为什么 java 容器推荐使用 ExitOnOutOfMemoryError 而非 HeapDumpOnOutOfMemoryError ?

本文最后更新于：2021年11月27日下午

前言

好久没写文章了, 今天之所以突然心血来潮, 是因为昨天出现了这样一个情况:

我们公司的某个手机 APP 后端的用户 (customer) 微服务出现内存泄露, 导致 OutOfMemoryError, 但是因为经过我们精心优化的 openjdk 容器参数, 这次故障对用户 完全无感知. 💪💪💪

那么我们是如何做到的呢?

HeapDumpOnOutOfMemoryError VS ExitOnOutOfMemoryError

我们都知道, 在传统的虚拟机上部署的 Java 实例. 为了更好地分析问题, 一般都是要加上: -XX:+HeapDumpOnOutOfMemoryError这个参数的. 加这个参数后, 如果遇到内存溢出, 就会自动生成 HeapDump, 后面我们可以拿到这个 HeapDump 来更精确地分析问题.

但是, “大人, 时代变了!”

容器技术的发展, 给传统运维模式带来了巨大的挑战, 这个挑战是革命性的:

传统的应用都是 " 永久存在的 " vs 容器 pod 是 " 短暂临时的存在 "
传统应用扩缩容相对困难 vs 容器扩缩容丝般顺滑
传统应用运维模式关注点是:“定位问题” vs 容器运维模式是: “快速恢复”
传统应用一个实例报 HeapDumpError 就会少一个 vs 容器 HeapDump shutdown 后可以自动启动, 已达到指定副本数
…

简单总结一下, 在使用容器平台后, 我们的工作倾向于:

遇到故障快速失败
遇到故障快速恢复
尽量做到用户对故障 " 无感知 "

所以, 针对 Java 应用容器, 我们也要优化以满足这种需求, 以 OutOfMemoryError 故障为例:

遇到故障快速失败, 即尽可能 " 快速退出, 快速终结 "
有问题 java 应用容器实例退出后, 新的实例迅速启动填补;
“快速退出, 快速终结”, 同时配合 LB, 退出和冷启动的过程中用户请求不会分发进来.

-XX:+ExitOnOutOfMemoryError就正好满足这种需求:

传递此参数时，抛出 OutOfMemoryError 时 JVM 将立即退出。如果您想终止应用程序，则可以传递此参数。

细节

让我们重新回顾故障: “我们公司的某个手机 APP 后端的用户 (customer) 微服务出现内存泄露, 导致 OutOfMemoryError”

该 customer 应用概述如下:

无状态
通过 Deployment 部署, 有 6 个副本
通过 SVC 提供服务

完整的过程如下:

6 个副本, 其中 1 个出现OutOfMomoryError
因为副本的 jvm 参数配置有: -XX:+ExitOnOutOfMemoryError, 该实例的 JVM(PID 为 1)立即退出.
因为 pid 1 进程退出, 此时 pod 立刻出于 Terminating 状态, 并且变为:Terminated
同时, customer 的 SVC 负载均衡会将该副本从 SVC 负载均衡中移除, 用户请求不会被分发到该节点.
K8S 检测到副本数和 Deployment replicas 不一致, 启动 1 个新的副本.
待新的部分 Readiness Probe 探测通过, customer 的 SVC 负载均衡将这个新的副本加入到负载均衡中, 接收用户请求.

在此过程中, 用户基本上是对后台故障 " 无感知 " 的.

当然, 要做到这些, 其实 JVM 参数以及启动脚本中, 还有很多细节和门道. 如: 启动脚本应该是: exec java ....$*

有机会再写文章分享.

新的疑问

上边一章, 我们解释了 " 为什么 Java 容器推荐使用 ExitOnOutOfMemoryError 而非 HeapDumpOnOutOfMemoryError", 但是细心的小伙伴也会发现, 新的配置也会带来新的问题, 比如:

JVM 从 fullgc -> OutOfMemoryError 这段时间内, 用户的体验还是会下降的, 怎么会是 " 故障无感知 " 呢?
用 "ExitOnOutOfMemoryError" 代替 "HeapDumpOnOutOfMemoryError", 那我怎么定位该问题的根因并解决? 2 个参数一起用不是更香么?

这些其实可以通过其他手段来解决:

JVM 从 fullgc -> OutOfMemoryError 这段时间内, 用户的体验还是会下降的, 怎么会是 " 故障无感知 " 呢?
1. 答: 配置合理的 Readiness Probe, 只要Readiness Probe 探测失败, K8S 就会自动将这个节点从 SVC 中摘除. 那么合理的 Readiness Probe 在这里指的就是应用不可用时, Readiness Probe探测必然是失败的. 所以一般不能是探测某个端口是否在监听, 而是应该是探测对应的 api 是否正常. 如下方.
2. 答: 通过 Prometheus JVM Exporter + Prometheus + AlertManger, 配置合理的 AlertRule. 如: " 过去 X 时间, GC total time>5s" 告警, 告警后人工介入提前处理.
用 "ExitOnOutOfMemoryError" 代替 "HeapDumpOnOutOfMemoryError", 那我怎么定位该问题的根因并解决? 2 个参数一起用不是更香么?
1. 答: 目的是为了 " 快速退出, 快速终结 ". 毕竟做 HeapDump 也是需要时间的, 这段时间内可能就会造成体验的下降. 所以, 只有 "ExitOnOutOfMemoryError", 退出地越快越好.
2. 答: 至于分析问题, 可以通过其他手段分析, 如嵌入 "Tracing agent" 做 Tracing 的监控, 通过分析故障时的 traces 定位根因.
3. Prometheus Alertrule gctime 告警后, 人工通过 jcmd 等命令手动做 heapdump.

readinessProbe:
  httpGet:
    path: /actuator/info
    port: 8088
    scheme: HTTP
  initialDelaySeconds: 60
  timeoutSeconds: 3
  periodSeconds: 10
  successThreshold: 1
  failureThreshold: 3

总结