记录一次高并发引起的生产事故的溯源记录

一次高并发抢购活动引起的生产事故的过程分析记录

1.在日志中观察到的很多dubbo超时报错

Caused by: com.alibaba.dubbo.remoting.TimeoutException: Waiting server-side response timeout. 

排查过程：数据库sql负载偏高，有接口直接查sql没有加缓存的，数据库瓶颈没办法，一个sql延迟几十毫秒，并发上来之后，就会把整体往后拖了

原因分析：

1.执行sql没有超时时间，慢就慢了，但是rpc接口和对外接口是有timeout的，单个dubbo服务是的线程池数量是有上限的，

2.每个rpc接口调用1个sql，一个sql延迟100ms，就算一个rpc调用100ms，比如这个进程给的线程数是100，那么一秒钟1000ms/200ms * 100 = 500次,也就是这个rpc接口的性能是500次/秒，恰好能够没有线程阻塞等待处理完毕，当501并发时第501个就会阻塞100ms才能进到rpc中执行代码处理，最后因为sql的超时导致了调用dubbo provider进程阻塞，继而导致rpc外层调用的consumer超时，接口返回异常。

将sql全部优化之后，发现在高并发的时候日志中还是有超时的报错，看问题还是一样的，最后排查发现是因为A服务对外提供了一个按id查唯一信息的rpc接口，B服务中有逻辑为了获取多个id的信息，循环进行多次rpc调用。所以如果B服务获取的id信息越多对应的rpc循环调用的次数也就越多，从而B的这个业务操作会更加耗时，最后导致超时问题的出现。

最后把这里优化掉，改成一次rpc调用从A服务中批量拿到全部的数据后再在B服务这里分组依次获取。 

2.修复上面的问题后发现又出现了dubbo线程池满了的报错

\[DUBBO\] Thread pool is EXHAUSTED! Thread Name: DubboServerHandler-ip:70882, Pool Size: 400 (active: 400, core: 400, max: 400, largest: 400), Task: 8640430 (completed: 8640030), Executor status:(isShutdown:false, isTerminated:false, isTerminating:false), in dubbo://ip:70882!, dubbo version: 2.6.2, current host: ip

dubbo线程池满了，我们通过重新设置线程池大小dubbo.provider.threads = 1000

3.调大线程池后又出现了另外一个问题，Redis连接数跑满了

org.springframework.data.redis.RedisConnectionFailureException: No reachable node in cluster; nested exception is redis.clients.jedis.exceptions.JedisNoReachableClusterNodeException: No reachable node in cluster

redis连接数跑满了，这个问题寻找了好久，最终发现是Jedis的版本问题版本问题，导致链接没有释放，连接泄露，我们通过升级jedis版本到2.10.2就解决了这个问题。

详情见这里https://blog.csdn.net/RL_LEEE/article/details/99831991

4.修复了上面的问题后，又出现了redis连接池跑满了问题

org.springframework.dao.InvalidDataAccessApiUsageException: Could not get a resource since the pool is exhausted; nested exception is redis.clients.jedis.exceptions.JedisExhaustedPoolException: Could not get a resource since the pool is exhausted

redis连接池数量太小了，我们通过增大spring.redis.jedis.pool.max-idle = 100，spring.redis.jedis.pool.max-active = 100，这两个配置重新进行了调整。

5.连接池跑满了的问题解决了，紧接着又出现了热点Key的分布不均匀的问题

redis.clients.jedis.exceptions.JedisClusterMaxRedirectionsException: Too many Cluster redirections?

这个是一个热点大Key的问题，把一个在高峰期会频繁访问的对象全部缓存成一个大对象放到redis里面，最终导致这个对象的大小超过了5MB，因为redis是单线程，每次读取5MB然后再进行传输，会导致网络io上升，并发数上来后，很容易把热点Key所在的节点给压挂。

解决方法就是将整存整取的大对象，分拆为多个小对象。可以尝试将对象分拆成几个key-value， 使用multiGet获取值，这样分拆的意义在于分拆单次操作的压力，将操作压力平摊到多个redis实例中，降低对单个redis的IO影响。

6.最终，将上面的问题都解决了之后事故得以最终解决，特此记录，备忘。

如果对您有帮助，请不要忘了给翎野君点赞。