SRE重案调查组 第四集 | JVM元数据区的内存泄漏之谜

供稿 | eBay Infrastructure Engineering

翻译&编辑 | 顾欣怡

本文共2155字，预计阅读时间7分钟

更多干货请关注“eBay技术荟”公众号

 导读 

从Java 8开始，元数据区(Metaspace)被引入，替换永久代 (Permanent Generation)，用以保存JVM用到的类的元数据、字节码及编译后的代码。这两者最大的区别是元数据区在原生内存(Native Memory)申请一块区域来保存这些数据。本文将分享一个SRE处理的与元数据区相关，且发生在生产环境的真实案例。

一、问题描述

某天，SRE部门观察到一个非常重要的应用里面有一台服务器的业务处理时间(Transaction time)在某个时间点变为平时的3倍。虽然只持续了短暂的2秒，但是如果观察其一周的指标曲线，就会发现在这一周之内，同应用的其它服务器也出现过类似现象。

进一步分析，发现该应用服务器在那个时间点之后立马被重启了。从公司的PaaS平台上看，并没有发现人工或者自动化运维机器人引起重启。看来这是一次非正常重启。

如图1所示，从JVM的系统日志中，我们发现了重启的原因: 无法申请到更多的原生内存，也就是说：内存被用光了。

JVM 系统日志：

图1（点击可查看大图） 

内存被用光之后，JVM发生了OOM(Out of memory，内存溢出)，系统配置的自动重启服务就把这个应用重启了。

 二、初步分析

从上面的日志中，虽然可以明显看到是原生内存被耗光，却不能找出更明确的耗光原因。在同应用的其他服务器上，如果观察内存的使用情况，能明显看到空闲内存逐渐变少。

从下图2可以看到，在一个拥有8G内存的服务器上，只空闲了288M。其中，JVM的年轻代占用260M左右，老年代占用1.3G左右，而元数据区竟然使用了2G多的内存，这在一般的Java应用程序里面很少见。

JVM内存占用情况及系统内存空闲情况：

图2（点击查看大图）

所以我们锁定了可能出问题的方向:元数据区。

为了查明是何原因导致占据如此之多的内存，SRE侦探们请出了好帮手：heap dump分析。

我们通过jcmd命令做了一个heap dump。遗憾的是，似乎没有从中发现什么有用的信息。

但是细心的SRE侦探不会放过任何蛛丝马迹。

三、进一步分析

我们注意到这个heap dump其实非常小，只有285M左右。从上述JVM的内存占用信息来看，这个heap dump的大小实在是不太匹配。

一个可能的原因是: 有些内存在做heap dump的过程中被释放了。因为使用jcmd默认参数做heap dump之前会做一次Full GC，然后内存就基本只剩下活着的对象了。Full GC也会对元数据区里面的内存做回收，所以很有可能一些原本占用元数据区内存的数据被回收了。

我们对另外一台服务器使用带-all参数的jcmd命令(jcmd <pid> GC.heap_dump -all), 进行了一次不做Full GC的heap dump。如下图3所示，这次的heap dump相对大很多。

两次heap dump文件：

图3（点击可查看大图）

由于元数据区和永久代里面大部分都是与Class相关的元数据信息，加之所有的类都是由各种ClassLoader加载的，所以我们首先分析ClassLoader。

我们使用MAT对heap里面的ClassLoader进行分析。运用MAT的ClassLoader Explorer工具后，发现这份heap dump里面，竟然有17万多的ClassLoader。具体如图4所示：

使用MAT的Class Loader Explorer分析：

图4（点击可查看大图）

其中非常可疑的就是:

如图5所示，通过OQL查询可以看到，这个ClassLoader非常之多(17万+)，并且很多都是Unreachable（不可达），也就是说如果这时候发生一次Full GC，它们将会被回收掉。

使用OQL查询特定的ClassLoader：

图5（点击可查看大图）

那么接下来的问题就是: 

为什么会产生这么多的TransletClassLoader呢?

对这些TransletClassLoader以及相关联的类/实例进行分析，并没有发现有用的线索。

即使对上面没有标明Unreachable的TransletClassLoader进行分析，也会发现它关联的其他类/实例很快也变成了Unreachable。从这个方向进行追踪，很难发现到底是哪一步创建了这些TransletClassLoader。

不过，在JVM因为内存溢出而退出的时候，它生成了一个hs_err_pid21618.log日志文件，该文件详细记录了系统崩溃时间点的所有Java线程栈和native线程栈，以及当时操作系统的一些其他信息。

导致系统崩溃的线程栈，就在所有线程栈的最上方，可以告诉我们当时这个线程正在做什么。如下图6所示:

JVM崩溃时产生的hs_err_pid文件片段：

图6（点击可查看大图）

线程栈的最底层是一些native代码，从中我们可以看出这正是为元数据区申请内存的线程。下面的Java线程栈告诉了我们这个请求是从哪里一步步进入到某个方法。其中正有我们上面查到的:

尽管这和heap dump分析中的一致，但并不能代表heap dump中的那些都是该类请求造成的，不过也确实给了我们一些提示。

接下来，我们可以根据这个线程栈给的提示，通过重现的方式去验证猜想。

  四、场景重现

根据上面线程栈提供的信息，我们找出了对应的请求。根据它运行的路径，我们找出了一种特定的请求及其参数和请求数据。同时我们把相关的应用代码在本地以调试(debug)模式启动。在TemplatesImpl$TransletClassLoader.defineClass()方法上添加断点，发现该类请求每次都创建一个新的ClassLoader，并且这个ClassLoader还会创建新的Class。

除此之外，我们还对调试服务器大量发出这种特殊请求, 用来观察 JVM 内存各个区域的使用情况.如图7所示，通过jcmd<pid>GC.heap_info命令去查看其元数据空间的使用情况，能明显观察到它在慢慢增长。如果中间强制做一次Full GC，能看到元数据空间被大量释放。观察短时间内元数据空间的变化及Full GC后空间的变化：

图7（点击可查看大图）

五、代码分析

对业务逻辑代码分析发现，当这种特定的请求进来之后，处理过程中会每次创建一个 ClassLoader，而这个ClassLoader在仅仅创建一个相关的类之后，就永远不会被使用。久而久之，这个ClassLoader及相关的Class会越来越多。而元数据区默认使用操作系统所有可用内存，直到内存完全被耗尽。

  六、解决方案

01

临时方案

通过设置JVM参数“-XX:MaxMetaspaceSize =***M”，可以在元数据区快要到达这个大小的时候，让JVM去做Full GC来回收元数据，这样就不会导致OOM。这也是为什么相同的代码在使用Java 7的应用里没有发生该问题的原因。因为Java 7使用的是PermGen（永久代），必须设置MaxPermSize来限定它的最大值。但缺点是该临时方案中的Full GC会导致较长时间的业务停顿。

02

长期方案

每次都创建一个ClassLoader的代码是不正确的，通过重用，让所有的请求共用一份ClassLoader。

七、总结 

从Java 8开始的元数据区默认是没有最大空间限制的，这是因为在Java代码稳定运行前，很难确定需要加载多少类，因此也就很难确定元数据区的大小。

正因为没有设置最大值，所以会有耗尽内存的潜在可能。当应用程序大概知道需要使用多少元数据的时候，为了让元数据区内存保持在合理的大小范围之内，不至于耗尽所有可用内存，可以设置以下参数：

同时，如果有自定义的ClassLoader，一定要注意是否会创建N个实例，从而造成元数据空间的不断消耗。

下集预告：

什么？！

我的服务器

又双叒叕不响应了？

软硬件 牟问题 

网络防火墙 OK

服务器配置 完美

那，到底是谁？

  动了我eBayer的奶酪？

SRE重案调查小分队

出动！

9月20日 下下周五 敬请关注：

SRE重案调查组 第五集 

到底是谁动了我的服务器？

不见不散！

上集回顾：

SRE重案调查组 第一集 | 高延迟问题的罪魁祸首System.gc()SRE重案调查组 第二集 | 挖掘应用处理变慢的“真相”SRE重案调查组 第三集 | 探秘HTTP异步请求的“潘多拉魔盒”

eBay2020校招现已正式启动！详情点击下方链接：

你还可以：

↓点击阅读原文，直接开启网申之旅！