驚訝！線上四臺機器同一時間全部 OOM，到底發生了什么？

案發現場

昨天晚上突然短信收到 APM （即 Application Performance Management 的簡稱），我們內部自己搭建了這樣一套系統來對應用的性能、可靠性進行線上的監控和預警的一種機制）大量告警

畫外音: 監控是一種非常重要的發現問題的手段，沒有的話一定要及時建立哦

緊接著運維打來電話告知線上部署的四臺機器全部 OOM (out of memory, 內存不足)，服務全部不可用,趕緊查看問題!

問題排查

首先運維先重啟了機器，保證線上服務可用，然后再仔細地看了下線上的日志，確實是因為 OOM 導致服務不可用

第一時間想到 dump 當時的內存狀態，但由于為了讓線上盡快恢復服務，運維重啟了機器，導致無法 dump 出事發時的內存。所以我又看了下我們 APM 中對 JVM 的監控圖表

畫外音： 一種方式不行，嘗試另外的角度切入！再次強調，監控非常重要！完善的監控能還原當時的事發現場，方便定位問題。

不看不知道，一看嚇一跳，從 16：00 開始應用中創建的線程居然每時每刻都在上升，一直到 3w 左右，重啟后（藍色箭頭），線程也一直在不斷增長），正常情況下的線程數是多少呢，600！問題找到了，應該是在下午 16:00 左右發了一段有問題的代碼，導致線程一直在創建，且創建的線程一直未消亡!查看發布記錄,發現發布記錄只有這么一段可疑的代碼 diff：在 HttpClient 初始化的時候額外加了一個 evictExpiredConnections 配置

問題定位了，應該是就是這個配置導致的！（線程上升的時間點和發布時間點完全吻合！），于是先把這個新加的配置給干掉上線，上線之后線程數果然恢復正常了。那 evictExpiredConnections 做了什么導致線程數每時每刻在上升呢？這個配置又是為了解決什么問題而加上的呢？于是找到了相關同事來了解加這個配置的前因后果

還原事發經過

最近線上出現不少 NoHttpResponseException 的異常，那是什么導致了這個異常呢?

在說這個問題之前我們得先了解一下 http 的 keep-alive 機制。

先看下正常的一個 TCP 連接的生命周期

可以看到每個 TCP 連接都要經過 三次握手 建立連接后才能發送數據，要經過 四次揮手 才能斷開連接，如果每個 TCP 連接在 server 返回 response 后都立馬斷開，則發起多個 HTTP 請求就要多次創建斷開 TCP, 這在 Http 請求很多 的情況下無疑是很耗性能的， 如果在 server 返回 response 不立即斷開 TCP 鏈接，而是 復用 這條鏈接進行下一次的 Http 請求，則無形中省略了很多創建 / 斷開 TCP 的開銷，性能上無疑會有很大提升。

如下圖示，左圖是不復用 TCP 發起多個 HTTP 請求的情況，右圖是復用 TCP 的情況，可以看到發起三次 HTTP 請求，復用 TCP 的話可以省去兩次建立 / 斷開 TCP 的開銷，理論上發起 一個應用只要啟一個 TCP 連接即可，其他 HTTP 請求都可以復用這個 TCP 連接，這樣 n 次 HTTP 請求可以省去 n-1 次創建 / 斷開 TCP 的開銷。這對性能的提升無疑是有巨大的幫助。

回過頭來看 keep-alive （又稱持久連接，連接復用）做的就是復用連接， 保證連接持久有效。

畫中音: Http 1.1 之后 keep-alive 才默認支持并開啟，不過目前大部分網站都用了 http 1.1 了，也就是說大部分都默認支持鏈接復用了

天下沒有免費的午餐,雖然 keep-alive 省去了很多不必要的握手/揮手操作，但由于連接長期保活，如果一直沒有 http 請求的話，這條連接也就長期閑著了，會占用系統資源,有時反而會比復用連接帶來更大的性能消耗。 所以我們一般會為 keep-alive 設置一個 timeout, 這樣如果連接在設置的 timeout 時間內一直處于空閑狀態（未發生任何數據傳輸），經過 timeout 時間后，連接就會釋放，就能節省系統開銷。

看起來給 keep-alive 加 timeout 是完美了，但是又引入了新的問題（一波已平，一波又起!）,考慮如下情況:

如果服務端關閉連接，發送 FIN 包（注：在設置的 timeout 時間內服務端如果一直未收到客戶端的請求，服務端會主動發起帶 Fin 標志的請求以斷開連接釋放資源），在這個 FIN 包發送但是還未到達客戶端期間，客戶端如果繼續復用這個 TCP 連接發送 HTTP 請求報文的話，服務端會因為在四次揮手期間不接收報文而發送 RST 報文給客戶端，客戶端收到 RST 報文就會提示異常 (即 NoHttpResponseException )

我們再用流程圖仔細梳理一下上述這種產生 NoHttpResponseException 的原因,這樣能看得更明白一些

費了這么大的功夫，我們終于知道了產生 NoHttpResponseException 的原因，那該怎么解決呢，有兩種策略

重試，收到異常后，重試一兩次，由于重試后客戶端會用有效的連接去請求，所以可以避免這種情況，不過一次要注意重試次數，避免引起雪崩!
設置一個定時線程，定時清理上述的閑置連接,可以將這個定時時間設置為 keep alive timeout 時間的一半以保證超時前回收。
evictExpiredConnections就是用的上述第二種策略，來看下官方用法使用說明

Makes this instance of HttpClient proactively evict idle connections from the
connection pool using a background thread.

調用這個方法只會產生一個定時線程，那為啥應用中線程會一直增加呢,因為我們對每一個請求都創建了一個 HttpClient! 這樣由于每一個 HttpClient 實例都會調用 evictExpiredConnections ,導致有多少請求都會創建多少個 定時線程！

還有一個問題，為啥線上四臺機器幾乎同一時間點全掛呢？

因為由于負載均衡，這四臺機器的權重是一樣的，硬件配置也一樣，收到的請求其實也可以認為是差不多的，這樣這四臺機器由于創建 HttpClient 而生成的后臺線程也在同一時間達到最高點，然后同時 OOM。

解決問題

所以針對以上提到的問題，我們首先把 HttpClient 改成了單例，這樣保證服務啟動后只會有一個定時清理線程，另外我們也讓運維針對應用的線程數做了監控，如果超過某個閾值直接告警，這樣能在應用 OOM 前及時發現處理。

畫外音：再次強調，監控相當重要，能把問題扼殺在搖籃里！

總結

本文通過線上四臺機器同時 OOM 的現象，來詳細剖析產定位了產生問題的原因，可以看到我們在應用某個庫時首先要對這個庫要有充分的了了解（上述 HttpClient 的創建不用單例顯然是個問題），其次必要的網絡知識還是需要的，所以要成為一個合格的程序員，不關對語言本身有所了解，還要對網絡，數據庫等也要有所涉獵，這些對排查問題以及性能調優等會有非常大的幫助，再次，完善的監控非常重要，通過觸發某個閾值提前告警，可以將問題扼殺在搖籃里！