1.面试官问：SpringBoot中@Async默认线程池导致OOM如何解决？
2.26期内存持续上升，源码如何排查?源码
3.给你的Java程序拍个片子吧：jstack命令解析
4.Spring Boot引起的“堆外内存泄漏”排查及经验总结
5.线程阻塞问题-log4j
6.What？一个 Dubbo 服务启动要两个小时！

面试官问：SpringBoot中@Async默认线程池导致OOM如何解决？

       面临问题

       在进行项目测试时，源码我们遇到了内存溢出（OOM）问题，源码具体日志显示为“unable to create new native thread”。源码该项目使用SpringBoot架构，源码建站abc程序源码我们通过Jstack工具分析，源码发现大量线程处于可运行状态，源码表明线程创建量过大。源码

       问题解析

       内存溢出主要有三种类型：第一，源码PermGen space，源码通常因程序中加载大量JAR或Class文件引起；第二，源码Java heap space，源码由程序创建对象过多导致；第三，源码无法创建新本地线程，源码这可能因创建线程数量过多，导致内存消耗过大。

       初步分析

       根据日志分析，我们怀疑是线程创建过多导致的问题。通过将应用线程信息打印到文件，发现大量线程处于可运行状态，这进一步确认了线程创建过多的假设。

       代码探究

       问题出在日志写库服务的`writeLog`方法上，该方法使用了`@Async`注解，实现异步写入逻辑。但服务并未自定义异步配置，而是使用了Spring默认的`SimpleAsyncTaskExecutor`线程池，该配置默认为每个任务创建一个新线程，这在高并发压测环境下，可能导致线程数量激增，从而导致内存溢出。

       深入了解

       `SimpleAsyncTaskExecutor`线程池具备限流机制，通过`concurrencyLimit`属性控制。默认情况下，此属性值为-1，即不开启限流，导致在高并发情况下持续创建线程。源码分析揭示了限流机制实现，即当线程数超过`concurrencyLimit`时，当前线程会进入等待状态，直至线程数减至允许范围。iapp如何修改源码

       实践验证

       我们通过模拟测试验证了此机制。在未开启限流的情况下，启动个线程调用异步方法，使用Java VisualVM监控工具观察到线程数迅速增长，直至达到系统限制。开启限流后，线程数得到了有效控制，但这也引入了执行效率的降低，出现了主线程等待和线程竞争的情况。这种限流机制适用于任务处理速度较快的场景，对于处理时间较长的应用并不适用。

       最终解决方案

       为解决线程创建过多导致的内存溢出问题，我们采取了以下策略：

       1. 自定义线程池，利用`LinkedBlockingQueue`阻塞队列限制线程池的最大线程数。

       2. 定义拒绝策略，当任务队列满时，拒绝处理新任务并记录日志。

       通过这些改进，我们成功解决了内存溢出问题，同时确保了应用的稳定性和响应效率。

期内存持续上升，如何排查?

       当内存持续上升时，定位问题并不容易，特别是在复杂的进程和业务线程中。这时，我们需要借助恰当的工具来帮助我们分析。以下是几种常用的排查内存问题的工具和方法：

       首先，Linux命令行中的top命令，作为最常用的监控工具，可以实时显示进程的CPU和内存使用情况。通过top -Hp pid，可以查看特定线程的资源占用。

       其次，vmstat能提供更深入的系统资源监控，包括内存和CPU使用，但主要用于观察进程的上下文切换。而pidstat则可深入到线程级别，通过其参数如pidstat -p pid -r 1 3，我们可以监测内存使用情况。

       对于Java应用，源码包是哪个JDK提供了强大的工具。例如，jstat用于实时监控堆内存和垃圾回收，而jmap则用于查看堆内存配置和详细使用情况，通过jmap -histo[:live] pid可以查看对象统计。

       jstack则用于分析线程堆栈，有助于排查死锁问题。这些工具在简单场景中能快速定位问题，但在复杂场景下，可能需要结合源码分析，不断积累经验才能达到高效性能调优。

       总的来说，排查内存问题并非易事，需要综合运用各种工具，不断学习和实践，才能找出问题根源。

给你的Java程序拍个片子吧：jstack命令解析

       当Java程序陷入长时间停滞，可能是健康状况堪忧，此时我们需要借助jstack进行诊断。jstack是Java虚拟机自带的堆栈跟踪工具，用于解析特定Java进程ID或core文件中的线程信息。

       使用jstack的基本命令格式如下，最常见的用法就是通过指定进程ID获取堆栈信息：

       选项说明：

       理解线程状态是分析的前提，Java的线程状态分为六种，但在jstack中，我们关注的通常是运行中的三种状态。jstack用于生成线程快照，有助于我们分析线程阻塞和同步问题。

       在多线程环境中，Java的监视锁（Monitor）是关键。理解Synchronized和Monitor的关系有助于深入分析，如需了解更多，可以查阅《Synchronized解析——如果你愿意一层一层剥开我的心》。

       实战中，我们先来看两个案例：一是死锁问题的排查。死锁是多个线程相互等待，无法继续执行。通过jstack分析，我们可以找到死锁的线索，比如源码中的天气预告android 源码线程阻塞情况。接着，通过jps获取进程ID，使用jstack -l查看堆栈信息，揭示死锁真相。

       第二个案例是CPU过高问题。通过top命令找到高占用CPU的java进程，进一步用jstack查看线程堆栈，找到占用资源最多的线程。然后，分析堆栈信息，查找可能的死循环或耗时操作。

       在实际操作中，我们通常会将这些信息记录到文件中，便于后续深入分析，甚至对比不同时间点的堆栈信息，以获取更准确的诊断结果。

       最后，对于jstack命令的使用，务必记住关键步骤，如定位进程、查看堆栈和记录信息，这将有助于我们更好地理解和解决Java程序的各种问题。

Spring Boot引起的“堆外内存泄漏”排查及经验总结

       为了更好地实现对项目的管理，我们将组内一个项目迁移到MDP框架（基于Spring Boot），随后我们就发现系统会频繁报出Swap区域使用量过高的异常。笔者被叫去帮忙查看原因，发现配置了4G堆内内存，但是实际使用的物理内存竟然高达7G，确实不正常。JVM参数配置是“-XX:MetaspaceSize=M -XX:MaxMetaspaceSize=M -XX:+AlwaysPreTouch -XX:ReservedCodeCacheSize=m -XX:InitialCodeCacheSize=m, -Xssk -Xmx4g -Xms4g,-XX:+UseG1GC -XX:G1HeapRegionSize=4M”，实际使用的物理内存如下图所示：

       使用Java层面的工具定位内存区域（堆内内存、Code区域或者使用unsafe.allocateMemory和DirectByteBuffer申请的堆外内存）。

       笔者在项目中添加-XX:NativeMemoryTracking=detailJVM参数重启项目，使用命令jcmd pid VM.native_memory detail查看到的内存分布如下：

       发现命令显示的committed的内存小于物理内存，因为jcmd命令显示的内存包含堆内内存、Code区域、通过unsafe.allocateMemory和DirectByteBuffer申请的内存，但是不包含其他Native Code（C代码）申请的堆外内存。所以猜测是使用Native Code申请内存所导致的问题。

       为了防止误判，itheima手机卫士源码笔者使用了pmap查看内存分布，发现大量的M的地址；而这些地址空间不在jcmd命令所给出的地址空间里面，基本上就断定就是这些M的内存所导致。

       使用系统层面的工具定位堆外内存。

       因为已经基本上确定是Native Code所引起，而Java层面的工具不便于排查此类问题，只能使用系统层面的工具去定位问题。

       首先，使用了gperftools去定位问题。

       从上图可以看出：使用malloc申请的的内存最高到3G之后就释放了，之后始终维持在M-M。笔者第一反应是：难道Native Code中没有使用malloc申请，直接使用mmap/brk申请的？（gperftools原理就使用动态链接的方式替换了操作系统默认的内存分配器（glibc）。）

       然后，使用strace去追踪系统调用。

       因为使用gperftools没有追踪到这些内存，于是直接使用命令“strace -f -e"brk,mmap,munmap" -p pid”追踪向OS申请内存请求，但是并没有发现有可疑内存申请。

       接着，使用GDB去dump可疑内存。

       因为使用strace没有追踪到可疑内存申请；于是想着看看内存中的情况。就是直接使用命令gdp -pid pid进入GDB之后，然后使用命令dump memory mem.bin startAddress endAddressdump内存，其中startAddress和endAddress可以从/proc/pid/smaps中查找。然后使用strings mem.bin查看dump的内容，如下：

       从内容上来看，像是解压后的JAR包信息。读取JAR包信息应该是在项目启动的时候，那么在项目启动之后使用strace作用就不是很大了。所以应该在项目启动的时候使用strace，而不是启动完成之后。

       再次，项目启动时使用strace去追踪系统调用。

       项目启动使用strace追踪系统调用，发现确实申请了很多M的内存空间，截图如下：

       使用该mmap申请的地址空间在pmap对应如下：

       最后，使用jstack去查看对应的线程。

       因为strace命令中已经显示申请内存的线程ID。直接使用命令jstack pid去查看线程栈，找到对应的线程栈（注意进制和进制转换）如下：

       这里基本上就可以看出问题来了：MCC（美团统一配置中心）使用了Reflections进行扫包，底层使用了Spring Boot去加载JAR。因为解压JAR使用Inflater类，需要用到堆外内存，然后使用Btrace去追踪这个类，栈如下：

       然后查看使用MCC的地方，发现没有配置扫包路径，默认是扫描所有的包。于是修改代码，配置扫包路径，发布上线后内存问题解决。

       为什么堆外内存没有释放掉呢？

       虽然问题已经解决了，但是有几个疑问。带着疑问，直接看了一下 Spring Boot Loader那一块的源码。发现Spring Boot对Java JDK的InflaterInputStream进行了包装并且使用了Inflater，而Inflater本身用于解压JAR包的需要用到堆外内存。而包装之后的类ZipInflaterInputStream没有释放Inflater持有的堆外内存。于是以为找到了原因，立马向Spring Boot社区反馈了这个bug。但是反馈之后，就发现Inflater这个对象本身实现了finalize方法，在这个方法中有调用释放堆外内存的逻辑。也就是说Spring Boot依赖于GC释放堆外内存。

       使用jmap查看堆内对象时，发现已经基本上没有Inflater这个对象了。于是就怀疑GC的时候，没有调用finalize。带着这样的怀疑，把Inflater进行包装在Spring Boot Loader里面替换成自己包装的Inflater，在finalize进行打点监控，结果finalize方法确实被调用了。于是又去看了Inflater对应的C代码，发现初始化的使用了malloc申请内存，end的时候也调用了free去释放内存。

       此时，怀疑free的时候没有真正释放内存，便把Spring Boot包装的InflaterInputStream替换成Java JDK自带的，发现替换之后，内存问题也得以解决了。

       再次看gperftools的内存分布情况，发现使用Spring Boot时，内存使用一直在增加，突然某个点内存使用下降了好多（使用量直接由3G降为M左右）。这个点应该就是GC引起的，内存应该释放了，但是在操作系统层面并没有看到内存变化，那是不是没有释放到操作系统，被内存分配器持有了呢？

       继续探究，发现系统默认的内存分配器（glibc 2.版本）和使用gperftools内存地址分布差别很明显，2.5G地址使用smaps发现它是属于Native Stack。内存地址分布如下：

       到此，基本上可以确定是内存分配器在捣鬼；搜索了一下glibc M，发现glibc从2.开始对每个线程引入内存池（位机器大小就是M内存），原文如下：

       按照文中所说去修改MALLOC_ARENA_MAX环境变量，发现没什么效果。查看tcmalloc（gperftools使用的内存分配器）也使用了内存池方式。

       为了验证是内存池搞的鬼，就简单写个不带内存池的内存分配器。使用命令gcc zjbmalloc.c -fPIC -shared -o zjbmalloc.so生成动态库，然后使用export LD_PRELOAD=zjbmalloc.so替换掉glibc的内存分配器。其中代码Demo如下：

       通过在自定义分配器当中埋点可以发现实际申请的堆外内存始终在M-M之间，gperftools监控显示内存使用量也是在M-M左右。但是从操作系统角度来看进程占用的内存差别很大（这里只是监控堆外内存）。

       使用不同分配器进行不同程度的扫包，占用的内存如下：

       为什么自定义的malloc申请M，最终占用的物理内存在1.7G呢？因为自定义内存分配器采用的是mmap分配内存，mmap分配内存按需向上取整到整数个页，所以存在着巨大的空间浪费。通过监控发现最终申请的页面数目在k个左右，那实际上向系统申请的内存等于k * 4k（pagesize） = 2G。

       为什么这个数据大于1.7G呢？因为操作系统采取的是延迟分配的方式，通过mmap向系统申请内存的时候，系统仅仅返回内存地址并没有分配真实的物理内存。只有在真正使用的时候，系统产生一个缺页中断，然后再分配实际的物理Page。

       整个内存分配的流程如上图所示。MCC扫包的默认配置是扫描所有的JAR包。在扫描包的时候，Spring Boot不会主动去释放堆外内存，导致在扫描阶段，堆外内存占用量一直持续飙升。当发生GC的时候，Spring Boot依赖于finalize机制去释放了堆外内存；但是glibc为了性能考虑，并没有真正把内存归返到操作系统，而是留下来放入内存池了，导致应用层以为发生了“内存泄漏”。所以修改MCC的配置路径为特定的JAR包，问题解决。在发表这篇文章时，发现Spring Boot的最新版本（2.0.5.RELEASE）已经做了修改，在ZipInflaterInputStream主动释放了堆外内存不再依赖GC；所以Spring Boot升级到最新版本，这个问题也可以得到解决。

线程阻塞问题-log4j

       Log4j：灵活的日志管理神器</

       Apache的开源之作Log4j，以其强大的配置能力，让我们能够精准地控制日志流向，无论是控制台输出、文件记录、GUI组件，还是网络服务和系统日志，都能随心所欲。它的灵活性在于，只需一个配置文件，就能调整日志级别和格式，无需改动应用代码，大大提升了开发效率。

       压力测试中的线程阻塞疑云</

       当进行压力测试时，遇到TPS不升反降的情况，尽管服务器和压力机的指标均正常，这可能暗示着线程阻塞的问题。这时，我们需要通过jstack来深入剖析，比如抓取三个进程快照：jstack进程 > 1.log、2.log、3.log，来揭示问题根源。

       深入分析线程快照</

       在快照中，搜索关键字"BLOCKED"，重点关注以"com"、"cn"、"org"开头的类，如CaseController.class。这是我们的测试焦点，它与接口调用紧密相关。反编译工具的使用有助于揭示潜在的加锁机制，即使这些锁隐藏在依赖包的内部代码中。

       依赖包中的秘密</

       深入分析后，定位到具体代码文件和行号，这为我们找到问题的症结提供了关键线索。在日志框架的底层实现中，我们可能会发现由于框架内置的加锁机制，导致了线程阻塞。

       解决线程阻塞：策略与选择</

       面对线程阻塞，我们有几种可能的应对策略：

代码层面调整</：尝试修改Log4j源码以移除潜在的锁，但这通常是不可行的，且风险较高。

日志优化</：提升日志级别，减少不必要的输出，以降低阻塞发生的概率，但这并不能从根本上解决问题。

切换日志框架</：推荐考虑升级到log4j2或logback，这些现代的日志框架往往提供了更高效的解决方案，有助于彻底解决线程阻塞问题。

       总结起来，通过细致的分析和策略选择，我们能够有效地应对Log4j引发的线程阻塞问题，提升系统的性能和稳定性。

What？一个 Dubbo 服务启动要两个小时！

       前言

       在测试环境中，遇到了 Dubbo 服务启动异常的难题。现象显示，应用在初次启动时异常缓慢，需要耗时约两个小时才能正常运行。测试人员尝试排查数据库、Zookeeper 等连接问题，但并未找到原因。最终，通过 jstack 工具获取线程快照发现，主线程卡在了 Dubbo 服务配置中的某个方法中，具体为 ServiceConfig.java 的 行代码。

       深入分析

       根据源码分析，问题根源在于主线程试图获取本机 IP 并将其注册至 Zookeeper，以便用于服务调用。在执行 Inet4AddressImpl.getLocalHostName 方法时，发现这是一个 native 方法，且调用耗时异常长。经过测试，发现本地主机名与 IP 的交互过程存在卡顿现象，且与 DNS 服务器交互速度明显较慢。

       解决策略

       分析问题后，考虑到这是一个 native 方法，与应用主体逻辑无关，进一步探究问题是否源于服务器配置。通过 ping 服务器的主机名与 IP，发现主机名的获取过程存在延迟，导致整个系统启动缓慢。为了解决问题，尝试在 /etc/hosts 配置文件中添加了主机名与 IP 的映射，使得直接 ping 主机名能够快速响应，从而解决了 Dubbo 服务启动缓慢的问题。

       总结与反思

       解决本次问题后，我们总结了以下几个关键点：首先，DNS 服务器的交互速度对应用启动时间有显著影响，应关注其响应速度。其次，Dubbo 在依赖外部资源获取时，应提高其健壮性，例如在长时间未成功获取资源时，可以抛出异常或提供更明确的错误提示，协助开发者快速定位问题。通过此次经历，我们意识到优化 DNS 配置与提升外部依赖处理逻辑的效率对于提高系统稳定性至关重要。