线上问题排查的常用工具和方法

在长期排查线上问题的过程中，总结了一些工具的用法和排查问题的思路，这里跟大家分享一下，在遇到类似的问题时，希望能给予一些帮助。



首先讲讲工具，JVM自带的一些工具是必须熟练掌握的，例如jstack, jmap, jstat等，它们可以帮我们去深入了解JVM正在做的事情，主要的适用领域有这些：



1、jstack

jstack可以告诉你当前所有JVM线程正在做什么，包括用户线程和虚拟机线程，你可以用它来查看线程栈，并且结合Lock信息来检测是否发生了死锁和死锁的线程。



没事儿jstack一下，知道你的小伙伴正在做什么。

​

另外在用top -H看到占用CPU非常高的pid时，可以转换成16进制后在jstack dump出来的文件中搜索，看看到底是什么线程占用了CPU。



2、jstat

stat，顾名思义就是提供一些统计信息，它可以告诉你当前的GC情况，包括GC次数、时间，具体的GC还可以结合gc.log文件去分析。



一般来说，我们用jstat去查看GC情况，判断是否存在YGC或FGC频繁的情况，再去看gc.log和jamp dump内存，MAT分析来定位问题（后面会有一个case针对这种场景）。



常用的用法是jstat -gcutil pid time（间隔）



3、jmap

排查GC问题必然会用到的工具，jmap可以告诉你当前JVM内存堆中的对象分布及其关系，当你dump堆之后可以用MAT分析，看看有哪些大对象，或者哪些类的实例特别多。



常用用法：强制FGC：-histo:live

                  dump堆：-dump:[live],format=b,file=dump.bin

                  查看各代内存占用情况：-heap



然后我们来介绍一些开源的工具，来增强JVM工具本身的作用。



1、MAT（Eclipse Memory Analyzer）

GC分析必备，用于分析jmap或OOM时dump出来的内存快照，可以看到对象和引用关系。



2、top

这个是Linux自带的命令，查看系统资源消耗情况，可以看看CPU、内存、SWAP、I/O的消耗情况，需要特别注意的有几个值：

ni，这个值如果特别高说明线程上下文切换开销较大，看看是不是开了太多的线程导致的

res，这个代表了进程实际占用的内存

swap，内存不足就会占用swap空间，这个时候一般应用的性能会急剧下降，需要特别关注



3、HouseMD

一个类似于BTrace的工具，用于对JVM运行时的状态进行追踪和诊断，作者是中间件团队的聚石。



通常我们排查问题很多时候都在代码中加个日志，看看方法的参数、返回值是不是我们期望的，然后编译打包部署重启应用，十几分钟就过去了。HouseMD可以直接让你可以追踪到方法的返回值和参数，以及调用次数、调用平均rt、调用栈。甚至是类的成员变量的值、Class加载的路径、对应的ClassLoader，都可以用一行命令给你展现出来，堪称神器。



更多的用法可以参考详细的WiKi：https://github.com/CSUG/HouseMD



再偷偷告诉你，因为HouseMD是基于字节码分析来做的，所以理论上运行在JVM的语言都可以用它，包括Groovy，Clojure都可以。



4、TBJMap

通过jmap和MAT我们可以知道整个JVM堆的对象分布情况，但是有时候我们需要知道young/old/perm区分别有哪些对象的时候，就要用到TBJMap这个神器了。作者是中间件团队的叔同。



他可以告诉你各个分代区各个Class的实例数、占用的空间，以及DirectMemory占用的空间等。



用法很简单，一行命令即可。WiKi：https://github.com/alibaba/TBJMap


5、tsar

tsar是淘宝的采集工具，主要用来收集服务器的系统信息（如cpu，io，mem，tcp等）以及应用数据（如squid haproxy nginx等），tsar支持t实时查看和历史查看，方便了解应用和服务器的信息。

Usage: tsar [options]
Options:
    -check              display last record for alert
    --check/-C          display last record for alert.example:tsar --check / tsar --check --cpu --io
    --cron/-c           run in cron mode, output data to file
    --interval/-i       specify intervals numbers, in minutes if with --live, it is in seconds
    --list/-L           list enabled modules
    --live/-l           running print live mode, which module will print
    --file/-f           specify a filepath as input
    --ndays/-n          show the value for the past days (default: 1)
    --date/-d           show the value for the specify day(n or YYYYMMDD)
    --merge/-m          merge multiply item to one
    --detail/-D         do not conver data to K/M/G
    --spec/-s           show spec field data, tsar --cpu -s sys,util
    --help/-h           help
Modules Enabled:
    --cpu               CPU share (user, system, interrupt, nice, & idle)
    --mem               Physical memory share (active, inactive, cached, free, wired)
    --swap              swap usage
    --tcp               TCP traffic     (v4)
    --udp               UDP traffic     (v4)
    --traffic           Net traffic statistics
    --io                Linux I/O performance
    --pcsw              Process (task) creation and context switch
    --partition         Disk and partition usage
    --tcpx              TCP connection data
    --load              System Run Queue and load average

用不同的参数可以看到历史和实时信息，CPU、Load、内存、网络、QPS、rt等等你想要的监控数据几乎都能看到。

讲了这么多工具，给两个实例大家分享一下，基本上上面的工具都用到了，大家可以看看在实战中这些工具是怎么配合使用起来的。