问题描述
最近生产有个服务突然出现频繁告警，接口P99响应时间变长，运维同学观察到相应的pod cpu飙升，内存占用很高。
cpu升高问题排查是老生常谈的话题了，一般可以使用top -p pid -H查看是哪个线程占用cpu高，再结合jstack找到对应的java线程代码。
不过经验告诉我们，cpu升高还有另外一个更常见的原因，内存不足导致频繁gc。垃圾收集器回收内存后又很快不足，继续回收，循环这个过程，而gc期间涉及到STW，用户线程会被挂起，响应时间自然会增加。这里的内存不足可能是正常的服务本身内存就不够用，也可以是异常的程序bug导致内存溢出。
果不其然，当时节点的full gc时间陡增，通过jstat -gcutil pid 500 30也可以看到fc非常频繁。如图：
这个问题实际月初也出现过，当时研发同学和运维同学通过重启暂时解决，今天又出现了，看来不是简单通过“重启大法”能解决的，这次我们需要分析解决它。
排查过程
这次我们通过heap dump将堆导出分析，命令：
jmap -dump:format=b,file=./pid.hprof pid 用jdk自带的virsualvm或idea virsualvm launcher插件打开堆文件可以看到
很明显，跟redisson相关，我们使用的版本是3.17.1！查找服务涉及到redisson的地方并不多，调用量高且可疑的只有一处，简化后的代码如下：
RLock lock = this.redissonClient.getLock("mytest"); lock.tryLock(50, 100, TimeUnit.MILLISECONDS); //业务代码... RLock lock2 = this.redissonClient.getLock("mytest"); if (lock2.isLocked() && lock2.isHeldByCurrentThread()) { lock2.unlock(); } 首先我们先简单分析下RedissonLock tryLock和unlock的源码，主要地方添加了备注。
@Override public boolean tryLock(long waitTime, long leaseTime, TimeUnit unit) throws InterruptedException { long time = unit.toMillis(waitTime); long current = System.currentTimeMillis(); long threadId = Thread.currentThread().getId(); Long ttl = tryAcquire(waitTime, leaseTime, unit, threadId); // 获取到锁，返回成功 if (ttl == null) { return true; } time -= System.currentTimeMillis() - current; if (time <= 0) { //或取不到锁，且超过等待时间，返回失败 acquireFailed(waitTime, unit, threadId); return false; } current = System.currentTimeMillis(); //订阅锁释放消息，subscribe是本次的核心!!! CompletableFuture<RedissonLockEntry> subscribeFuture = subscribe(threadId); try { subscribeFuture.get(time, TimeUnit.MILLISECONDS); } catch (ExecutionException | TimeoutException e) { //超时，获取锁失败 if (!subscribeFuture.cancel(false)) { subscribeFuture.whenComplete((res, ex) -> { if (ex == null) { unsubscribe(res, threadId); } }); } acquireFailed(waitTime, unit, threadId); return false; } try { time -= System.currentTimeMillis() - current; if (time <= 0) { acquireFailed(waitTime, unit, threadId); return false; } //锁释放了，还未超时，自旋尝试获取 while (true) { long currentTime = System.currentTimeMillis(); ttl = tryAcquire(waitTime, leaseTime, unit, threadId); // 获取到锁，返回成功 if (ttl == null) { return true; } time -= System.currentTimeMillis() - currentTime; if (time <= 0) { //或取不到锁，且超过等待时间，返回失败 acquireFailed(waitTime, unit, threadId); return false; } // 等待锁释放 currentTime = System.currentTimeMillis(); if (ttl >= 0 && ttl < time) { commandExecutor.getNow(subscribeFuture).getLatch().tryAcquire(ttl, TimeUnit.MILLISECONDS); } else { commandExecutor.getNow(subscribeFuture).getLatch().tryAcquire(time, TimeUnit.MILLISECONDS); } time -= System.currentTimeMillis() - currentTime; if (time <= 0) { //或取不到锁，且超过等待时间，返回失败 acquireFailed(waitTime, unit, threadId); return false; } } } finally { //取消订阅 unsubscribe(commandExecutor.getNow(subscribeFuture), threadId); } } @Override public RFuture<Void> unlockAsync(long threadId) { RFuture<Boolean> future = unlockInnerAsync(threadId); CompletionStage<Void> f = future.handle((opStatus, e) -> { //取消锁续期 cancelExpirationRenewal(threadId); //... }); return new CompletableFutureWrapper<>(f); } protected RFuture<Boolean> unlockInnerAsync(long threadId) { return evalWriteAsync(getRawName(), LongCodec.INSTANCE, RedisCommands.EVAL_BOOLEAN, "if (redis.call('hexists', KEYS[1], ARGV[3]) == 0) then " + "return nil;" + "end; " + "local counter = redis.call('hincrby', KEYS[1], ARGV[3], -1); " + "if (counter > 0) then " + "redis.call('pexpire', KEYS[1], ARGV[2]); " + "return 0; " + "else " + "redis.call('del', KEYS[1]); " + "redis.call('publish', KEYS[2], ARGV[1]); " + "return 1; " + "end; " + "return nil;", Arrays.asList(getRawName(), getChannelName()), LockPubSub.UNLOCK_MESSAGE, internalLockLeaseTime, getLockName(threadId)); } redisson加解锁主要利用了lua脚本和redis的发布订阅机制，使用到的数据结构是hash。
lua脚本保证了多个命令执行的原子性，不会有并发问题。
在java代码中使用synchroized/lock加锁失败时，可以将线程放到链表中等待唤醒重新获取锁。在使用redis的分布式系统中，使用的是发布订阅机制，通过订阅channel，当锁释放时重新获取锁。redis的发布订阅跟我们使用kafka等mq中间件是一样的原理，实际也可以用redis的发布订阅机制来实现mq功能，如下channel相当于是mq中的topic。相关命令是：
- PUBLISH channel message，发布一个消息到channel。
- SUBSCRIBE channel [channel ...]，订阅channel，当channel有消息时，客户端会收到通知。
- UNSUBSCRIBE [channel [channel ...]]，取消订阅
- PSUBSCRIBE pattern [pattern ...]，订阅匹配模式的channel
- PUNSUBSCRIBE [pattern [pattern ...]]，取消订阅匹配模式的channel
接下来是我们的排查过程：
怀疑写法问题
回到我们的代码，首先映入眼帘值得怀疑的是，加锁和解锁使用不是同个对象，如果redisson加解锁是与对象状态相关的，那就会有问题。
但从源码分析可以看到，解锁逻辑非常简单，主要使用到的是线程id，这个是不会变的。当然这种写法还是要修正，除了会给人误导，也没必要多创建一个锁对象。此外持有锁的时间设置为100ms也太短了，尽管业务逻辑处理很快，但如果持有锁期间发生full gc，锁就会过期，其它线程就可以获取到锁，出现并发执行。
怀疑网络问题
由于不是频繁出现问题，一个月就出现一两次，所以怀疑是不是某些特殊条件才触发，例如当时出现过网络抖动，主从切换等异常情况。联系dba同学得知前一天redis网络确实出现过抖动，结合生产日志发现8月份出现两次问题的前一天都有redis异常，redisson github上也有一些相关讨论，这更坚定了我的推测，在网络异常情况下可能触发某个bug，导致内存溢出，验证这一点也浪费了我们不少时间。
网络问题主要有两种，连接直接断开和读取超时。连接直接断开我们连开发环境的redis很好模拟，直接将内网断开即可。读取超时可以使用redis-cli登录redis server，然后使用client pause命令阻塞客户端，如下会阻塞所有客户端请求10s，这个命令在我平时一些模拟测试也经常用到。
client pause 10000 接着写代码循环测试，使用jvirsualvm观察内存对象，发现并没有问题，redisson相关对象占比都很低，且能被gc回收。
for (int i = 0; i < 10000000; i++) { //贴入前面的代码 } 源码分析
前面的源码分析是最外层，最简单的部分，还不足以帮忙我们发现问题。从前面subscribe方法进入，内部还有大量逻辑做并发控制和发布订阅相关逻辑。
进入subscribe，会调用PublishScribe的subscribe方法，接着会调用AsyncSemaphore的acquire方法获取信号量。jdk的Semaphore我们都很熟悉，AsyncSemaphore是异步的形式，使用信号量最关键的就是申请到许可使用完后，要调用release方法归还，否则其它申请者就无法再次申请到许可。
public CompletableFuture<E> subscribe(String entryName, String channelName) { AsyncSemaphore semaphore = service.getSemaphore(new ChannelName(channelName)); CompletableFuture<E> newPromise = new CompletableFuture<>(); semaphore.acquire(() -> { if (newPromise.isDone()) { semaphore.release(); return; } E entry = entries.get(entryName); if (entry != null) { entry.acquire(); //1.释放许可 semaphore.release(); //... return; } E oldValue = entries.putIfAbsent(entryName, value); if (oldValue != null) { //2.释放许可 semaphore.release(); //... return; } RedisPubSubListener<Object> listener = createListener(channelName, value); CompletableFuture<PubSubConnectionEntry> s = service.subscribeNoTimeout(LongCodec.INSTANCE, channelName, semaphore, listener); //... }); return newPromise; } AsyncSemaphore主要代码如下，permits是1，listeners是一个无界队列。在我们dump出来的异常实例中有一个AsyncSemaphore lambda对象，也有CompletableFuture lambda对象，看起来和这里高度匹配，这里大概率就是问题所在了，应该是在某种情况下，acquire后没有调用release，导致其它线程调用decrementAndGet的时候是<=0，进而没法执行listeners.poll()移除元素，最终listeners队列元素越来越多，直到内存溢出。
public class AsyncSemaphore { private final AtomicInteger counter; private final Queue<CompletableFuture<Void>> listeners = new ConcurrentLinkedQueue<>(); public AsyncSemaphore(int permits) { counter = new AtomicInteger(permits); } public CompletableFuture<Void> acquire() { CompletableFuture<Void> future = new CompletableFuture<>(); listeners.add(future); tryRun(); return future; } public void acquire(Runnable listener) { acquire().thenAccept(r -> listener.run()); } private void tryRun() { while (true) { if (counter.decrementAndGet() >= 0) { CompletableFuture<Void> future = listeners.poll(); if (future == null) { counter.incrementAndGet(); return; } if (future.complete(null)) { return; } } if (counter.incrementAndGet() <= 0) { return; } } } public void release() { counter.incrementAndGet(); tryRun(); } } 关于Semaphore还有话说，如果一次acquire，但程序异常多次调用release，将导致许可超发，后续的acquire可以申请到许可执行。解决方案可以参考rocketmq SemaphoreReleaseOnlyOnce，它封装了Semaphore，并维护一个AtomicBoolean，保证只能释放一次。
回到上面subscribe方法，有两处正常调用了release，还有一处进入了PublishSubscribeServie的subscribeNoTimeout(LongCodec.INSTANCE, channelName, semaphore, listener)方法，重点这里传的topicType类型是PubSubType.SUBSCRIBE。
public CompletableFuture<PubSubConnectionEntry> subscribeNoTimeout(Codec codec, String channelName, AsyncSemaphore semaphore, RedisPubSubListener<?>... listeners) { CompletableFuture<PubSubConnectionEntry> promise = new CompletableFuture<>(); //重点：PubSubType.SUBSCRIBE subscribeNoTimeout(codec, new ChannelName(channelName), getEntry(new ChannelName(channelName)), promise, PubSubType.SUBSCRIBE, semaphore, new AtomicInteger(), listeners); return promise; } 里面的逻辑比较复杂，有兴趣的同学可以自己分析分析，但我们关注的是每个分支最终都需要调用semaphore.release。
按照这个思路，最终笔者在此处发现一处可能没有调用release的方法：org.redisson.pubsub.PublishSubscribeService#unsubscribe。
unsubscribe方法在complete的时候会执行lock.release()，它的complete是在BaseRedisPubSubListener回调中调用的，只有if条件成立才会执行。前面我们说传记录的topicType是subscribe，而这里BaseRedisPubSubListener处理的是unsubscribe和punsubscribe类型，对应不上了，这就导致whenComplete不会执行，lock.release()不会执行。
private CompletableFuture<Void> addListeners(ChannelName channelName, CompletableFuture<PubSubConnectionEntry> promise, PubSubType type, AsyncSemaphore lock, PubSubConnectionEntry connEntry, RedisPubSubListener<?>... listeners) { //... subscribeFuture.whenComplete((res, e) -> { if (e != null) { lock.release(); return; } if (!promise.complete(connEntry)) { if (!connEntry.hasListeners(channelName)) { unsubscribe(type, channelName) .whenComplete((r, ex) -> { //这里不会被执行，AsyncSemaphore release没有执行！ lock.release(); }); } else { lock.release(); } } else { lock.release(); } }); return subscribeFuture; } public CompletableFuture<Void> unsubscribe(PubSubType topicType, ChannelName channelName) { //... BaseRedisPubSubListener listener = new BaseRedisPubSubListener() { @Override public boolean onStatus(PubSubType type, CharSequence channel) { //这个if不会进入... if (type == topicType && channel.equals(channelName)) { executed.set(true); if (entry.release() == 1) { MasterSlaveEntry msEntry = getEntry(channelName); msEntry.returnPubSubConnection(entry.getConnection()); } //触发外面whenComplete的执行 result.complete(null); return true; } return false; } }; ChannelFuture future; //这里是unsubscribe和punsubscribe，而前面传进来的topicType是subscribe，对不上了 if (topicType == PubSubType.UNSUBSCRIBE) { future = entry.unsubscribe(channelName, listener); } else { future = entry.punsubscribe(channelName, listener); } return result; } 问题复现
前面分析得头头是道，我们还得通过实践证明一下，有理有据才行。
我的复现代码如下，通过并发调用加锁，开始运行加个断点在org.redisson.pubsub.PublishSubscribeService#unsubscribe里的BaseRedisPubSubListener的onStatus方法，发现正如前面所说，topicType确实对不上。接着运行一段时间后，打一个断点在AsyncSemaphore.acquire方法，观察到listener属性的size不断增长，通过jmap pid GC.run触发gc后也不会回收，问题得以复现。
public void test() { for (int i = 0; i < 20000000; i++) { executor.submit(() -> { //贴入前面的代码，提交到线程池 }); } }
问题解决
在开始排查问题的时候，笔者就在github提issue咨询是什么原因，如何解决。他们的回复是跟这个相关，并推荐升级到3.21.2版本，不过里面提到的描述跟我的不太一样，所以按照版本选择的经验，我决定将版本升级到3.17最后一个小版本3.17.7试一下，重新跑上面的测试代码，跑一段时间后，发现问题没有出现了。
查看org.redisson.pubsub.PublishSubscribeService#unsubscribe源码，发现出问题那段逻辑已经被修复了。
经验总结
遇到难啃问题几乎是每个开发不可避免的事情，解决问题的过程，方法和事后复盘，经验总结非常重要，对个人的学习和能力提升有很大的帮助。
以下几点是我本次的总结：
-
及时止损
当生产出现问题，很多开发同学首先会想如何找到原因，解决根本问题，但实际情况应该是评估影响，及时止损，避免问题发散，扩大影响。
例如不能在短时间内解决的，还要下来慢慢看日志，分析代码的，能回滚的先回滚，能重启的先重启，争取在出现资损前解决问题，减少对业务产生影响。 -
向上汇报
遇到棘手问题不要闷声自己想办法解决，正确做法是先向你的leader汇报问题和风险。如果问题比较棘手和严重，可以请求协助，避免因为个人能力不足迟迟不能解决问题，小问题拖成大问题。 -
保留现场
有时候问题是难以复现的，像我们本次的情况一个月可能就出现一次，如果直接重启服务，那么等下次问题出现就非常久了。所以正确的做法是保留现场，同时要不影响业务，可以保留一个节点，将其流量摘除，通过jstack/jmap dump出程序堆栈，其它节点重启。 -
保持耐心
有些问题不是一时半会就能解决的，有的以天为单位，有的可能要一个月才解决。所以保持耐心很重要，多看看官方文档，github issue，分析源码，尝试各种方式，排除各种可能，相信总会找到解决方法。 -
版本选择
我们选择的redisson版本是3.17.1，实际这个选择不是很好。按照x.y.z的版本规范，x表示大版本，通常是有重大更新，y表示小版本，通常是一些功能迭代，z表示修复版本，通常是修bug用的。例如springboot从2.x升级到3.0，jdk版本要求最低17，是一个非常重大的更新。
上面我为什么选择3.17.7来测试，是因为3.17.7是3.17的最后一个小版本，看到这个版本的release报告你就知道是为什么了，它全部都是在修bug。
当然本次的问题修复不一定在.7这个版本，可能是在1-7之间的某个版本，有兴趣的可以再细看下。
更多分享，欢迎关注我的github：https://github.com/jmilktea/jtea
