又一起線上事故，線程池千萬別亂用！
在高并發、異步化等場景，線程池的運用可以說無處不在。線程池從本質上來講，即通過空間換取時間，因為線程的創建和銷毀都是要消耗資源和時間的，對于大量使用線程的場景，使用池化管理可以延遲線程的銷毀，大大提高單個線程的復用能力，進一步提升整體性能。
今天遇到了一個比較典型的線上問題，剛好和線程池有關，另外涉及到死鎖、jstack命令的使用、JDK不同線程池的適合場景等知識點，同時整個調查思路可以借鑒，特此記錄和分享一下。
01 業務背景描述
該線上問題發生在廣告系統的核心扣費服務，首先簡單交代下大致的業務流程，方便理解問題。
綠框部分即扣費服務在廣告召回扣費流程中所處的位置，簡單理解：當用戶點擊一個廣告后，會從C端發起一次實時扣費請求(CPC，按點擊扣費模式)，扣費服務則承接了該動作的核心業務邏輯：包括執行反作弊策略、創建扣費記錄、click日志埋點等。
02 問題現象和業務影響
12月2號晚上11點左右，我們收到了一個線上告警通知：扣費服務的線程池任務隊列大小遠遠超出了設定閾值，而且隊列大小隨著時間推移還在持續變大。詳細告警內容如下：
相應的，我們的廣告指標：點擊數、收入等也出現了非常明顯的下滑，幾乎同時發出了業務告警通知。其中，點擊數指標對應的曲線表現如下：
該線上故障發生在流量高峰期，持續了將近30分鐘后才恢復正常。
03 問題調查和事故解決過程
下面詳細說下整個事故的調查和分析過程。
第1步：收到線程池任務隊列的告警后，我們第一時間查看了扣費服務各個維度的實時數據：包括服務調用量、超時量、錯誤日志、JVM監控，均未發現異常。
第2步：然后進一步排查了扣費服務依賴的存儲資源（mysql、redis、mq），外部服務，發現了事故期間存在大量的數據庫慢查詢。
上述慢查詢來自于事故期間一個剛上線的大數據抽取任務，從扣費服務的mysql數據庫中大批量并發抽取數據到hive表。因為扣費流程也涉及到寫mysql，猜測這個時候mysql的所有讀寫性能都受到了影響，果然進一步發現insert操作的耗時也遠遠大于正常時期。
第3步：我們猜測數據庫慢查詢影響了扣費流程的性能，從而造成了任務隊列的積壓，所以決定立馬暫定大數據抽取任務。但是很奇怪：停止抽取任務后，數據庫的insert性能恢復到正常水平了，但是阻塞隊列大小仍然還在持續增大，告警并未消失。
第4步：考慮廣告收入還在持續大幅度下跌，進一步分析代碼需要比較長的時間，所以決定立即重啟服務看看有沒有效果。為了保留事故現場，我們保留了一臺服務器未做重啟，只是把這臺機器從服務管理平臺摘掉了，這樣它不會接收到新的扣費請求。
果然重啟服務的殺手锏很管用，各項業務指標都恢復正常了，告警也沒有再出現。至此，整個線上故障得到解決，持續了大概30分鐘。
04 問題根本原因的分析過程
下面再詳細說下事故根本原因的分析過程。
第1步：第二天上班后，我們猜測那臺保留了事故現場的服務器，隊列中積壓的任務應該都被線程池處理掉了，所以嘗試把這臺服務器再次掛載上去驗證下我們的猜測，結果和預期完全相反，積壓的任務仍然都在，而且隨著新請求進來，系統告警立刻再次出現了，所以又馬上把這臺服務器摘了下來。
第2步：線程池積壓的幾千個任務，經過1個晚上都沒被線程池處理掉，我們猜測應該存在死鎖情況。所以打算通過jstack命令dump線程快照做下詳細分析。
- #找到扣費服務的進程號
- $ jstack pid > /tmp/stack.txt
- # 通過進程號dump線程快照，輸出到文件中
- $ jstack pid > /tmp/stack.txt
在jstack的日志文件中，立馬發現了：用于扣費的業務線程池的所有線程都處于waiting狀態，線程全部卡在了截圖中紅框部分對應的代碼行上，這行代碼調用了countDownLatch的await()方法，即等待計數器變為0后釋放共享鎖。
第3步：找到上述異常后，距離找到根本原因就很接近了，我們回到代碼中繼續調查，首先看了下業務代碼中使用了newFixedThreadPool線程池，核心線程數設置為25。針對newFixedThreadPool，JDK文檔的說明如下：
創建一個可重用固定線程數的線程池，以共享的無界隊列方式來運行這些線程。如果在所有線程處于活躍狀態時提交新任務，則在有可用線程之前，新任務將在隊列中等待。
關于newFixedThreadPool，核心包括兩點：
1、最大線程數 = 核心線程數，當所有核心線程都在處理任務時，新進來的任務會提交到任務隊列中等待；
2、使用了無界隊列：提交給線程池的任務隊列是不限制大小的，如果任務被阻塞或者處理變慢，那么顯然隊列會越來越大。
所以，進一步結論是：核心線程全部死鎖，新進的任務不對涌入無界隊列，導致任務隊列不斷增加。
第4步：到底是什么原因導致的死鎖，我們再次回到jstack日志文件中提示的那行代碼做進一步分析。下面是我簡化過后的示例代碼：
- /**
- * 執行扣費任務
- */
- public Result<Integer> executeDeduct(ChargeInputDTO chargeInput) {
- ChargeTask chargeTask = new ChargeTask(chargeInput);
- bizThreadPool.execute(() -> chargeTaskBll.execute(chargeTask ));
- return Result.success();
- }
- /*
- * 扣費任務的具體業務邏輯
- */
- public class ChargeTaskBll implements Runnable {
- public void execute(ChargeTask chargeTask) {
- // 第一步：參數校驗
- verifyInputParam(chargeTask);
- // 第二步：執行反作弊子任務
- executeUserSpam(SpamHelper.userConfigs);
- // 第三步：執行扣費
- handlePay(chargeTask);
- // 其他步驟：點擊埋點等
- ...
- }
- }
- /**
- * 執行反作弊子任務
- */
- public void executeUserSpam(List<SpamUserConfigDO> configs) {
- if (CollectionUtils.isEmpty(configs)) {
- return;
- }
- try {
- CountDownLatch latch = new CountDownLatch(configs.size());
- for (SpamUserConfigDO config : configs) {
- UserSpamTask task = new UserSpamTask(config,latch);
- bizThreadPool.execute(task);
- }
- latch.await();
- } catch (Exception ex) {
- logger.error("", ex);
- }
- }
通過上述代碼，大家能否發現死鎖是怎么發生的呢？
根本原因在于：一次扣費行為屬于父任務，同時它又包含了多次子任務：子任務用于并行執行反作弊策略，而父任務和子任務使用的是同一個業務線程池。
當線程池中全部都是執行中的父任務時，并且所有父任務都存在子任務未執行完，這樣就會發生死鎖。下面通過1張圖再來直觀地看下死鎖的情況：
假設核心線程數是2，目前正在執行扣費父任務1和2。另外，反作弊子任務1和3都執行完了，反作弊子任務2和4都積壓在任務隊列中等待被調度。因為反作弊子任務2和4沒執行完，所以扣費父任務1和2都不可能執行完成，這樣就發生了死鎖，核心線程永遠不可能釋放，從而造成任務隊列不斷增大，直到程序OOM crash。
死鎖原因清楚后，還有個疑問：上述代碼在線上運行很長時間了，為什么現在才暴露出問題呢？另外跟數據庫慢查詢到底有沒有直接關聯呢？
暫時我們還沒有復現證實，但是可以推斷出：上述代碼一定存在死鎖的概率，尤其在高并發或者任務處理變慢的情況下，概率會大大增加。數據庫慢查詢應該就是導致此次事故出現的導火索。
05 解決方案
弄清楚根本原因后，最簡單的解決方案就是：增加一個新的業務線程池，用來隔離父子任務，現有的線程池只用來處理扣費任務，新的線程池用來處理反作弊任務。這樣就可以徹底避免死鎖的情況了。
06 問題總結
回顧事故的解決過程以及扣費的技術方案，存在以下幾點待繼續優化：
1、使用固定線程數的線程池存在OOM風險，在阿里巴巴Java開發手冊中也明確指出，而且用的詞是『不允許』使用Executors創建線程池。而是通過ThreadPoolExecutor去創建，這樣讓寫的同學能更加明確線程池的運行規則和核心參數設置，規避資源耗盡的風險。
2、廣告的扣費場景是一個異步過程，通過線程池或者MQ來實現異步化處理都是可選的方案。另外，極個別的點擊請求丟失不扣費從業務上是允許的，但是大批量的請求丟棄不處理且沒有補償方案是不允許的。后續采用有界隊列后，拒絕策略可以考慮發送MQ做重試處理。
