记springboot程序OOM排查和解决过程

2021-11-10 本文已影响0人 _Kantin

背景

笔者的大数据监控系统中有一项hdfs路径下异常格式文件检测的功能。简单的说就是每天需要定期的采集hdfs下的路径。
在某天添加了hive staging路径后，发现程序OOM了。当时从代码出发怀疑是(1)从DB查询过大没有分页导致直接load到内存导致OOM,(2)线程池中blockqueue是没有设置大小的，可能任务都提交到blockqueue中导致内存溢出。
基于上述两个可能点对代码进行了修改并发布，但是在第二天还是又OOM了！！
于是只能对堆内存进行分析来找出真正的泄漏点。在这里仅分享最关键的一处泄漏点。
注：可能有朋友问为何不通过解析fsimage来获取hdfs详情，其实fsimage的解析每天都有在做。笔者每天起docker容器拉取fsimage并解析后导入到hive分区表中，再进行相关的加工后导入到mysql中，此过程虽已标准化但是比较麻烦。我也参考了hadoop回放fsimage代码，通过java对fsimage进行解析，但是所需的JVM堆内存需要很大(如：fsimage 20G则至少需要40G JVM内存)。这也是没有用java解析的原因，如果有你有更好的办法麻烦跟我联系，谢谢。

排查过程

首先看下项目JVM参数。我使用的是G1回收期(确实给力)，然后有记录相关的GC日志，这个可以帮助我觉得到底要设置多大Xmx和Xms，然后在程序OOM的时候会自动给我dump下堆内存(虽然dump过程中对程序有影响，但是好像没其他更好办法了！！)

${JAVA_EXEC} -server -XX:+UseG1GC -Xmx8G -Xms8G -Xss256k -XX:+HeapDumpOnOutOfMemoryError  -XX:HeapDumpPath=/var/log/xxx  -XX:MaxGCPauseMillis=300 -Xloggc:/var/log/xxx/xxx_gc.log  -XX:+PrintGCTimeStamps -XX:+PrintGCDetails   -Dservice.name=${EXEC_COMMEN} -Dfastjson.parser.safeMode=true   -cp "${FULL_PATH_SERVER_JAR}:${LIB_PATH}/*:${CONFIG_VERSION_PATH}/" ${MAIN_CLASS} >> ${LOG_FILE} 2>&1 &

在dump程序之前，我先用jmap -histo:live <PID>执行了一次强制的full GC，之后通过arthas的heapdump 命令dump下来，也可以用jmap的dump命令。
关于OOM分析工具，visualvm和eclipse memory analyze我都有用，总体上觉得MemoryAnalyze会好用一些。
如下图所示是程序中加载类的清单，可以看到hdfs的configuration占据了绝大多数

image.png
同时看到重点包加载也都是跟hadoop的filesystem相关，因此可以判断这个可能是主要的泄漏点。

image.png
其它的还可以看到很多kerberos鉴权类也没有释放

image.png

代码排查和修改

在代码的工具类中有个获取filesystem的方法。代码通过cluster对象来携带集群的详情，然后构建FileSystem的过程(很多线程都会调用此方法)，每个进程进来都先初始化一个Configuration对象，然后进行kerberos鉴权！相关代码如下：

 public FileSystem getFileSystemInstance(Cluster cluster){
        FileSystem fs = null;
        HadoopClusterParam param = JSONObject.parseObject(cluster.getParam(), HadoopClusterParam.class);
        Configuration conf = new Configuration();
        System.setProperty("java.security.krb5.conf", param.getKrb5Conf());
        conf.set("dfs.namenode.kerberos.principal", param.getHdfsKerberosPrincipal());
        conf.set("dfs.namenode.kerberos.principal.pattern", "*");
        conf.set("hadoop.security.authentication", "kerberos");
        conf.set("fs.trash.interval", "1");
        conf.set("fs.defaultFS", String.format("hdfs://%s", param.getHaName()));
        conf.set(String.format("dfs.client.failover.proxy.provider.%s", param.getHaName()), "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");
        conf.set(String.format("dfs.ha.namenodes.%s", param.getHaName()), param.getHaNamenodes());
        String[] nns = param.getHaNamenodes().split(",");
        String[] nnHosts = param.getNamenodeAddress().split(",");
        conf.set(String.format("dfs.namenode.rpc-address.%s.%s", param.getHaName(), nns[0]), String.format("%s:8020", nnHosts[0]));
        conf.set(String.format("dfs.namenode.rpc-address.%s.%s", param.getHaName(), nns[1]), String.format("%s:8020", nnHosts[1]));
        conf.set("dfs.nameservices", param.getHaNames());
        try {
            UserGroupInformation.setConfiguration(conf);
            UserGroupInformation.loginUserFromKeytab(param.getHdfsKerberosPrincipal(), param.getHdfsKerberosKeytab());
            fs =  FileSystem.get(conf);
        } catch (Exception e) {
            LOGGER.error("Build FileSystem found execption,caused by:", e);
        }
        return fs;
    }

上面代码有两个致命缺点(1)Configuration其实是可以复用的而不需要每次重新new，(2)等于登陆一次kerberos鉴权即可而不需要每个都用UserGroupInformation去鉴权。
基于上面的致命缺点进行修改后的代码如下：

    private Map<String,Configuration> confMap = new HashMap<>();

    private Configuration generateFileSystemConf(Cluster cluster) throws IOException {

        UserGroupInformation currentUser = UserGroupInformation.getCurrentUser();
        String userName = currentUser.getUserName();
        //防止其它操作更新掉当前线程中的kerberos认证用户
        if(!HDFS_USER.equals(userName)){
            LOGGER.info("The login user has changed,current user:{},change to {}",userName,HDFS_USER);
            confMap.remove(cluster.getClusterName());
        }
        if(confMap.getOrDefault(cluster.getClusterName(),null)==null){
            Configuration conf = new Configuration();
            HadoopClusterParam param = JSONObject.parseObject(cluster.getParam(), HadoopClusterParam.class);
            System.setProperty("java.security.krb5.conf", param.getKrb5Conf());
            conf.set("dfs.namenode.kerberos.principal", param.getHdfsKerberosPrincipal());
            conf.set("dfs.namenode.kerberos.principal.pattern", "*");
            conf.set("hadoop.security.authentication", "kerberos");
            conf.set("fs.trash.interval", "1");
            conf.set("fs.defaultFS", String.format("hdfs://%s", param.getHaName()));
            conf.set(String.format("dfs.client.failover.proxy.provider.%s", param.getHaName()), "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");
            conf.set(String.format("dfs.ha.namenodes.%s", param.getHaName()), param.getHaNamenodes());
            String[] nns = param.getHaNamenodes().split(",");
            String[] nnHosts = param.getNamenodeAddress().split(",");
            conf.set(String.format("dfs.namenode.rpc-address.%s.%s", param.getHaName(), nns[0]), String.format("%s:8020", nnHosts[0]));
            conf.set(String.format("dfs.namenode.rpc-address.%s.%s", param.getHaName(), nns[1]), String.format("%s:8020", nnHosts[1]));
            conf.set("dfs.nameservices", param.getHaNames());
            UserGroupInformation.setConfiguration(conf);
            UserGroupInformation.loginUserFromKeytab(param.getHdfsKerberosPrincipal(), param.getHdfsKerberosKeytab());
            confMap.put(cluster.getClusterName(),conf);
            return conf;
        }
        return confMap.get(cluster.getClusterName());
    }

    public FileSystem getFileSystemInstance(Cluster cluster){
        FileSystem fs = null;
        try {
            Configuration conf = this.generateFileSystemConf(cluster);
            fs =  FileSystem.get(conf);
        } catch (Exception e) {
            LOGGER.error("Build FileSystem found execption,caused by:", e);
        }
        return fs;
    }

修改后重新发布程序，运行了几天之后再也没有OOM的现象。从下图可见每次minor gc都能正常的回收，old_gen也维持在一个较低的范围内。

image.png

后记

为什么Configuration和UserGroupInformation无法回收的问题，我猜测可能跟FileSystem的设计有关。
Hadoop把对于文件系统的调用封装成了一个FileSystem类，同时FileSystem对于文件系统类的实例做了缓存，如果是来自同一个文件系统，它会返回同一个实例。代码如下：

  public static FileSystem get(URI uri, Configuration conf) throws IOException {
    String scheme = uri.getScheme();
    String authority = uri.getAuthority();

    if (scheme == null && authority == null) {     // use default FS
      return get(conf);
    }

    if (scheme != null && authority == null) {     // no authority
      URI defaultUri = getDefaultUri(conf);
      if (scheme.equals(defaultUri.getScheme())    // if scheme matches default
          && defaultUri.getAuthority() != null) {  // & default has authority
        return get(defaultUri, conf);              // return default
      }
    }
    
    String disableCacheName = String.format("fs.%s.impl.disable.cache", scheme);
    if (conf.getBoolean(disableCacheName, false)) {
      return createFileSystem(uri, conf);
    }

    return CACHE.get(uri, conf);
  }

为什么要设置cache？我猜是因为每个FileSystem的实例都会建立一个到HDFS Namenode的连接，在大量并发的读时缓存确实能减低namenode的压力。那么可能产生什么情况？你从FileSystem里面拿到的文件系统的实例可能别人也拿到了，而且可能正在用，所以这里也是不推荐你close掉fs的原因
由于FileSystem是缓存在hadoop中的，则对Configuration和UserGroupInformation的引用关系是存在的，也即GC ROOT是存在的，因此当前不会被回收。慢慢堆积也就OOM了。

记springboot程序OOM排查和解决过程

背景

排查过程

代码排查和修改

后记

猜你喜欢

热点阅读