本文總結了一些常見的線上應急現象和對應排查步驟和工具。分享的主要目的是想讓對線上問題接觸少的同學有個預先認知，免得在遇到實際問題時手忙腳亂。

只不過這里先提示一下。在線上應急過程中要記住，只有一個總體目標：盡快恢復服務，消除影響。不管處于應急的哪個階段，我們首先必須想到的是恢復問題，恢復問題不一定能夠定位問題，也不一定有完美的解決方案，也許是通過經驗判斷，也許是預設開關等，但都可能讓我們達到快速恢復的目的，然后保留部分現場，再去定位問題、解決問題和復盤。

在大多數情況下，我們都是先優先恢復服務，保留下當時的異常信息（內存dump、線程dump、gc log等等，在緊急情況下甚至可以不用保留，等到事后去復現），等到服務正常，再去復盤問題。

好，現在讓我們進入正題吧。

常見現象：CPU 利用率高/飆升

場景預設：

監控系統突然告警，提示服務器負載異常。

預先說明：

CPU飆升只是一種現象，其中具體的問題可能有很多種，這里只是借這個現象切入。

注：CPU使用率是衡量系統繁忙程度的重要指標。但是CPU使用率的安全閾值是相對的，取決于你的系統的IO密集型還是計算密集型。一般計算密集型應用CPU使用率偏高load偏低，IO密集型相反。

常見原因：

• 頻繁 gc
• 死循環、線程阻塞、io wait...etc

模擬

這里為了演示，用一個最簡單的死循環來模擬CPU飆升的場景，下面是模擬代碼，

在一個最簡單的SpringBoot Web 項目中增加CpuReaper這個類，

/*** 模擬 cpu 飆升場景* @author Richard_yyf*/ @Component public class CpuReaper {@PostConstructpublic void cpuReaper() {int num = 0;long start = System.currentTimeMillis() / 1000;while (true) {num = num + 1;if (num == Integer.MAX_VALUE) {System.out.println("reset");num = 0;}if ((System.currentTimeMillis() / 1000) - start > 1000) {return;}}} }

打包成jar之后，在服務器上運行。java -jar cpu-reaper.jar &

第一步：定位出問題的線程

方法 a: 傳統的方法

top 定位CPU 最高的進程

執行top命令，查看所有進程占系統CPU的排序，定位是哪個進程搞的鬼。在本例中就是咱們的java進程。PID那一列就是進程號。(對指示符含義不清楚的見【附錄】)

top -Hp pid 定位使用 CPU 最高的線程

printf '0x%x' tid 線程 id 轉化 16 進制

> printf '0x%x' 12817> 0x3211

jstack pid | grep tid 找到線程堆棧

> jstack 12816 | grep 0x3211 -A 30

方法 b: [show-busy-java-threads]

這個腳本來自于github上一個開源項目，項目提供了很多有用的腳本，show-busy-java-threads就是其中的一個。使用這個腳本，可以直接簡化方法A中的繁瑣步驟。如下，

> wget --no-check-certificate https://raw.github.com/oldratlee/useful-scripts/release-2.x/bin/show-busy-java-threads > chmod +x show-busy-java-threads > ./show-busy-java-threads

show-busy-java-threads # 從所有運行的Java進程中找出最消耗CPU的線程（缺省5個），打印出其線程棧 # 缺省會自動從所有的Java進程中找出最消耗CPU的線程，這樣用更方便 # 當然你可以手動指定要分析的Java進程Id，以保證只會顯示你關心的那個Java進程的信息 show-busy-java-threads -p <指定的Java進程Id>show-busy-java-threads -c <要顯示的線程棧數>

方法 c: arthas thread

阿里開源的arthas現在已經幾乎包攬了我們線上排查問題的工作，提供了一個很完整的工具集。在這個場景中，也只需要一個thread -n命令即可。

> curl -O https://arthas.gitee.io/arthas-boot.jar # 下載

要注意的是，arthas的cpu占比，和前面兩種cpu占比統計方式不同。前面兩種針對的是Java進程啟動開始到現在的cpu占比情況，arthas這種是一段采樣間隔內，當前JVM里各個線程所占用的cpu時間占總cpu時間的百分比。
具體見官網：https://alibaba.github.io/arthas/thread.html

后續

通過第一步，找出有問題的代碼之后，觀察到線程棧之后。我們就要根據具體問題來具體分析。這里舉幾個例子。

情況一：發現使用CPU最高的都是GC 線程。

GC task thread#0 (ParallelGC)" os_prio=0 tid=0x00007fd99001f800 nid=0x779 runnable GC task thread#1 (ParallelGC)" os_prio=0 tid=0x00007fd990021800 nid=0x77a runnable GC task thread#2 (ParallelGC)" os_prio=0 tid=0x00007fd990023000 nid=0x77b runnable GC task thread#3 (ParallelGC)" os_prio=0 tid=0x00007fd990025000 nid=0x77c runnabl

gc 排查的內容較多，所以我決定在后面單獨列一節講述。

情況二：發現使用CPU最高的是業務線程

• io wait
  • 比如此例中，就是因為磁盤空間不夠導致的io阻塞
• 等待內核態鎖，如 synchronized
  • jstack -l pid | grep BLOCKED 查看阻塞態線程堆棧
  • dump 線程棧，分析線程持鎖情況。
  • arthas提供了thread -b，可以找出當前阻塞其他線程的線程。針對 synchronized 情況

常見現象：頻繁 GC

1. 回顧GC流程

在了解下面內容之前，請先花點時間回顧一下GC的整個流程。

接前面的內容，這個情況下，我們自然而然想到去查看gc 的具體情況。

• 方法a : 查看gc 日志
• 方法b : jstat -gcutil 進程號 統計間隔毫秒 統計次數（缺省代表一致統計
• 方法c : 如果所在公司有對應用進行監控的組件當然更方便（比如Prometheus + Grafana）

這里對開啟 gc log 進行補充說明。一個常常被討論的問題（慣性思維）是在生產環境中GC日志是否應該開啟。因為它所產生的開銷通常都非常有限，因此我的答案是需要開啟。但并不一定在啟動JVM時就必須指定GC日志參數。

HotSpot JVM有一類特別的參數叫做可管理的參數。對于這些參數，可以在運行時修改他們的值。我們這里所討論的所有參數以及以“PrintGC”開頭的參數都是可管理的參數。這樣在任何時候我們都可以開啟或是關閉GC日志。比如我們可以使用JDK自帶的jinfo工具來設置這些參數，或者是通過JMX客戶端調用HotSpotDiagnostic MXBean的setVMOption方法來設置這些參數。
這里再次大贊arthas??，它提供的vmoption命令可以直接查看，更新VM診斷相關的參數。

獲取到gc日志之后，可以上傳到GC easy幫助分析，得到可視化的圖表分析結果。

2. GC 原因及定位

prommotion failed

從S區晉升的對象在老年代也放不下導致 FullGC（fgc 回收無效則拋 OOM）。

可能原因：

• survivor 區太小，對象過早進入老年代
  查看 SurvivorRatio 參數
• 大對象分配，沒有足夠的內存
  dump 堆，profiler/MAT 分析對象占用情況
• old 區存在大量對象
  dump 堆，profiler/MAT 分析對象占用情況

你也可以從full GC 的效果來推斷問題，正常情況下，一次full GC應該會回收大量內存，所以 正常的堆內存曲線應該是呈鋸齒形。如果你發現full gc 之后堆內存幾乎沒有下降，那么可以推斷： 堆中有大量不能回收的對象且在不停膨脹，使堆的使用占比超過full GC的觸發閾值，但又回收不掉，導致full GC一直執行。換句話來說，可能是內存泄露了。

一般來說，GC相關的異常推斷都需要涉及到內存分析，使用jmap之類的工具dump出內存快照（或者 Arthas的heapdump）命令，然后使用MAT、JProfiler、JVisualVM等可視化內存分析工具。

至于內存分析之后的步驟，就需要小伙伴們根據具體問題具體分析啦。

常見現象：線程池異常

場景預設：

業務監控突然告警，或者外部反饋提示大量請求執行失敗。

異常說明：

Java 線程池以有界隊列的線程池為例，當新任務提交時，如果運行的線程少于 corePoolSize，則創建新線程來處理請求。如果正在運行的線程數等于 corePoolSize 時，則新任務被添加到隊列中，直到隊列滿。當隊列滿了后，會繼續開辟新線程來處理任務，但不超過 maximumPoolSize。當任務隊列滿了并且已開辟了最大線程數，此時又來了新任務，ThreadPoolExecutor 會拒絕服務。

常見問題和原因

這種線程池異常，一般可以通過開發查看日志查出原因，有以下幾種原因：

下游服務 響應時間（RT）過長
這種情況有可能是因為下游服務異常導致的，作為消費者我們要設置合適的超時時間和熔斷降級機制。
另外針對這種情況，一般都要有對應的監控機制：比如日志監控、metrics監控告警等，不要等到目標用戶感覺到異常，從外部反映進來問題才去看日志查。

數據庫慢 sql 或者數據庫死鎖

查看日志中相關的關鍵詞。

Java 代碼死鎖

jstack –l pid | grep -i –E 'BLOCKED | deadlock'

四、常見問題恢復

對于上文提到的一些問題，這里總結了一些恢復的方法。

五、Arthas

這里還是想單獨用一節安利一下Arthas這個工具。

Arthas 是阿里巴巴開源的Java 診斷工具，基于 Java Agent 方式，使用 Instrumentation 方式修改字節碼方式進行 Java 應用診斷。

• dashboard ：系統實時數據面板, 可查看線程，內存，gc 等信息
• thread ：查看當前線程信息，查看線程的堆棧，如查看最繁忙的前 n 線程
• getstatic：獲取靜態屬性值，如 getstatic className attrName 可用于查看線上開關真實值
• sc：查看 jvm 已加載類信息，可用于排查 jar 包沖突
• sm：查看 jvm 已加載類的方法信息
• jad：反編譯 jvm 加載類信息,排查代碼邏輯沒執行原因
• logger：查看logger信息，更新logger level
• watch：觀測方法執行數據，包含出參、入參、異常等
• trace：方法內部調用時長，并輸出每個節點的耗時，用于性能分析
• tt：用于記錄方法，并做回放

以上內容節選自Arthas官方文檔。

另外，Arthas里的 還集成了 ognl 這個輕量級的表達式引擎，通過ognl，你可以用arthas 實現很多的“騷”操作。

其他的這里就不多說了，感興趣的可以去看看arthas的官方文檔、github issue。

六、涉及工具

再說下一些工具。

• Arthas（超級推薦????）
• useful-scripts
• GC easy
• Smart Java thread dump analyzer - thread dump analysis in seconds
• PerfMa - Java虛擬機參數/線程dump/內存dump分析
• Linux 命令
• Java N 板斧
• MAT、JProfiler...等可視化內存分析工具

結語

我知道我這篇文章對于線上異常的歸納并不全面，還有網絡（超時、TCP隊列溢出...）、堆外內存等很多的異常場景沒有涉及。主要是因為自己接觸很少，沒有深刻體會研究過，強行寫出來免不得會差點意思，更怕的是誤了別人 。

還有想說的就是，Java 應用線上排查實際非常考究一個人基礎是否扎實、解決問題能力是否過關。比如線程池運行機制、gc分析、Java 內存分析等等，如果基礎不扎實，看了更多的是一頭霧水。另外就是，多看看網上一些有實際場景的關于異常排查的經驗文章，學習他們解決排查問題的思路和工具。這樣即使自己暫時遇不到，但是會在腦海里面慢慢總結出一套解決類似問題的結構框架，到時候真的遇到了，也就是觸類旁通的事情罷了。

---

原作者：Richard_Yi
原文鏈接：Java 應用線上問題排查思路、常用工具小結
原出處：Richard Code Studio
侵刪

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的curl命令java_让 Bug 无处藏身，Java 线上问题排查思路、常用工具的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。