阿里短信回持.net sdk的bug导致生产服务cpu 100%排查

一：背景

1. 讲故事

去年阿里聚石塔上的所有isv短信通道全部对接阿里通信，我们就做了对接改造，使用阿里提供的.net sdk。

网址：https://help.aliyun.com/document_detail/114480.html

同事当时使用的是ons-.net v1.1.3版本，程序上线后若干天就会有一次程序崩溃现象，当时也没特别在意，以为是自己代码或者环境出了什么问题，索性就加了一个检测程序，如果检测到sdk程序退出就自动重启，就这样先糊弄着，直到有一天服务器告警，那个程序CPU居然飙到100%，服务器可是16核128G的哦。。。

二：分析问题

1. 抓dump文件

情况比较紧急，马上给程序发送Ctrl+C命令让程序退出，结果又退出不了，奇葩。。。为了分析问题抓了一个dump下来，然后强制kill掉程序。

2. 查看线程池以及各个线程正在做什么？

0:000> !tp
CPU utilization: 100%
Worker Thread: Total: 0 Running: 0 Idle: 0 MaxLimit: 32767 MinLimit: 16
Work Request in Queue: 0
--------------------------------------
Number of Timers: 1
--------------------------------------
Completion Port Thread:Total: 1 Free: 1 MaxFree: 32 CurrentLimit: 1 MaxLimit: 1000 MinLimit: 16

从 CPU utilization: 100% 上看，果然cpu100%了，发现 Worker Thread 没有Running 线程，可能是因为执行了Ctrl+C都销毁了，接下来用 ~*e !clrstack 把所有的托管线程栈打出来。

0:000> ~*e !clrstack
OS Thread Id: 0x1818 (0)
Unable to walk the managed stack. The current thread is likely not a
managed thread. You can run !threads to get a list of managed threads in
the process
Failed to start stack walk: 80070057

从输出结果看，没有任何托管线程，唯一的那个线程0还不是还托管线程，然后改成 ~*e !dumpstack把非托管线程栈找出来。

0:000> ~*e !dumpstack
OS Thread Id: 0x1818 (0)
Current frame: ntdll!ZwRemoveIoCompletion+0x14
Child-SP         RetAddr          Caller, Callee
000000637323ef40 00007ff8327bac2f KERNELBASE!GetQueuedCompletionStatus+0x3f, calling ntdll!ZwRemoveIoCompletion
000000637323efa0 00007ff81b9c8a00 ONSClient4CPP!metaq_juce::URL::launchInDefaultBrowser+0x273d0, calling kernel32!GetQueuedCompletionStatus
000000637323f090 00007ff81ba3eb0a ONSClient4CPP!ons::Message::getMsgBody+0x5a8a, calling ONSClient4CPP!metaq_juce::URL::launchInDefaultBrowser+0x1f100
000000637323f140 00007ff81ba3f084 ONSClient4CPP!ons::Message::getMsgBody+0x6004, calling ONSClient4CPP!ons::Message::getMsgBody+0x5800
000000637323f280 00007ff81ba233b4 ONSClient4CPP!ons::ONSFactoryProperty::setSendMsgTimeout+0xa6b4, calling ONSClient4CPP!ons::ONSFactoryProperty::setSendMsgTimeout+0xa5d0
000000637323f2b0 00007ff81ba11b43 ONSClient4CPP!ons::ONSFactoryAPI::~ONSFactoryAPI+0x153
000000637323f310 00007ff81ba12d64 ONSClient4CPP!ons::SendResultONS::operator=+0xc44, calling ONSClient4CPP!ons::ONSFactoryAPI::~ONSFactoryAPI+0x10
000000637323f460 00007ff81ba83eb4 ONSClient4CPP!ons::Message::getStoreTimestamp+0xf484, calling ONSClient4CPP!ons::Message::getStoreTimestamp+0xf1c4
000000637323f630 00007ff8356f7d94 ntdll!RtlExitUserProcess+0xb4, calling ntdll!LdrShutdownProcess
000000637323f690 00007ff832777c23 KERNELBASE!CtrlRoutine+0xa3
000000637323f780 00007ff834df8364 kernel32!BaseThreadInitThunk+0x14, calling kernel32!WriteConsoleOutputW+0x530

从非托管调用栈来看，其中KERNELBASE!CtrlRoutine 表明主线程接受到了Ctrl+C命令， 从栈顶发现貌似不能退出的原因是主线程被 ONSClient4CPP 接管，而且这个C++正在做远程连接再等待网络IO返回，但这种会把16核cpu打满应该不太可能，这个问题貌似到这里就卡住了。

三： 重启程序发现问题依旧

1. 抓dump文件

很开心的是程序重新启动后，过了两分钟CPU又在飙升，这次学乖了，等CPU到了60，70%的时候抓dump文件。

2. 继续排查

0:000> .time
Debug session time: Fri Apr 17 17:36:50.000 2020 (UTC + 8:00)
System Uptime: 355 days 5:33:48.092
Process Uptime: 0 days 0:02:11.000
  Kernel time: 0 days 0:03:31.000
  User time: 0 days 0:13:22.000

0:000> !tp
CPU utilization: 59%
Worker Thread: Total: 3 Running: 0 Idle: 3 MaxLimit: 32767 MinLimit: 16
Work Request in Queue: 0
--------------------------------------
Number of Timers: 1
--------------------------------------
Completion Port Thread:Total: 2 Free: 2 MaxFree: 32 CurrentLimit: 2 MaxLimit: 1000 MinLimit: 16

从上面代码可以看到，进程启动了2分11秒，这次cpu利用率是59%，抓的有点早，不过没关系，先看一下Threads情况。

0:000> !threads
ThreadCount:      25
UnstartedThread:  0
BackgroundThread: 8
PendingThread:    0
DeadThread:       16
Hosted Runtime:   no
                                                                                                        Lock
       ID OSID ThreadOBJ           State GC Mode     GC Alloc Context                  Domain           Count Apt Exception
   0    1  cdc 0000022bb9f53220    2a020 Preemptive  0000022BBBFACCE8:0000022BBBFADFD0 0000022bb9f27dc0 1     MTA
   2    2  3dc 0000022bb9f7f9f0    2b220 Preemptive  0000000000000000:0000000000000000 0000022bb9f27dc0 0     MTA (Finalizer)
   3    4 296c 0000022bb9fe97b0  102a220 Preemptive  0000000000000000:0000000000000000 0000022bb9f27dc0 0     MTA (Threadpool Worker)
XXXX    5    0 0000022bb9ffc5a0  1039820 Preemptive  0000000000000000:0000000000000000 0000022bb9f27dc0 0     Ukn (Threadpool Worker)
XXXX    6    0 0000022bd43938c0  1039820 Preemptive  0000000000000000:0000000000000000 0000022bb9f27dc0 0     Ukn (Threadpool Worker)
.............................................................................
 163   24 29e8 0000022bd4898650  1029220 Preemptive  0000022BBC102108:0000022BBC103FD0 0000022bb9f27dc0 0     MTA (Threadpool Worker)
 164   25 2984 0000022bd489d470  1029220 Preemptive  0000022BBC0EA2D0:0000022BBC0EBFD0 0000022bb9f27dc0 0     MTA (Threadpool Worker) 

好家伙，才2分11秒，托管线程ThreadCount: 25就死了DeadThread: 16个，而且从threads列表中看，windbg给的最大编号是164，说明当前有 (164+1) - 25 =142 个非托管线程，应该就是阿里的ONSClient4CPP开启的，为什么开启这么多线程，这就是一个很值得关注的问题了，接下来还是用 ~*e !dumpstack 把所有线程的托管和非托管线程栈打出来，由于信息太多，我就截几张图。

---

个人猜测，纯技术讨论：

---

图1：

从堆栈上看，有105个线程卡在 ntdll!ZwRemoveIoCompletion+0x14 这里，而且从 ONSClient4CPP!metaq_juce::URL::launchInDefaultBrowser+0x23072 中看，貌似阿里开了一个浏览器内核，用内核来发送数据，估计这里并发阈值开的还挺大的，咨询了下同事是前面有一家大客户发了很多的短信，估计是大量的回持积压，这个C# sdk进行了疯狂读取，这个跟CPU暴涨应该有脱不了的关系。

图2：

从检索上看有28个线程貌似正在临界区等待锁，CPU高的一个经典案例就是当很多线程在临界区等待的时候，当某一个正在临界区中的线程离开后，这28个线程的调度竞抢也是CPU高的一个原因。

个人水平有限，进一步挖非托管堆目前还没这个技术(┬＿┬) 。。。

四： 解决方案

这种SDK的问题还能有什么解决方案，能想到的就是去官网找下可有最新版：

可以看到最新版的 ons-.net v1.1.4 中提到的优化点：优化消息拉取流程，避免特殊情况下拉取异常造成的消息堆积。

果然用了最新版的sdk就可以了，