记一次 .NET某智慧出行系统 CPU爆高分析

一：背景

1. 讲故事

前些天有位朋友找到我，说他们的系统出现了CPU 100%的情况，让你帮忙看一下怎么回事？dump也拿到了，本想着这种情况让他多抓几个，既然有了就拿现有的分析吧。

二：WinDbg 分析

1. 为什么会爆高

既然说是 100%，作为调试者得拿数据说话，可以使用 !tp 来观测一下。

0:000:x86> !tp
CPU utilization: 100%
Worker Thread: Total: 382 Running: 382 Idle: 0 MaxLimit: 8191 MinLimit: 8
Work Request in Queue: 8694
    Unknown Function: 6f62b650  Context: 4a36bbbc
    Unknown Function: 6f62b650  Context: 4a36e1d4
    Unknown Function: 6f62b650  Context: 4a372384
    Unknown Function: 6f62b650  Context: 239adfec
    Unknown Function: 6f62b650  Context: 4a374994
    Unknown Function: 6f62b650  Context: 239b9e14
    Unknown Function: 6f62b650  Context: 2399fd9c
    ...

从卦中看,不得了，CPU 100% 之外,所有的线程池线程全部被打满，人生自古最忌满，半贫半富半自安。同时线程池队列还累计了8694个任务待处理，说明这时候的线程池已经全面沦陷，要想找到这个答案，需要用 ~*e !clrstack 命令观察每一个线程此时正在做什么，输出如下：

0:000:x86> ~*e !clrstack
OS Thread Id: 0x22f4 (429)
Child SP       IP Call Site
4bc1e060 0000002b [GCFrame: 4bc1e060]
4bc1e110 0000002b [HelperMethodFrame_1OBJ: 4bc1e110] System.Threading.Monitor.ObjWait(Boolean, Int32, System.Object)
4bc1e19c 24aad7da System.Threading.Monitor.Wait(System.Object, Int32, Boolean)
4bc1e1ac 2376f0d6 ServiceStack.Redis.PooledRedisClientManager.GetClient()
4bc1e1dc 2420bbc6 xxx.Service.CacheService.GetClient()
...
4bc1e234 24206fbe xxxBLL.GetxxxCount(System.Collections.Generic.Dictionary`2<System.String,System.Object>)
4bc1e3e0 216e25f9 DynamicClass.lambda_method(System.Runtime.CompilerServices.Closure, System.Web.Mvc.ControllerBase, System.Object[])
4bc1e3f0 238b86b7 System.Web.Mvc.ActionMethodDispatcher.Execute(System.Web.Mvc.ControllerBase, System.Object[])
...
4bc1eee0 2353d448 System.Web.Hosting.PipelineRuntime.ProcessRequestNotification(IntPtr, IntPtr, IntPtr, Int32)
4bc1efb8 00a9e3c2 [ContextTransitionFrame: 4bc1efb8] 

从卦中可以看到当前有 371个线程在 PooledRedisClientManager.GetClient 中的 Wait 上出不来，那为什么出不来呢？

2. 探究源码

要想找到这个答案，只能从源代码中观察，简化后的代码如下：

    public IRedisClient GetClient()
    {
        lock (writeClients)
        {
            AssertValidReadWritePool();
            RedisClient inActiveWriteClient;
            while ((inActiveWriteClient = GetInActiveWriteClient()) == null)
            {
                if (!Monitor.Wait(writeClients, PoolTimeout.Value))
                {
                    throw new TimeoutException("Redis Timeout expired. The timeout period elapsed prior to obtaining a connection from the pool. This may have occurred because all pooled connections were in use.");
                }
            }
        }
    }

    private RedisClient GetInActiveWriteClient()
    {
        int num = WritePoolIndex % writeClients.Length;
        for (int i = 0; i < ReadWriteHosts.Count; i++)
        {
            int num2 = (num + i) % ReadWriteHosts.Count;
            RedisEndPoint redisEndPoint = ReadWriteHosts[num2];
            for (int j = num2; j < writeClients.Length; j += ReadWriteHosts.Count)
            {
                if (writeClients[j] != null && !writeClients[j].Active && !writeClients[j].HadExceptions)
                {
                    return writeClients[j];
                }
            }
        }
        return null;
    }

仔细阅读卦中代码，之所以进入Wait主要是因为 GetInActiveWriteClient() 方法返回 null 所致，从异常信息看也知道此时是因为 writeClients 池已满，那这个池是不是满了呢？可以把 writeClients 数组挖出来，使用 !dso 命令。

0:429:x86> !dso
OS Thread Id: 0x22f4 (429)
ESP/REG  Object   Name
...
4BC1E0D0 0ea38d18 ServiceStack.Redis.RedisClient[]
4BC1E100 0ea38bb0 ServiceStack.Redis.PooledRedisClientManager
...

0:429:x86> !da 0ea38d18
Name:        ServiceStack.Redis.RedisClient[]
MethodTable: 237af1c0
EEClass:     0129a224
Size:        52(0x34) bytes
Array:       Rank 1, Number of elements 10, Type CLASS
Element Methodtable: 237ae954
[0] 0ea38dd4
[1] 0a9f9f58
[2] 0296e468
[3] 0c9786a0
[4] 0a9fe768
[5] 04a21f24
[6] 0aa0d758
[7] 10946d90
[8] 04a8c8b0
[9] 02a2a2a0

0:429:x86> !DumpObj /d 0ea38dd4
Name:        ServiceStack.Redis.RedisClient
MethodTable: 237ae954
EEClass:     2375d154
Size:        152(0x98) bytes
File:        C:\Windows\xxx\ServiceStack.Redis.dll
Fields:
...
0129aa48  4000169       7d       System.Boolean  1 instance        1 <Active>k__BackingField
...

从卦中看 writeClients 池只有10个大小，并且都是 Active=1，所以返回 null 就不足为奇了。

3. 为什么client都在使用中呢

要想找到这个答案，需要看下上层的 xxxBLL.GetxxxCount 方法是如何调用的，为了保护隐私，就多模糊一点。

从图中可以看到，问题出在用 foreach 去不断的迭代 ServiceStack.Redis 导致 writeClient 池耗尽，导致大量的请求在不断的阻塞，不要忘了这里有371个线程在争抢哦，真是大忌。

接下来顺带洞察下这个 foreach 要 foreach 多少次？ 继续用 !dso 去挖。

0:429:x86> !DumpObj /d 077cec20
Name:        System.Collections.Generic.List`1[[xxxInfo, xxx]]
MethodTable: 241ad794
EEClass:     0193166c
Size:        24(0x18) bytes
File:        C:\Windows\Microsoft.Net\assembly\GAC_32\mscorlib\v4.0_4.0.0.0__b77a5c561934e089\mscorlib.dll
Fields:
      MT    Field   Offset                 Type VT     Attr    Value Name
01860eec  4001891        4     System.__Canon[]  0 instance 077e0048 _items
0129c9b0  4001892        c         System.Int32  1 instance      307 _size
0129c9b0  4001893       10         System.Int32  1 instance      307 _version
01296780  4001894        8        System.Object  0 instance 00000000 _syncRoot
01860eec  4001895        4     System.__Canon[]  0   static  <no information>

从卦中看当前需要循环307次，也就再次验证了池耗尽的说法，我知道心细的朋友肯定会说，卡死这个我认，但能导致 CPU爆高 我就不能理解了，其实你仔细阅读源码就能理解了，这是经典的 锁护送(lock convoy) 现象，因为满足如下两个条件。

1. 多线程的 foreach 高频调用。
2. Wait 导致线程暂停进入等待队列。

4. 如何解决这个问题

知道了前因后果，解决起来就比较简单了，三种做法：

1. 将 foreach 迭代 改成 批量化处理，减少对 writeclient 的租用。
2. 增加 writeclient 的池大小，官网有所介绍。
3. ServiceStack.Redis 的版本非常老，又是收费的，最好换掉已除后患。

三：总结

这次生产事故分析还是非常有意思的，一个看似阻塞的问题也会引发CPU爆高，超出了一些人的认知吧，对，其实它就是经典的 lock convoy 现象，大家有任何dump问题可以找我，一如既往的免费分析。