线上系统性问题定位与方法论

2017 年 11 月 1 日 架构文摘 孙思

前言

一线程序员在工作中经常需要处理线上的问题或者故障，但工作几年下来发现，有些同事其实并不知道该如何去分析和解决这些问题，毫无章法的猜测和尝试，虽然在很多时候可以最终解决问题，但往往也会浪费大量的时间，时间就是金钱，对线上系统而言甚至是生命。

本文讲什么：本文尝试将本人工作过程中对线上问题的处理经验加以总结精炼，并给出一套相对有规律的问题定位处理模式，希望能够在排查问题的过程中可以帮助大家节省一些时间，尽快找出问题的关键点并修复。

本文不讲什么：1. 这不是一篇linux命令的教程，虽然文章里会提到一些命令，但只会简单介绍他们的作用和应用场景，详细使用说明请大家自行google。2. 本文不打算为所有问题寻找解决方案，事实上下面列出的方法只对大部分Java编写的web系统比较有意义，一些特别个性化的案例也不再讨论范围之内。

了解你的系统

什么样的现象应该列为“系统问题”？某个服务的QPS达到1000？对于一般系统或许算是，但是对大型电商网站，或许这只是常态。

很显然对于不同规模，不同功能的系统，这个问题无法一概而论。因此快速发现问题的前提是深入了解你的系统。

通常情况下，我们可以把系统简单的划分为下面三个层次：

系统层

也就是我们的部署软硬件环境。通常包含CPU、磁盘、内存、网络IO等。我们的系统是分布式的，还是单机应用？CPU是几核的？物理机还是虚机？内存、磁盘是多大？网卡的规格？

软件层

也是我们部署的软件环境。负载均衡服务器？JDK版本？web服务器（Tomcat等）以及JVM参数设置？数据库、缓存使用的是哪种产品？

应用层

也就是我们的系统本身。关键接口的平均响应时间（RT）是多少？服务的QPS是多少？某个接口的并发数能承受多少？

以上这些问题你是否能回答出来？这些问题的了解多寡，决定了你对系统的熟悉程度，也在很大程度上决定了你能否及时的发现问题，甚至在其真正造成影响之前就将问题解决。

现在你或许能回答：某个服务的QPS达到1000，究竟算不算是线上问题。

评估问题影响范围

一个问题究竟影响了多大范围的用户？在多大程度上影响用户的正常使用？如果是集群系统，那么这个问题是全局性的还是只在单台机器上出现？不同的问题范围会直接影响到问题处理的优先级，一些极端情况下的个案，甚至可以不急于处理（至少不用过于焦虑）。

问题信息的搜集来源，有如下途径：

系统、业务监控报警

一般稍微上规模的公司，都会有配套的监控系统，通常监控系统报警都意味着问题已经影响到系统的正常运行了，此时属于比较严重的生成事故，需要第一时间处理。此类问题由于可以重现，因此比较容易排查。

关联系统故障追溯

关联系统发现问题，通过追溯发现是由本系统的问题引发的，此时问题的触发的往往已经比较明确，需要根据关联系统的故障程度决定问题处理的优先级。但此类问题很容易牵扯出隐藏的其他问题（如系统改造时沟通不善造成的适配问题等），紧急修复后还需要进行进一步仔细排查。

生产事件上报（客服上报）

此类问题往往来自用户投诉，最重要的就是问题现象的复现。

主动发现

通过线上监控，或者日志，主动发现线上系异常的情况。需要确认是否是问题，可能只是偶发性的系统抖动。

快速恢复

说回问题本身，一旦确定是系统bug，该如何处理？立即去检查代码？且不说线上bug往往不那么容易检查出来，及时能够快速定位，修复又会耗费大量时间，这期间不知有多少用户受到影响。

线上问题处理的核心是快速修复。有以下两类处理方案：

1. 无法快速定位到问题根源

回滚：当最近有新版本上线时，多半首选这种方案
重启：CPU高，或者连接数飙升时，会采取这种方法
扩容：线上访问压力大，重启也无法解决时

2. 可以定位到问题点的

临时方案或者功能降级

无论哪种方式，目标都是以最快速度恢复服务。但这种方式是临时的，为了彻底解决问题，都需要保留事故现场。基本方式如下：

a. 执行top命令，若CPU空闲程度较低：shift+p按CPU使用率倒排，记录最耗资源的进程信息。

b. 执行free –m命令，若内存使用量高：执行top，shift+m按内存使用率倒排，记录最耗资源的进程信息。

c. 对嫌疑进程执行ps xuf | grep java，打印进程详细信息并记录。

d. 使用jstack <PID> >jstack.log收集线程信息（反复多取几次）。

e. 使用jstat–gcutil <PID> 查看Old区占用率，对接近100%的进程执行jmap<PID> > jmap.log保留内存信息。

定位与修复

下图展示了常规情况下我们系统故障的原因：

图1-系统故障原因

由此可见，多数情况下，系统的故障都会反映为系统的一项或者多项指标异常。如最初所说，我们可以将整个系统抽象成为几个模块，那么对应的，每个模块也有一些工具供我们进行问题的分析与定位。

图2-Linux常用工具集

以下是常见的问题排查工具箱：

CPU：top –Hp

系统内存：free –m

IO：iostat

磁盘：df –h

网络链接：netstat

gc：jstat –gcutil

线程：jstack

Java内存：jmap

辅助工具：MAT，btrace，jprofile

具体的使用方法不再赘述

方法论

有了基本的系统模块划分，以及每个模块对应的分析工具，我们可以尝试将问题的排查抽象成一个相对固定的流程。大致的思路是：

先逐个模块排查，确认问题现象
再根据问题现象，定位问题进程
进一步分析线程以及内存情况

最终找到问题的触发点。

基本流程如下图所示：

图3-逐步排查，锁定问题进程

图4-详细分析目标进程

为故障与失败做设计

随着系统规模的逐渐扩大，更多的功能被引入，更多的代码被添加进来，从这个角度来看线上的问题几乎是无可避免的。以上说的都是问题发生后的消极应对措施。事实上，无论我们的设计多么的完善，故障仍然是无法避免的。而且大多数时候，失败、故障都会从一个我们无法预期的角度发生，令人猝不及防。

因此在系统架构时需要设计一种机制，使得失败、故障发生时能将系统的损失降到最低，在故障发生时尽可能维持核心功能的可用性。

1. 设置合理的超时机制

处理网络上第三方依赖时，需要对接口的响应时间有一个合理预期，当请求超时时能够主动断开连接，避免请求堆积。
本地服务相互调用时也需要合理的设置超时时间。

2. 服务降级

对于无法正常响应的应用程序应对可以自动切换到较低版本的实现。
对于一些次重要级的接口，可以考虑返回一个系统默认值。

3. 主动抛弃

对于响应过慢的第三方接口，如果非核心调用，也可以采取直接抛弃的方式。

无论是降级或者抛弃，系统都应当具备适当的重试机制，使得依赖在回复之后可以自动恢复正常调用。

作者简介

孙思，转转交易系统负责人，08年北航计算机系虚拟现实实验室研究生毕业。毕业后入职中国民航信息网络股份有限公司（TravelSky），负责机票发布平台（EasyFare）的研发和维护工作。2010年进入互联网行业，先后供职于网易（北京）、搜狐和去哪儿网，参与过网易电商基础平台建设，活动及促销运营平台的设计与实现；搜狐新闻客户端的开发、重构，以及去哪儿网旗下当地人产品的交易、支付系统的升级改造。2016年04月加入转转公司，担任中台技术部交易系统负责人，整体负责转转的交易系统、支付中心以及活动促销运营等系统的研发工作。对大规模电商平台、分布式系统的设计和实现有较深入的了解。