同事多線程使用不當導致OOM，被我怒懟了
老規矩，我們先看下事故過程：某日，從 6 點 32 分開始少量用戶訪問 app 時會出現首頁訪問異常，到 7 點 20 分首頁服務大規模不可用，7 點 36 分問題解決。
整體經過
事故的整個經過如下：
6：58，發現報警，同時發現群里反饋首頁出現網絡繁忙，考慮到前幾日晚上門店列表服務上線發布過，所以考慮回滾代碼緊急處理問題。
7：07，開始先后聯系 XXX 查看解決問題。
7：36，代碼回滾完，服務恢復正常。
事故根本原因
事故代碼模擬如下：
public static void test() throws InterruptedException, ExecutionException {
Executor executor = Executors.newFixedThreadPool(3);
CompletionService<String> service = new ExecutorCompletionService<>(executor);
service.submit(new Callable<String>() {
@Override
public String call() throws Exception {
return "HelloWorld--" + Thread.currentThread().getName();
}
});
}
先拋出問題，我們后面會詳細闡述。問題的根源就在于 ExecutorCompletionService 結果沒調用 take，poll 方法。
正確的寫法如下所示：
public static void test() throws InterruptedException, ExecutionException {
Executor executor = Executors.newFixedThreadPool(3);
CompletionService<String> service = new ExecutorCompletionService<>(executor);
service.submit(new Callable<String>() {
@Override
public String call() throws Exception {
return "HelloWorld--" + Thread.currentThread().getName();
}
});
service.take().get();
}
一行代碼引發的血案，而且不容易被發現，因為 OOM 是一個內存緩慢增長的過程，稍微粗心大意就會忽略，如果是這個代碼塊的調用量少的話，很可能幾天甚至幾個月后暴雷。
操作人回滾 or 重啟服務器確實是最快的方式，但是如果不是事后快速分析出 OOM 的代碼，而且不巧回滾的版本也是帶 OOM 代碼的，就比較悲催了。
如剛才所說，流量小了，回滾或者重啟都可以釋放內存；但是流量大的情況下，除非回滾到正常的版本，否則 GG。
探討問題的根源
接下來我們來探討問題的根源，為了更好的理解 ExecutorCompletionService 的 “套路”，我們用 ExecutorService 來作為對比，可以讓我們更好的清楚，什么場景下用 ExecutorCompletionService。
先看 ExecutorService 代碼：（建議 down 下來跑一跑，以下代碼建議吃飯的時候不要去看，味道略重！不過便于理解 orz）
public static void test1() throws Exception{
ExecutorService executorService = Executors.newCachedThreadPool();
ArrayList<Future<String>> futureArrayList = new ArrayList<>();
System.out.println("公司讓你通知大家聚餐 你開車去接人");
Future<String> future10 = executorService.submit(() -> {
System.out.println("總裁：我在家上大號 我最近拉肚子比較慢 要蹲1個小時才能出來 你等會來接我吧");
TimeUnit.SECONDS.sleep(10);
System.out.println("總裁：1小時了 我上完大號了。你來接吧");
return "總裁上完大號了";
});
futureArrayList.add(future10);
Future<String> future3 = executorService.submit(() -> {
System.out.println("研發：我在家上大號 我比較快 要蹲3分鐘就可以出來 你等會來接我吧");
TimeUnit.SECONDS.sleep(3);
System.out.println("研發：3分鐘 我上完大號了。你來接吧");
return "研發上完大號了";
});
futureArrayList.add(future3);
Future<String> future6 = executorService.submit(() -> {
System.out.println("中層管理：我在家上大號 要蹲10分鐘就可以出來 你等會來接我吧");
TimeUnit.SECONDS.sleep(6);
System.out.println("中層管理：10分鐘 我上完大號了。你來接吧");
return "中層管理上完大號了";
});
futureArrayList.add(future6);
TimeUnit.SECONDS.sleep(1);
System.out.println("都通知完了,等著接吧。");
try {
for (Future<String> future : futureArrayList) {
String returnStr = future.get();
System.out.println(returnStr + "，你去接他");
}
Thread.currentThread().join();
} catch (Exception e) {
e.printStackTrace();
}
}
三個任務，每個任務執行時間分別是 10s、3s、6s。
通過 JDK 線程池的 submit 提交這三個 Callable 類型的任務：
- step1：主線程把三個任務提交到線程池里面去，把對應返回的 Future 放到 List 里面存起來，然后執行“都通知完了，等著接吧。”這行輸出語句。
- step2：在循環里面執行 future.get() 操作，阻塞等待。
最后結果如下：
先通知到總裁，也是先接總裁，足足等了 1 個小時，接到總裁后再去接研發和中層管理，盡管他們早就完事兒了，也得等總裁拉完~~
耗時最久的-10s 異步任務最先進入 list 執行，所以在循環過程中獲取這個 10s 的任務結果的時候，get 操作會一直阻塞，直到 10s 異步任務執行完畢。即使 3s、5s 的任務早就執行完了，也得阻塞等待 10s 任務執行完。
看到這里，尤其是做網關業務的同學可能會產生共鳴，一般來說網關 RPC 會調用下游 N 多個接口，如下圖：
如果都按照 ExecutorService 這種方式，并且恰巧前幾個任務調用的接口耗時比較久，同時阻塞等待，那就比較悲催了。
所以 ExecutorCompletionService 應景而出。它作為任務線程的合理管控者，“任務規劃師”的稱號名副其實。
相同場景 ExecutorCompletionService 代碼：
public static void test2() throws Exception {
ExecutorService executorService = Executors.newCachedThreadPool();
ExecutorCompletionService<String> completionService = new ExecutorCompletionService<>(executorService);
System.out.println("公司讓你通知大家聚餐 你開車去接人");
completionService.submit(() -> {
System.out.println("總裁：我在家上大號 我最近拉肚子比較慢 要蹲1個小時才能出來 你等會來接我吧");
TimeUnit.SECONDS.sleep(10);
System.out.println("總裁：1小時了 我上完大號了。你來接吧");
return "總裁上完大號了";
});
completionService.submit(() -> {
System.out.println("研發：我在家上大號 我比較快 要蹲3分鐘就可以出來 你等會來接我吧");
TimeUnit.SECONDS.sleep(3);
System.out.println("研發：3分鐘 我上完大號了。你來接吧");
return "研發上完大號了";
});
completionService.submit(() -> {
System.out.println("中層管理：我在家上大號 要蹲10分鐘就可以出來 你等會來接我吧");
TimeUnit.SECONDS.sleep(6);
System.out.println("中層管理：10分鐘 我上完大號了。你來接吧");
return "中層管理上完大號了";
});
TimeUnit.SECONDS.sleep(1);
System.out.println("都通知完了,等著接吧。");
//提交了3個異步任務）
for (int i = 0; i < 3; i++) {
String returnStr = completionService.take().get();
System.out.println(returnStr + "，你去接他");
}
Thread.currentThread().join();
}
跑完結果如下：
這次就相對高效了一些，雖然先通知的總裁，但是根據大家上大號的速度，誰先拉完先去接誰，不用等待上大號最久的總裁了（現實生活里，建議采用第一種，不等總裁的后果 emmm 哈哈哈）。
放在一起對比下輸出結果：
兩段代碼的差異非常小，獲取結果的時候 ExecutorCompletionService 使用了：
completionService.take().get();
為毛要用 take() 然后再 get() 呢？？？？我們看看源碼：
CompletionService 接口以及接口的實現類
ExecutorCompletionService 是 CompletionService 接口的實現類：
接著跟一下 ExecutorCompletionService 的構造方法，可以看到入參需要傳一個線程池對象，默認使用的隊列是 LinkedBlockingQueue，不過還有另外一個構造方法可以指定隊列類型，如下兩張圖，兩個構造方法。
默認 LinkedBlockingQueue 的構造方法：
可選隊列類型的構造方法：
submit 任務提交的兩種方式，都是有返回值的，我們例子中用到的就是第一種 Callable 類型的方法。
對比 ExecutorService 和 ExecutorCompletionService submit 方法，可以看出區別。
ExecutorService：
ExecutorCompletionService：
差異就在 QueueingFuture，這個到底作用是啥？
我們繼續跟進去看：
- QueueingFuture 繼承自 FutureTask，而且紅線部分標注的位置，重寫了 done() 方法。
- 把 task 放到 completionQueue 隊列里面，當任務執行完成后，task 就會被放到隊列里面去了。
- 此時此刻 completionQueue 隊列里面的 task 都是已經 done() 完成了的 task，而這個 task 就是我們拿到的一個個的 future 結果。
- 如果調用 completionQueue 的 task 方法，會阻塞等待任務。等到的一定是完成了的 future，我們調用 .get() 方法就能立馬獲得結果。
看到這里，相信大家伙都應該多少明白點了：
- 我們在使用 ExecutorService submit 提交任務后需要關注每個任務返回的 future，然而 CompletionService 對這些 future 進行了追蹤，并且重寫了 done 方法，讓你等的 CompletionQueue 隊列里面一定是完成了的 task。
- 作為網關 RPC 層，我們不用因為某一個接口的響應慢拖累所有的請求，可以在處理最快響應的業務場景里使用 CompletionService。
but，注意、注意、注意，也是本次事故的核心
當只有調用了 ExecutorCompletionService 下面的 3 個方法的任意一個時，阻塞隊列中的 task 執行結果才會從隊列中移除掉，釋放堆內存。
由于該業務不需要使用任務的返回值，則沒進行調用 take，poll 方法。從而導致沒有釋放堆內存，堆內存會隨著調用量的增加一直增長。
所以，業務場景中不需要使用任務返回值的 別沒事兒使用 CompletionService，假如使用了，記得一定要從阻塞隊列中移除掉 task 執行結果，避免 OOM！
總結
知道事故的原因，我們來總結下方法論，畢竟孔子他老人家說過：自省吾身，常思己過，善修其身！
上線前：
- 嚴格的代碼 review 習慣，一定要交給 back 人去看，畢竟自己寫的代碼自己是看不出問題的，相信每個程序猿都有這個自信（這個后續事故里可能會反復提到，很重要）
- 上線記錄-備注好上一個可回滾的包版本（給自己留一個后路）
- 上線前確認回滾后，業務是否可降級，如果不可降級，一定要嚴格拉長這次上線的監控周期
上線后：
- 持續關注內存增長情況（這部分極容易被忽略，大家對內存的重視度不如 CPU 使用率）
- 持續關注 CPU 使用率增長情況
- GC 情況、線程數是否增長、是否有頻繁的 FullGC 等
- 關注服務性能報警，tp99、999 、max 是否出現明顯的增高?
