昨天晚上突然短信收到 APM 大量告警。緊接著運維打來電話告知線上部署的四臺機器全部 OOM (out of memory，內存不足)，服務全部不可用，趕緊查看問題!

[[285094]] 

圖片來自 Pexels

問題排查

首先運維先重啟了機器，保證線上服務可用，然后再仔細地看了下線上的日志，確實是因為 OOM 導致服務不可用：

第一時間想到 Dump 當時的內存狀態，但由于為了讓線上盡快恢復服務，運維重啟了機器，導致無法 Dump 出事發時的內存。所以我又看了下我們 APM 中對 JVM 的監控圖表。

畫外音：一種方式不行，嘗試另外的角度切入!再次強調，監控非常重要!完善的監控能還原當時的事發現場，方便定位問題。

不看不知道，一看嚇一跳，從 16：00 開始應用中創建的線程居然每時每刻都在上升，一直到 3W 左右，重啟后(藍色箭頭)，線程也一直在不斷增長，正常情況下的線程數是多少呢，600!

問題找到了，應該是在下午 16:00 左右發了一段有問題的代碼，導致線程一直在創建，且創建的線程一直未消亡!

查看發布記錄，發現發布記錄只有這么一段可疑的代碼 diff：在 HttpClient 初始化的時候額外加了一個 evictExpiredConnections 配置。

問題定位了，應該就是這個配置導致的!(線程上升的時間點和發布時間點完全吻合!)，于是先把這個新加的配置給干掉上線，上線之后線程數果然恢復正常了。

那 evictExpiredConnections 做了什么導致線程數每時每刻在上升呢?這個配置又是為了解決什么問題而加上的呢?于是找到了相關同事來了解加這個配置的前因后果。

還原事發經過

最近線上出現不少 NoHttpResponseException 的異常，那是什么導致了這個異常呢?在說這個問題之前我們得先了解一下 Http 的 keep-alive 機制。

先看下正常的一個 TCP 連接的生命周期：

可以看到每個 TCP 連接都要經過三次握手建立連接后才能發送數據，要經過四次揮手才能斷開連接。

如果每個 TCP 連接在 Server 返回 Response 后都立馬斷開，則發起多個 Http 請求就要多次創建斷開 TCP，這在 Http 請求很多的情況下無疑是很耗性能的。

如果在 Server 返回 Response 不立即斷開 TCP 鏈接，而是復用這條鏈接進行下一次的 Http 請求，則無形中省略了很多創建/斷開 TCP 的開銷，性能上無疑會有很大提升。

如下圖示，左圖是不復用 TCP 發起多個 Http 請求的情況，右圖是復用 TCP 的情況。

可以看到發起三次 Http 請求，復用 TCP 的話可以省去兩次建立/斷開 TCP 的開銷。

理論上發起一個應用只要啟一個 TCP 連接即可，其他 Http 請求都可以復用這個 TCP 連接，這樣 N 次 Http 請求可以省去 N-1 次創建 / 斷開 TCP 的開銷。這對性能的提升無疑是有巨大的幫助。

回過頭來看 keep-alive (又稱持久連接，連接復用)做的就是復用連接， 保證連接持久有效。

畫中音: Http 1.1 之后 keep-alive 才默認支持并開啟，不過目前大部分網站都用了 HTTP 1.1 了，也就是說大部分都默認支持鏈接復用了。

天下沒有免費的午餐 ,雖然 keep-alive 省去了很多不必要的握手/揮手操作，但由于連接長期保活，如果一直沒有 Http 請求的話，這條連接也就長期閑著了，會占用系統資源,有時反而會比復用連接帶來更大的性能消耗。

所以我們一般會為 keep-alive 設置一個 timeout，這樣如果連接在設置的 timeout 時間內一直處于空閑狀態(未發生任何數據傳輸)，經過 timeout 時間后，連接就會釋放，就能節省系統開銷。

看起來給 keep-alive 加 timeout 是完美了，但是又引入了新的問題(一波已平，一波又起)。

考慮如下情況：如果服務端關閉連接，發送 FIN 包(注：在設置的 timeout 時間內服務端如果一直未收到客戶端的請求，服務端會主動發起帶 FIN 標志的請求以斷開連接釋放資源)。

在這個 FIN 包發送但是還未到達客戶端期間，客戶端如果繼續復用這個 TCP 連接發送 Http 請求報文的話，服務端會因為在四次揮手期間不接收報文而發送 RST 報文給客戶端。

客戶端收到 RST 報文就會提示異常(即NoHttpResponseException)。

我們再用流程圖仔細梳理一下上述這種產生 NoHttpResponseException 的原因，這樣能看得更明白一些：

費了這么大的功夫，我們終于知道了產生 NoHttpResponseException 的原因，那么該怎么解決呢?

有如下兩種策略：

• 重試，收到異常后，重試一兩次，由于重試后客戶端會用有效的連接去請求，所以可以避免這種情況，不過一次要注意重試次數，避免引起雪崩!
• 設置一個定時線程，定時清理上述的閑置連接,可以將這個定時時間設置為 keep alive timeout 時間的一半以保證超時前回收。

evictExpiredConnections 就是用的上述第二種策略，來看下官方用法使用說明：

Makes this instance of HttpClient proactively evict idle connections from the connection pool using a background thread.

調用這個方法只會產生一個定時線程，那為啥應用中線程會一直增加呢?因為我們對每一個請求都創建了一個 HttpClient!

這樣由于每一個 HttpClient 實例都會調用 evictExpiredConnections，導致有多少請求都會創建多少個定時線程!

還有一個問題，為啥線上四臺機器幾乎同一時間點全掛呢?因為由于負載均衡，這四臺機器的權重是一樣的，硬件配置也一樣，收到的請求其實也可以認為是差不多的。

這樣這四臺機器由于創建 HttpClient 而生成的后臺線程也在同一時間達到最高點，然后同時 OOM。

解決問題

所以針對以上提到的問題，我們首先把 HttpClient 改成了單例，這樣保證服務啟動后只會有一個定時清理線程。

另外我們也讓運維針對應用的線程數做了監控，如果超過某個閾值直接告警，這樣能在應用 OOM 前及時發現處理。

畫外音：再次強調，監控相當重要，能把問題扼殺在搖籃里!

總結

本文通過線上四臺機器同時 OOM 的現象，來詳細剖析定位了產生問題的原因。

可以看到我們在應用某個庫時首先要對這個庫要有充分的了解(上述 HttpClient 的創建不用單例顯然是個問題)，其次必要的網絡知識還是需要的。

所以要成為一個合格的程序員，不光對語言本身有所了解，還要對網絡，數據庫等也要有所涉獵，這些對排查問題以及性能調優等會有非常大的幫助。

再次，完善的監控非常重要，通過觸發某個閾值提前告警，可以將問題扼殺在搖籃里!