蹲10分钟就可以出来你等会来接我吧"); TimeUnit.SECONDS.sleep(6); System.out.println("中层管理：10分钟我上完大号了。你来接吧"); return "中层管理上完大号了"; }); TimeUnit.SECONDS.sleep(1); System.out.println("都通知完了,等着接吧。"); //提交了3个异步任务） for (int i = 0; i < 3; i++) { String returnStr = completionService.take().get(); System.out.println(returnStr + "，你去接他"); } Thread.currentThread().join(); } ``` 跑完结果如下： ![image.png](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/fee15b441d3648289286a475a30fafa7~tplv-k3u1fbpfcp-watermark.image?) 这次就相对高效了一些，虽然先通知的总裁，但是根据大家上大号的速度，谁先拉完先去接谁，不用等待上大号最久的总裁了（现实生活里建议采用第一种不等总裁的后果 emmm 哈哈哈）。放在一起对比下输出结果： ![image.png](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/dda6752bfa5e46c0afd2d2b4588aa469~tplv-k3u1fbpfcp-watermark.image?) 两段代码的差异非常小获取结果的时候ExecutorCompletionService 使用了 ``` completionService.take().get(); ``` 为什么要用take() 然后再get()呢？？？？我们看看源码 CompletionService接口以及接口的实现类 1、ExecutorCompletionService是CompletionService接口的实现类 ![image.png](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/b09b17fdcdca4c6cb879a5585545f75b~tplv-k3u1fbpfcp-watermark.image?) 2、接着跟一下ExecutorCompletionService的构造方法，可以看到入参需要传一个线程池对象，默认使用的队列是 LinkedBlockingQueue，不过还有另外一个构造方法可以指定队列类型，如下两张图，两个构造方法。默认LinkedBlockingQueue的构造方法 ![image.png](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/8e357b1305df4b808d772540357027e1~tplv-k3u1fbpfcp-watermark.image?) 可选队列类型的构造方法 ![image.png](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/545177301d3b4b88bc1099a1f4f9a0ba~tplv-k3u1fbpfcp-watermark.image?) 3、submit任务提交的两种方式，都是有返回值的，我们例子中用到的就是第一种Callable类型的方法。 ![image.png](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/83542591b8074170bacf38d57ac80021~tplv-k3u1fbpfcp-watermark.image?) 4、对比ExecutorService 和 ExecutorCompletionService submit方法可以看出区别（1）ExecutorService ![wecom-temp-7a3620b4ca55c25badcbc5f96bfeb75f.png](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/8babd19c4e614c0da50b29a1120947a1~tplv-k3u1fbpfcp-watermark.image?) （2）ExecutorCompletionService ![wecom-temp-8c8a582217d0ae65f7e3aff43ce71de2.png](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/0075d38c761642e5a7e26b3370b38976~tplv-k3u1fbpfcp-watermark.image?) 5、差异就在 QueueingFuture，这个到底作用是啥，我们继续跟进去看 - QueueingFuture 继承自 FutureTask，而且红线部分标注的位置，重写了done()方法。 - 把 task 放到 completionQueue 队列里面，当任务执行完成后，task就会被放到队列里面去了。 - 此时此刻completionQueue队列里面的 task 都是已经 done()完成了的 task，而这个 task 就是我们拿到的一个个的future结果。 - 如果调用 completionQueue 的 task 方法，会阻塞等待任务。等到的一定是完成了的 future，我们调用 .get()方法就能立马获得结果。 ![wecom-temp-aaf01e40f5f3fb8023e9d23243cef40f.png](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/021069bd6b5c4cb6b0f187270388c141~tplv-k3u1fbpfcp-watermark.image?) 看到这里相信大家伙都应该多少明白点了 - 我们在使用ExecutorService submit提交任务后需要关注每个任务返回的future，然而CompletionService 对这些 future 进行了追踪，并且重写了done方法，让你等的completionQueue 队列里面一定是完成了的task。 - 作为网关RPC层，我们不用因为某一个接口的响应慢拖累所有的请求，可以在处理最快响应的业务场景里使用CompletionService。 **but 注意、注意、注意也是本次事故的核心** 当只有调用了ExecutorCompletionService下面的3个方法的任意一个时，阻塞队列中的task执行结果才会从队列中移除掉,释放堆内存，由于该业务不需要使用任务的返回值，则没进行调用take，poll方法。从而导致没有释放堆内存，堆内存会随着调用量的增加一直增长。 ![image.png](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/0ddf9949742b4d6d8bda712d4aefda0a~tplv-k3u1fbpfcp-watermark.image?) **所以，业务场景中不需要使用任务返回值的别没事儿使用CompletionService，假如使用了，记得一定要从阻塞队列中移除掉task执行结果，避免OOM！** # 总结 **知道事故的原因，我们来总结下方法论，毕竟孔子他老人家说过：自省吾身，常思己过，善修其身！** **上线前：** - 严格的代码review习惯，一定要交给back人去看，毕竟自己写的代码自己是看不出问题的，相信每个程序猿都有这个自信（这个后续事故里可能会反复提到！很重要） - 上线记录-备注好上一个可回滚的包版本（给自己留一个后路） - 上线前确认回滚后，业务是否可降级，如果不可降级，一定要严格拉长这次上线的监控周期 **上线后：** - 持续关注内存增长情况（这部分极容易被忽略，大家对内存的重视度不如cpu使用率） - 持续关注cpu使用率增长情况 - gc情况、线程数是否增长、是否有频繁的fullgc等 - 关注服务性能报警，tp99、999 、max是否出现明显的增高