JVM FullGC引發的宕機事故的實例分析

這篇文章給大家介紹JVM FullGC引發的宕機事故的實例分析，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

業務場景介紹

先簡單說說線上生產系統的一個背景，因為僅僅是文章作為案例來講，所以弱化大量的業務背景。

簡單來說，這是一套分布式系統，系統 A 需要將一個非常核心以及關鍵的數據通過網絡請求，傳輸給另外一個系統 B。

這里其實就考慮到了一個問題，如果系統 A 剛剛將核心數據傳遞給了系統 B，結果系統 B 莫名其妙宕機了，豈不是會導致數據丟失?

所以在這個分布式系統的架構設計中，采取了非常經典的一個 Quorum 算法。

這個算法簡單來說，就是系統 B 必須要部署奇數個節點，比如說至少部署 3 臺機器，或者是 5 臺機器，7 臺機器，類似這樣子。

然后系統 A 每次傳輸一個數據給系統，都必須要對系統 B 部署的全部機器都發送請求，將一份數據傳輸給系統B部署的所有機器。

要判定系統 A 對系統 B 的一次數據寫是成功的，要求系統 A 必須在指定時間范圍內對超過 Quorum 數量的系統 B 所在機器傳輸成功。

舉個例子，假設系統 B 部署了 3 臺機器，那么他的 Quorum 數量就是：3 / 2 + 1 = 2，也就是說系統 B 的 Quorum 數量就是：所有機器數量 / 2 + 1。

所以系統 A 要判定一個核心數據是否寫成功，如果系統 B 一共部署了 3 臺機器的話，那么系統 A 必須在指定時間內收到 2 臺系統 B 所在機器返回的寫成功的響應。

此時系統 A 才能認為這條數據對系統 B 是寫成功了。這個就是所謂的 Quorum 機制。

也就是說，分布式架構下，系統之間傳輸數據，一個系統要確保自己給另外一個系統傳輸的數據不會丟失，必須要在指定時間內，收到另外一個系統 Quorum(大多數)數量的機器響應說寫成功。

這套機制實際上在很多分布式系統、中間件系統中都有非常廣泛的使用，我們線上的分布式系統也是采用了這個 Quorum 機制在兩個系統之間傳輸數據。

給大家上一張圖，一起來看一下這套架構長啥樣：

如上圖所示，圖中很清晰的展示了系統 A 和系統 B 之間傳輸一份數據時的 Quorum 機制。

接下來，我們用代碼給大家展示一下，上面的 Quorum 寫機制在代碼層面大概是什么樣子的。

PS：因為實際這套機制涉及大量的底層網絡傳輸、通信、容錯、優化的東西，所以下面代碼經過了大幅度簡化，僅僅表達出了一個核心的意思。

上面就是經過大幅精簡后的代碼，不過核心的意思是表達清晰了。大家可以仔細看兩遍，其實還是很容易弄懂的。

這段代碼含義很簡單，說白了就是異步開啟線程發送數據給系統 B 所有的機器，同時進入一個 while 循環等待系統 B 的 Quorum 數量的機器返回響應結果。

如果超過指定超時時間還沒收到預期數量的機器返回結果，那么就判定系統 B 部署的集群出現故障，接著讓系統 A 直接退出，相當于系統 A 宕機。

整個代碼，就是這么個意思!

問題凸現

光是看代碼其實沒啥難的，但是問題就在于線上運行的時候，可不是跟你寫代碼的時候想的一樣簡單。

有一次線上生產系統運行的過程中，整體系統負載都很平穩，本來是不應該有什么問題，但是結果突然收到報警，說系統 A 突然宕機了。

然后就開始進行排查，左排查右排查，發現系統 B 集群都好好的，不應該有問題。

然后再查查系統 A，發現系統 A 別的地方也沒什么問題。***結合系統 A 自身的日志，以及系統 A 的 JVM FullGC 進行垃圾回收的日志，我們才算是搞清楚了具體的故障原因。

定位問題

其實原因非常的簡單，就是系統 A 在線上運行一段時間后，會偶發性的進行長時間 Stop the World 的 JVM FullGC，也就是大面積垃圾回收。

但是，此時會造成系統 A 內部的工作線程大量的卡頓，不再工作。要等 JVM FullGC 結束之后，工作線程才會恢復運作。

我們來看下面那個代碼片段：

但是這種系統 A 的莫名宕機是不正確的，因為如果沒有 JVM FullGC，本來上面那個 if 語句是不會成立的。

它會停頓 1 秒鐘進入下一輪 while 循環，接著就可以收到系統 B 返回的 Quorum 數量的結果，這個 while 循環就可以中斷，繼續運行了。

結果因為出現了 JVM FullGC 卡頓了幾十秒，導致莫名其妙就觸發了 if 判斷的執行，系統 A 莫名其妙就退出宕機了。

所以，線上的 JVM FullGC 導致的系統長時間卡頓，真是造成系統不穩定運行的隱形殺手之一啊!

解決問題

至于上述代碼穩定性的優化，也很簡單。我們只要在代碼里加入一些東西，監控一下上述代碼中是否發生了 JVM FullGC。

如果發生了 JVM FullGC，就自動延長 expireTime 就可以了。

比如下面代碼的改進：

通過上述代碼的改進，就可以有效的優化線上系統的穩定性，保證其在 JVM FullGC 發生的情況下，也不會隨意出現異常宕機退出的情況了。

關于JVM FullGC引發的宕機事故的實例分析就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。