一次消息队列异常堆积的排查

Posted on In Views: Views: Disqus:

背景

前两天收到业务反馈有一个 topic 的分区消息堆积了：

根据之前的经验来看，要么是业务消费逻辑出现问题导致消费过慢，当然也有小概率是消息队列的 Bug（我们使用的是 pulsar）。

排查


通过排查，发现确实是在一点多的时候消息堆积了（后面是修复之后堆积开始下降）。

于是我在刚才堆积处查看了一条堆积消息的列表：

获取到其中一条消息的 messageId.

这里本质上使用的是 pulsar-admin 的 API。
org.apache.pulsar.client.admin.Topics#peekMessages


再通过这条消息的 id （为了演示，这里的 messageId 可能不一样）在我们的 pulsar 消息链路系统中找到了消息的发送链路：

通过这个链路会发现消息一直在推送，但就是没有收到客户端的 ACK 响应。

相关的消息链路埋点可以参考这里：如何编写一个 Pulsar Broker Interceptor 插件

简单来说就是在以下几个 broker 提供的拦截器接口加上埋点数据即可：

  • messageProduced
  • messageDispatched
  • messageAcked

既然知道了是客户端没有响应 ACK，那就得知道客户端此时在干什么。

首先排查了 JVM 内存、CPU 等监控情况，发现一切都挺正常的，这段时间没有明显的尖刺。

Arthas 排查

于是便准备使用 arthas 查看下线程的运行情况。

我们进入到对应 Pod 的容器，执行：

1
java -jar arthas-boot.jar

因为 JVM 内存都没有啥异常，所以先看看 thread 的运行堆栈，考虑到是 pulsar 消费线程卡住了，所以我们需要加上线程状态已经过滤下线程的名称：

1
thread --state WAITING | grep pulsar

此时就会列出当前 Java 进程中状态为 WATING 并且线程名称以 pulsar 开头的线程。

我在之前的文章 从 Pulsar Client 的原理到它的监控面板 中分析过客户端的原理。

20230802224400.png

可以知道 pulsar 客户端在其中使用的是 pulsar-打头的线程名称，所以这样就列出了我们需要重点关注的线程。

我们以图中列出的线程 Id：320 为例：

1
thread 320


此时便会打印当前线程的堆栈。

从上述堆栈中会发现线程一直处于 IO 操作中，看起来是在操作数据库。

我们再往下翻一翻，会发现上层调用的业务代码：

查阅代码得知这是一个数据库的写入操作，看起来是在这个环节数据库响应过慢导致的 pulsar 线程被阻塞了；从而导致消息没有及时 ACK。

为了最终确认是否由数据库引起的，于是继续查询了当前应用的慢 SQL 情况：

发现其中有一个查询语句调用频次和平均耗时都比较高，而且正好这个表也是刚才在堆栈里操作的那张表。

经过业务排查发现这个慢 SQL 是由一个定时任务触发的，而这个定时任务由于某些原因一直也没有停止，所以为了快速解决这个问题，我们先尝试将这个定时任务停掉。

果然停掉没多久后消息就开始快速消费了：

从这个时间线也可以看得出来了，在服务端推送了多次之后终于收到了 ACK。

修复之后业务再去排查优化这个慢 SQL，这样这个问题就得到根本的解决了。

更多好用技巧

当然 arthas 好用的功能还远不止此，我觉得还有以下功能比较好用：

火焰图

profile：可以输出火焰图，在做性能分析的时候非常有用。

动态修改内存数据

还记得之前我们碰到过一个 pulsar 删除 topic 的 Bug，虽然最终修复了问题，但是在发布修复版本的时候为了避免再次触发老版本的 bug，需要在内存中将某个关键字段的值修改掉。

而且是不能重启应用的情况下修改，此时使用 arthas 就非常的方便：

1
curl -O https://arthas.aliyun.com/arthas-boot.jar && java -jar arthas-boot.jar 1 -c "vmtool -x 3 --action getInstances --className org.apache.pulsar.broker.ServiceConfiguration  --express 'instances[0].setTopicLevelPoliciesEnabled(false)'"

这里使用的是 vmtool 这个子命令来获取对象，最终再使用 express 表达式将其中的值改为了 false。

当然这是一个高危操作，不到万不得已不推荐这么使用。

Arthas Tunnel & Web Console

这是一个方便开发者通过网页就可以连接到 arthas 的功能，避免直接登录到服务器进行操作。

我们在研效普通也内置了该功能，让开发排查问题更加方便。

CPU 使用过多

cpu 异常使用排查也是一个非常有用的功能，虽然我们可以通过监控得知 JVM 的 cpu 使用情况，但是没法知道具体是哪个线程以及哪行代码造成的 cpu 过高。

1
thread -n 3

使用以上命令就可以将 cpu 排名前三的线程打印出来，并且列出他的堆栈情况，这样可以很直观的得知 cpu 消耗了在哪些地方了。

当然还有一些 trace 查询：

1
trace demo.MathGame run '#cost > 10'

比如这是将调用超过 10ms 的函数打印出来，不过如果我们接入了可观测系统（OpenTelemetry、skywalking等）这个功能就用不太上了。

还可以在运行的时候不停机修改日志级别，这种在线上排查一些疑难杂症的时候非常好用（通常情况下 debug 日志是不打印的），我们可以将日志级别调整为 debug 打印出更加详细的信息：

1
2
[arthas@2062]$ logger --name ROOT --level debug
update logger level success.

如果是在 kubernetes 环境中执行也有可能碰到 Java 进程启动后没有在磁盘中写入 PID 的情况：

1
2
3
4
$ java -jar arthas-boot.jar  
[INFO] arthas-boot version: 3.6.7  
[INFO] Can not find java process. Try to pass <pid> in command line.  
Please select an available pid.

导致直接运行的时候无法找到 Java 进程；此时就需要先 ps 拿到 PID 之后再传入 PID 连入 arthas：

1
$ java -jar arthas-boot.jar 1

更多关于 arthas 的用法可以参考官网。

参考链接：