记一次 Nacos 导致的 CPU 飙高问题 !

文章列表

Mr.Potato · 2023-01-11 · via

前言

今天下午突然出现测试环境 cpu飙高，干到了 60%，其他项目响应时间明显变长。。。有点吓人，不想背锅

项目背景

出问题的项目是需要连接各个不同nacos 和不同的 namespace 进行对应操作的一个项目，对nacos的操作都是httpClient 调用的api接口，「httpClient方法没有问题，不用质疑这个」

定位问题

首先这 cpu高了，直接top -Hp 看看定位到进程id，然后执行 jstack 进程id -> 1.txt，看到堆栈信息，下面提示信息有很多

"com.alibaba.nacos.client.config.security.updater" #2269 daemon prio=5 os_prio=0 tid=0x00007fa3ec401800 nid=0x8d85 waiting on condition [0x00007fa314396000]
   java.lang.Thread.State: TIMED_WAITING (parking)
        at sun.misc.Unsafe.park(Native Method)
        - parking to wait for  <0x00000000f7f3eae0> (a java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject)
        at java.util.concurrent.locks.LockSupport.parkNanos(LockSupport.java:215)
        at java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject.awaitNanos(AbstractQueuedSynchronizer.java:2078)
        at java.util.concurrent.ScheduledThreadPoolExecutor$DelayedWorkQueue.take(ScheduledThreadPoolExecutor.java:1093)
        at java.util.concurrent.ScheduledThreadPoolExecutor$DelayedWorkQueue.take(ScheduledThreadPoolExecutor.java:809)
        at java.util.concurrent.ThreadPoolExecutor.getTask(ThreadPoolExecutor.java:1074)
        at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1134)
        at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
        at java.lang.Thread.run(Thread.java:748)

根据关键字找找是哪里打印的，「关键字 com.alibaba.nacos.client.config.security.updater」

ServerHttpAgent 类的方法

// init executorService
this.executorService = new ScheduledThreadPoolExecutor(1, new ThreadFactory() {
    @Override
    public Thread newThread(Runnable r) {
        Thread t = new Thread(r);
        t.setName("com.alibaba.nacos.client.config.security.updater");
        t.setDaemon(true);
        return t;
    }
});

这是构造方法啊，应该只初始化一次的啊，往上debug，我靠，NacosConfigService 类中调用了，「debug 看什么时候调用了不就行了嘛」

项目初始化的时候调用了一次，业务系统依赖nacos嘛，ok 可以理解

再就是漫长的等待,30s后发现又是一次调用，我去，怎么可能。。。

往回debug，代码如下

scheduler.schedule("定时校对灰度nacos 配置", () -> loadGrayConfig(grayFileName),
    1800, 1800, TimeUnit.SECONDS);
/**
 * 灰度配置更新 解决 网络隔离的问题
 *
 * @param grayFileName 灰度文件的名称
 */
private void loadGrayConfig(String grayFileName) {
    synchronized (this) {
        System.err.println("loadGrayConfig datetime: " + DateUtils.formatDate(new Date()));
        //刷一次 缓存 重新获取nacos 内容 赋值
        grayConfigManager.loadNoCache(grayFileName);
    }
}

等会，难道小丑是我。。。。

这当时是为了灰度功能，定时数据校验用的用了一个线程池，当时以为用了线程池妥妥的。。。还特意调用的 Nocache 方法，让他创建新的nacos Config对象，做数据校对

「但是每调用一次 NacosFactory.createConfigService(properties) ，nacos config 构造器就会开一个线程，就导致了这个问题」

这里可能你要问了你说为了防止网络隔离才加的这个调度任务，什么是网络隔离啊？

我刚开始听说这个概念是当时学习 Raft

假设一个Raft集群拥有三个节点，其中节点3的「网络被隔离」，那么按照「BasicRaft」的实现，集群会有以下动作：

节点3由于网络被隔离，收不到来自Leader的Heartbeat和AppendEntries，所以节点3会进入选举过程，当然选举过程也是收不到投票的，所以节点3会反复超时选举；节点3的Term就会一直增大
节点1与节点2会正常工作，并停留在当时的Term

网络恢复之后，Leader给节点3发送RPC的时候，节点3会拒绝这些RPC理由是发送方任期太小。

Leader收到节点3发送的拒绝后，会增大自己的Term，然后变成Follower。

随后，集群开始新的选举，大概率原本的Leader会成为新一轮的Leader。

网络隔离 Raft是怎么解决的呢？

多轮投票的安全问题是棘手的，必须避免同一高度不同轮数分别提交两个不同区块的情形。在Tendermint中，这个问题可以通过锁机制（locking mechanism）得到解决。

锁定规则：「预投票锁（Prevote-the-Lock）」：

验证者只能「预投票(pre-vote)」 他们被锁定的区块。这样就阻止验证者在上一轮中预提交(pre-commit)一个区块，之后又预投票了下一轮的另一个区块。

· 波尔卡解锁（Unlock-on-Polka ）：验证者只有在看到更高一轮（相对于其当前被锁定区块的轮数）的波尔卡之后才能释放该锁。这样就允许验证者解锁，如果他们预提交了某个区块，但是这个区块网络的剩余节点不想提交，这样就保护了整个网络的运转，并且这样做并没有损害网络安全性。

「解决方案是把term替换成(term, nodeid),并且按照字典序比较大小(a > b === a.term > b.term || a.term == b.term && a.nodeid > b. node_id). 这是paxos里的做法, 保证不会出现raft里的冲突.」

原理是, raft对voting的阶段有2个值来描述: term和当前投了哪个node_id, 即[term, nodeid], 由于raft不允许一个term vote2个不同的不同的node, 也就是说, vote_req.term > local.term && vote_req.nodeid == local.nodeid 才会grant这个vote请求.

把term替换成(term,nodeid)后, vote阶段的大小比较变成了: vote_req.term > local.term || vote_req.term == local.term && vote_req.nodeid >= local.nodeid, 条件边宽松了. 同一个term内, 较大nodeid的可以抢走较小nodeid 已经建立的leader.

而日志中原本记录的term也需要将其替换成(term, node_id), 因为这两项加起来才能唯一确定一个leader. 之前raft里只需一个term就可以唯一确定一个leader.

vote中比较最大log id相应的,从比较tuple (term, index) 改成比较tuple (term, node_id, index).

就这么点修改.

「总结下来就是按照字典排序和预投票锁保证当多个 term 相同的 candidate 相遇后，肯定会有一个获得多数派投票」

想法

我们如果出现异常的网络隔离情况再回来，可能导致数据的不一致，但是上面的解决办法因为比较重，不适合我们，我们就单纯引入 「定时校对的调度任务进行比较（和对账一样）」

修复

我对nacos config 连接进行遍历查找是否存活，不存活我就shutdown，然后生成一个新的，而不是这种全部生成一边，毕竟人家构造器开了线程。。。。

说回来还是因为我当时自信了，没往这个调用下面看，在子类中写的开线程哈哈，行吧，改改，跑到测试环境看看效果（CPU）

嗯嗯稳定了，明天再看看，应该没问题了

彩蛋

好像测试环境响应时间变长，和我没关系。。。。是别人压测呢，把带宽吃了。。。。。「看透不说透」

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

文章列表

前言

项目背景

定位问题

想法

修复

彩蛋