這篇文章給大家聊一次線上生產(chǎn)系統(tǒng)事故的解決經(jīng)歷，其背后代表的是線上生產(chǎn)系統(tǒng)的JVM FullGC可能引發(fā)的嚴重故障。

一、業(yè)務場景介紹

先簡單說說線上生產(chǎn)系統(tǒng)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(yè)務背景。

簡單來說，這是一套分布式系統(tǒng)，系統(tǒng)A需要將一個非常核心以及關(guān)鍵的數(shù)據(jù)通過網(wǎng)絡請求，傳輸給另外一個系統(tǒng)B。

所以這里其實就考慮到了一個問題，如果系統(tǒng)A剛剛將核心數(shù)據(jù)傳遞給了系統(tǒng)B，結(jié)果系統(tǒng)B莫名其妙宕機了，豈不是會導致數(shù)據(jù)丟失？

所以在這個分布式系統(tǒng)的架構(gòu)設計中，采取了非常經(jīng)典的一個Quorum算法。

這個算法簡單來說，就是系統(tǒng)B必須要部署奇數(shù)個節(jié)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(tǒng)A每次傳輸一個數(shù)據(jù)給系統(tǒng)，都必須要對系統(tǒng)B部署的全部機器都發(fā)送請求，將一份數(shù)據(jù)傳輸給系統(tǒng)B部署的所有機器。

要判定系統(tǒng)A對系統(tǒng)B的一次數(shù)據(jù)寫是成功的，要求系統(tǒng)A必須在指定時間范圍內(nèi)對超過Quorum數(shù)量的系統(tǒng)B所在機器傳輸成功。

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

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

此時系統(tǒng)A才能認為這條數(shù)據(jù)對系統(tǒng)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(gòu)下，系統(tǒng)之間傳輸數(shù)據(jù)，一個系統(tǒng)要確保自己給另外一個系統(tǒng)傳輸?shù)臄?shù)據(jù)不會丟失，必須要在指定時間內(nèi)，收到另外一個系統(tǒng)Quorum（大多數(shù)）數(shù)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(tǒng)、中間件系統(tǒng)中都有非常廣泛的使用，我們線上的分布式系統(tǒng)也是采用了這個Quorum機制在兩個系統(tǒng)之間傳輸數(shù)據(jù)。

給大家上一張圖，一起來看一下這套架構(gòu)長啥樣。

如上圖所示，圖中很清晰的展示了系統(tǒng)A和系統(tǒng)B之間傳輸一份數(shù)據(jù)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(wǎng)絡傳輸、通信、容錯、優(yōu)化的東西，所以下面代碼經(jīng)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(jīng)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。

這段代碼其實含義很簡單，說白了就是異步開啟線程發(fā)送數(shù)據(jù)給系統(tǒng)B所有的機器，同時進入一個while循環(huán)等待系統(tǒng)B的Quorum數(shù)量的機器返回響應結(jié)果。

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

整個代碼，就是這么個意思！

二、問題凸現(xiàn)

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(chǎn)系統(tǒng)運行的過程中，整體系統(tǒng)負載都很平穩(wěn)，本來是不應該有什么問題，但是結(jié)果突然收到報警，說系統(tǒng)A突然宕機了。

然后就開始進行排查，左排查右排查，發(fā)現(xiàn)系統(tǒng)B集群都好好的，不應該有問題。

然后再查查系統(tǒng)A，發(fā)現(xiàn)系統(tǒng)A別的地方也沒什么問題。

最后結(jié)合系統(tǒng)A自身的日志，以及系統(tǒng)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。

三、定位問題

其實原因非常的簡單，就是系統(tǒng)A在線上運行一段時間后，會偶發(fā)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(tǒng)A內(nèi)部的工作線程大量的卡頓，不再工作。要等JVM FullGC結(jié)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(tǒng)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。

他會停頓1秒鐘進入下一輪while循環(huán)，接著就可以收到系統(tǒng)B返回的Quorum數(shù)量的結(jié)果，這個while循環(huán)就可以中斷，繼續(xù)運行了。

結(jié)果因為出現(xiàn)了JVM FullGC卡頓了幾十秒，導致莫名其妙就觸發(fā)了if判斷的執(zhí)行，系統(tǒng)A莫名其妙就退出宕機了。

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

四、解決問題

至于上述代碼穩(wěn)定性的優(yōu)化，也很簡單。我們只要在代碼里加入一些東西，監(jiān)控一下上述代碼中是否發(fā)生了JVM FullGC。

如果發(fā)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(yōu)化線上系統(tǒng)的穩(wěn)定性，保證其在JVM FullGC發(fā)生的情況下，也不會隨意出現(xiàn)異常宕機退出的情況了。