Log4J & elk 事故总结

周六的早晨8点，应用出现了大面积的登录超时问题。

作为一款日活15W、用户量700W+的应用，这是致命的问题。

唯一的安慰是——好在今天是周末，加班的公司才会使用。虽然如此，客服、产品的电话也被打爆了。

初步怀疑，问题与前一天晚上的更新有关，运维的同事回滚了更新，应用全部回滚完毕，然而，问题依然没有解决，服务依然不可用。

运维开始束手无策，9点钟的时候，基本所有的开发teamleader都过来了，加上架构部的，十几号人开始分析问题，客服、运营、产品们忙着安慰客户，发公告。总监、副总裁都过来了，看着一群开发忙来忙去的找问题。

我们最先怀疑的是后端的基础系统故障（历史经验，这一块出问题的可能性比较大），mongo, mysql,  redis, memcache, rabbitmq一个个排查，它们的表现都正常：群集读写的压力都很小，请求处理时间短。

在排除了以上系统的问题之后，我们把怀疑的对象对准了一个Http服务，这是一个古老的服务，使用oauth 1.0 ，底层的http不能指定超时（而新的服务都是使用async-http实现，有超时设置），屏蔽服务后，问题依然存在。

后续的分析，集中在内部服务接口的请求上。通过vpn直接请求内部接口，测了几个在网关层请求都超时的服务，它们的返回都正常，最终将问题锁定在了网关层的服务。

网关层服务是一个轻量级的服务，它的主要职责是两件事：（1）鉴权（移动端、ERP）（2）路由（按业务），理论上这个服务不应该出现问题，不管它，先dump内存看看。

将网关层应用的内存dump下来后，发现了问题：

"qtp1056944384-232" prio=10 tid=0x00007f54900d0800 nid=0x63b3 waiting for monitor entry [0x00007f54492d0000]
   java.lang.Thread.State: BLOCKED (on object monitor)
	at org.apache.log4j.Category.callAppenders(Category.java:205)
	- waiting to lock <0x00000007e81c4830> (a org.apache.log4j.spi.RootLogger)
	at org.apache.log4j.Category.forcedLog(Category.java:391)
	at org.apache.log4j.Category.log(Category.java:856)
	at org.slf4j.impl.Log4jLoggerAdapter.info(Log4jLoggerAdapter.java:368)

总计有200多个log4j的线程在等待锁"0x00000007e81c4830"，而这把锁被谁持有呢？通过搜索，找到以下dump信息：

"qtp1056944384-218" prio=10 tid=0x00007f54800bb800 nid=0x63a5 runnable [0x00007f544a0de000]
   java.lang.Thread.State: RUNNABLE
	at java.net.SocketOutputStream.socketWrite0(Native Method)
	at java.net.SocketOutputStream.socketWrite(SocketOutputStream.java:109)
	at java.net.SocketOutputStream.write(SocketOutputStream.java:141)
	at net.logstash.log4j.SocketAppender.append(SocketAppender.java:190)
	at org.apache.log4j.AppenderSkeleton.doAppend(AppenderSkeleton.java:251)
	- locked <0x00000007e8210868> (a net.logstash.log4j.SocketAppender)
	at org.apache.log4j.helpers.AppenderAttachableImpl.appendLoopOnAppenders(AppenderAttachableImpl.java:66)
	at org.apache.log4j.Category.callAppenders(Category.java:206)
	- locked <0x00000007e81c4830> (a org.apache.log4j.spi.RootLogger)
	at org.apache.log4j.Category.forcedLog(Category.java:391)
	at org.apache.log4j.Category.log(Category.java:856)
	at org.slf4j.impl.Log4jLoggerAdapter.info(Log4jLoggerAdapter.java:368)

第218号线程持有了锁"0x00000007e81c4830"，然后其它log4j的线程都在等待这把锁的释放。可以看到，这把锁的持有者，一个关键字“logstash.log4j”，因此初步诊断和最近添加的elk有关。elk 即 Logstash+ElasticSearch+Kibana4，它是架构部近期引入的一个实时日志分析系统，最近的调整是：log4j.rootLogger 参数，添加了实时将日志打到logstash，而logstash在早晨8点的时候日志片段如下：

WARNING: [logstash-elk_0_47-16997-7944] [gc][young][2284683][25218] duration [1.1s], collections [1]/[1.8s], total [1.1s]/[12.2m], memory [1gb]->[915.1mb]/[3.9gb], all_pools {[young] [269.4mb]->[6.4mb]/[532.5mb]}{[survivor] [50.3mb]->[50.3mb]/[66.5mb]}{[old] [742.8mb]->[858.4mb]/[3.3gb]}
{:timestamp=>"2015-12-12T08:01:00.606000+0800", :message=>"retrying failed action with response code: 503", :level=>:warn}
{:timestamp=>"2015-12-12T08:01:00.636000+0800", :message=>"retrying failed action with response code: 503", :level=>:warn}
{:timestamp=>"2015-12-12T08:01:00.637000+0800", :message=>"retrying failed action with response code: 503", :level=>:warn}
{:timestamp=>"2015-12-12T08:01:00.637000+0800", :message=>"retrying failed action with response code: 503", :level=>:warn}

logstash出现了大量的503，查看elasticsearch的日志片段：

[2015-12-12 08:00:00,244][INFO ][cluster.metadata         ] [Iron Man] [logstash-2015.12.12] creating index, cause [auto(bulk api)], templates [logstash], shards [5]/[0], mappings [_default_]
[2015-12-12 08:00:00,285][INFO ][cluster.metadata         ] [Iron Man] [app-logs-2015.12.12] creating index, cause [auto(bulk api)], templates [], shards [5]/[0], mappings []
[2015-12-12 08:00:18,053][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.5gb[7%], shards will be relocated away from this node
[2015-12-12 08:00:48,053][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.5gb[7%], shards will be relocated away from this node
[2015-12-12 08:00:48,054][INFO ][cluster.routing.allocation.decider] [Iron Man] high disk watermark exceeded on one or more nodes, rerouting shards
[2015-12-12 08:01:18,087][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.5gb[7%], shards will be relocated away from this node
[2015-12-12 08:01:48,054][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.5gb[7%], shards will be relocated away from this node
[2015-12-12 08:02:18,054][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.5gb[7%], shards will be relocated away from this node
[2015-12-12 08:02:18,054][INFO ][cluster.routing.allocation.decider] [Iron Man] high disk watermark exceeded on one or more nodes, rerouting shards
[2015-12-12 08:02:48,054][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.5gb[7%], shards will be relocated away from this node
[2015-12-12 08:03:18,054][WARN ][cluster.routing.allocation.decider] [Iron Man] high disk watermark [10%] exceeded on [o-oE92qNSyyoqbzUoRTS7Q][Iron Man] free: 34.7gb[7%], shards will be relocated away from this node
[2015-12-12 08:03:18,055][INFO ][cluster.routing.allocation.decider] [Iron Man] high disk watermark exceeded on one or more nodes, rerouting shards

运维的同事说，elk是单节点，而此时，elasticsearch由于磁盘空间不够，出现了服务不可用（没有添加预警），logstash阻塞。logstash阻塞，导致网关服务整个集群不可用。

初步的处理是，停用logstash同步写，同时将生产环境日志临时调整为fatal（为了减少日志量）。

为什么log4j会出现几百个线程等待一个锁的问题呢？后面笔者分析的log4j的Category.callAppenders源码：

  /**
     Call the appenders in the hierrachy starting at
     <code>this</code>.  If no appenders could be found, emit a
     warning.

     <p>This method calls all the appenders inherited from the
     hierarchy circumventing any evaluation of whether to log or not
     to log the particular log request.

     @param event the event to log.  */
public void callAppenders(LoggingEvent event) {
    int writes = 0;

    for(Category c = this; c != null; c=c.parent) {
      // Protected against simultaneous call to addAppender, removeAppender,...
      synchronized(c) {
        if(c.aai != null) {
            writes += c.aai.appendLoopOnAppenders(event);
        }
        if(!c.additive) {
            break;
        }
      }
    }

    if(writes == 0) {
      repository.emitNoAppenderWarning(this);
    }
  }

log4j版本1.x中，使用的是古老的synchronized(this)，所有线程共用一个Category，而它通过log4j.properties指定。 同一个Category下的线程打log时，需要进行全局同步，因此它的效率会很低，log4j 1.x版不适合高并发的场景。

为了杜绝这样的问题，后续需要吸取教训：

1. 尽量减少不必要的日志，在成熟的接口上，关闭日志输出，这样有利于提高效率。

2. 替换底层log的实现类，不再使用log4j 1.x，使用logback（推荐）或者新的log4j 2.x版本。

最后，附带两篇关于log4j 1.x中，日志系统死锁的分析（我们最开始怀疑是这个问题）：

https://bz.apache.org/bugzilla/show_bug.cgi?id=50213

http://javaeesupportpatterns.blogspot.com/2012/09/log4j-thread-deadlock-case-study.html