记录一次线上服务OOM排查

外面，阳光明媚，一切正好。

就在我欢天喜地准备迎来愉快的双休时，忽然之间，天塌了。

刚上线一小时的服务内存异常OOM了！

老实说，在我印象里OOM问题只存在于网上案例中，练习编码时常两年半，还是第一次遇到。不过既然遇到了，那就要尽快排查问题并解决掉，不然真要和群里大哥说的一样：要领盒饭了。

问题

下午两点新版本上线，其中一个消费者服务的内存增长速度异常迅速，在短短五分钟内就用完了2G内存并自动重启了pod，之后又在五分钟内OOM了，在四十分钟内服务的pod已经重启了八十几次，要知道我们之前这个消费者服务正常运行时候只用了不到500M。

分析

首先进行初步分析，这是一个消费者服务并且新版本的需求中并没有新增消费topic，并且业务量也没有大的波动，不存在是业务访问量骤增导致OOM，所以极大概率会是代码问题。当然，每一个版本的新代码都非常多，需求也比较庞杂，直接去看代码肯定是不行的，这时候就要麻烦部门的运维大佬了，让他给我们dump一下，给出一个内存溢出时的性能记录文件，通过这个文件可以分析内存分配、线程创建、CPU使用、阻塞、程序详细跟踪信息等。

我这里使用的Go语言开发，一般用pprof文件进行分析，运维给出的文件有以下6个：

• main-1-trace-1227152939.pprof：记录程序执行的详细跟踪信息，包括函数调用、Goroutine 的创建和调度等
• main-1-threadcreate-1227152939.pprof：记录线程创建的剖析数据，帮助分析线程创建的频率和开销。
• main-1-mutex-1227152939.pprof：记录互斥锁（mutex）的使用情况，帮助分析锁竞争和锁等待的开销。
• main-1-mem-1227152939.pprof：记录内存分配的剖析数据，帮助分析内存使用的热点和分配情况。
• main-1-cpu-1227152939.pprof：记录 CPU 使用的剖析数据，帮助分析 CPU 时间的消耗情况。
• main-1-block-1227152939.pprof：记录阻塞操作的剖析数据，帮助分析阻塞操作的频率和开销。

内存OOM，那最重要的当然是mem文件，也就是内存分配剖析数据，不过很不幸，服务重启速度太快了，运维大佬dump的时候正好处于服务刚重启的时候，所以mem文件中显示的内存才占用不到20M，并且占比上也没看出有什么问题。想让运维再帮忙dump一下内存快要OOM的时候，但是为了线上服务的稳定性版本已经回退了，无法重新dump，只能从其他几个文件中查找问题了。

除了内存占用分析，在性能问题分析中CPU占用分析也是极为重要的一环，这一查看就有意思了，CPU总的使用率虽然不高，但是这个占比就比较奇怪了。第一占比的runtime.step是Go的运行时系统负责管理内存分配、垃圾回收、调度goroutine等底层操作，这个暂且不管，占比第二的居然是runtime.selectgo，这个就非常诡异了，select一般用于channel的非阻塞调用，但是问题是新增代码中没有地方显示地调用了select，那可以初步判断是底层源码中某处一直在调用select函数，不过目前还不知道是谁触发的这个调用，还需要继续查看其他文件。

之后继续查看互斥锁的情况，其实这个文件在目前这种情况下排查的价值已经不大了，因为出现问题的是内存溢出而不是CPU占用率，并且CPU占用率确实不是很高，而且Go中是有检索死锁的机制，大部分死锁是能够被Go发现并报一个deadlock错误，打开文件之后发现果然没有死锁发生。

接下来查看阻塞操作的分析情况，从解析结果中可以看出，select的阻塞时间遥遥领先，select出现这种情况只会是存在case但是没有default的时候，当所有case不符合的时候，负责这个select的goroutine会阻塞住直到存在符合的case出现才会唤醒继续走下去，当时我看到这我满脑子问号，谁家好人select不加default啊？

再查看线程创建情况，由于pod刚启动不久，所以这个文件也看不出什么东西，很正常的线程创建。

看到这里还是没能定位到问题所在，但是别急，我们还有最重要的文件还没看，那就是trace文件，它可以记录程序执行的详细跟踪信息，包括函数调用、Goroutine 的创建和调度，使用go自带的pprof分析工具打开trace文件

go tool trace main-1-trace-1227102939.pprof

会出现以下本地页面：

在Goroutine分析中，可以锁定真正的问题所在了，在go-zero的core包下的collection文件在不到一秒内创建了两万多的Goroutine，虽然两万多数量不多，但是这个速度十分异常，最重要的是这个定时轮就很奇怪，这个项目中根本没有定时任务，接下来就很容易查询了，只要查找这次提交的代码中哪里使用到了collection包。

经过一番全局搜索后，最终确定了问题代码：

func NewXXXLogic(svcCtx *svc.ServiceContext, ctx context.Context) *XXXLogic {
    cache, _ := collection.NewCache(30 * time.Second)
    return &XXXLogic{
       Logger:     logx.WithContext(ctx),
       svcCtx:     svcCtx,
       ctx:        ctx,
       localCache: cache,
    }
}

在新上线的版本中只有这一处用到了collection包，原本这里的意思是将建立一个缓存放到上下文中去传递，但是乍一看我没有看出有什么问题，过期时间也设置了，按照我原有理解过期时间到了就会自动释放掉，为什么还是会内存溢出了？但是我忽然意识到应该不是缓存引发的内存溢出，可能是协程过多引发的内存溢出，因为一个初始协程是2KB左右，如果数量过多也会造成内存不够。

为了探究根本原因，我点进了collection包的源码进行查看，在其中NewCache()方法中找到了造成协程数异常增加的定时轮创建方法NewTimingWheel()。

之后点进去这个方法进一步查看，可以看到这个定时轮的结构体，里面包含了四个channel以及一些其他数据结构，粗略估计这一个TimingWheel结构体所占内存要达到一百字节以上，这是一个比较庞大的对象，如果无限制的创建下去很容易造成内存OOM发生。

但是这个定时轮为什么会创建那么多呢？为什么不会关闭，按理说go-zero的源码不应该会有这么大的漏洞，继续查看这个定时轮的run()方法，终于发现了问题所在，这个定时轮中开启了select方法，并且没有default方法，所以之前阻塞文件那里才会显示select阻塞时间占比达到了99%，并且唯一关闭这个定时轮的方法是接收到tw.ticker.Stop()才会停止，那么这个stop方法会在什么时候调用呢？

答案是会在程序停止运行的时候进行调用。所以如果程序仍在运行，就会有无限制的协程创建定时轮，这时候定时轮因为无法关闭所以协程也不会进行销毁，有点类似于守护线程，所以在协程无限制的创建下最终导致了线上内存OOM了。

解决

那是不是说明go-zero的这块源码存在问题？其实不是的，是我们使用方法错误，正确的使用方法不应该将缓存创建在上下文中，而应该创建一个全局缓存，让所有的上下文都公用这一个缓存，这样就不会发生定时轮无限创建的问题。

后续将这块缓存放到了全局中，之后再重新发布观察了一小时左右，服务内存稳定在了500M以下，与以往服务消耗内存几乎一致。

历时两小时战斗，终于免于“领盒饭”了。

下班！