提供方耗时正常，调用方毛刺频频

作者：京东零售 王森

一 现象

调用方A -> JSF -> 提供方B

大多数情况下，调用方耗时 和 提供方耗时 基本没有差别

个别情况下，调用方耗时 远高于 提供方耗时，大概5分钟20+次

1.调用方A耗时如下图

2.提供方B耗时如下图



3.调用方监控添加

在调用JSF接口前后加的监控，没有其他任何逻辑，包括日志打印

4.提供方监控添加

在代码最外层JSF接口加的监控，之外没有任何代码逻辑

5.耗时对比

时间段	调用方A平均耗时	提供方B平均耗时	调用方A最大耗时	提供方B最大耗时	调用方A超100ms数量	提供方B超100ms数量
2024-06-15 13:30:00 至 2024-06-15 13:59:59	大部分是低于60ms 有突刺	大部分不超过20	580ms	32ms	24次	0



二 排查思路



1.数据流转环节分析



调用方从请求到接收数据，除了提供方业务耗时，还有其他环节，分别是

1.调用方容器和宿主机

2.调用方->提供方经过的网络环节

3.提供方容器和宿主机的环节

4.提供方->调用方的网络环节

2.初步定位

容器和宿主机之间由于流量过大，处理压力大导致的瓶颈

网络波动

一步一步排除，先看网络



3.找证据

3.1 找监控

找到监控相关的技术同学，回答说没有网络的监控

于是找到了JDOS的同学，排查后提供了一种怀疑方向，如下图

容器内存使用率（包含cache）基本一直保持在99%以上，建议先确定该指标的影响，并降低该指标

3.1.2 指标含义

指标定义文档解释如下







还是看不太懂指标的含义，懵B状态

提工单咨询，给出的解决方案如下





java应用，无ngix，还是懵，继续求助

最后得出结论：

这个之前在营销中心那边有遇到C++ 使用page cache 还有使用zgc的 需要参考一下cache这个指标，其他的场景 目前看 系统会在物理内存不够用的时候 释放cache；

这个是指有的c++应用底层接口直接使用了pagecache，java可以忽略



更详细解释：

内存那部分是这样的，每个容器的 Memory Cgroup 在统计每个控制组的内存使用时包含了两部分，RSS 和 Page Cache。

RSS 是每个进程实际占用的物理内存，它包括了进程的代码段内存，进程运行时需要的堆和栈的内存，这部分内存是进程运行所必须的。

Page Cache 是进程在运行中读写磁盘文件后，作为 Cache 而继续保留在内存中的，它的目的是为了提高磁盘文件的读写性能。（Java程序只要操作磁盘读写也会用到 page cache）

有时会看到这样一种情况：容器里的应用有很多文件读写，你会发现整个容器的内存使用量已经很接近 Memory Cgroup 的上限值了，但是在容器中我们接着再申请内存，还是可以申请出来，并且没有发生 OOM。那是因为容器中有部分是PageCache,当容器需要更多内存时，释放了PageCache,所以总大小并没有变化。



结论：对于java系统来说，容器内存使用率（包含cache）没有影响（cache会自动释放）



3.1.3 降低容器内存使用率（包含cache）

虽说没有影响，还是想办法降低试试效果（非常相信大佬）

看了其他几个java集群





看到最后一个图，小小分析了下，发现三个小时会降低一波，正好和日志清除的时间间隔一致。

对提供方B清除日志后发现果然降低，如下





但是毛刺依然存在！！

3.2 容器处理性能瓶颈

扩容前，CPU和内存也处于正常水平





扩容后（汇天4台 -> 汇天8台），CPU和内存没啥太多变化



调用方耗时如下，基本没啥变化，头大



3.3 耗时分析

运维的同事帮忙分析了一波，给出年轻代GC耗时较高可能会影响耗时；如下

找了两个毛刺的数据，找到对应提供方的机器，查看那一分钟内有yanggc耗时（分钟的粒度），计算下来，调用方耗时比较接近 提供方耗时+提供方yanggc耗时，但是没有直接采取措施，主要一下原因

1.yanggc粒度比较粗，分钟级

2.一直认为FullGC会导致STW，增加耗时，yangGc不会有太大影响

3.只有一两次的数据分析，数据也没有那么准确

4.备战期间，线上机器封板，动起来比较麻烦，想找下其他原因，双管齐下



3.4 网络对抓 + PFinder

1.调用方多台机器，提供方也是多台机器，网络抓包要想抓全得N*M，比较费劲

2.PFinder也是随机抓包

3.毛刺也是随机产生的

想保证，抓到毛刺请求，且，PFinder有数据，采取如下对策

1.选择调用方的一台机器 X 提供方的一台机器，进行抓包

2.监控调用方的这台机器的UMP监控

3.调用方的UMP监控有毛刺时，查看是否有PFinder监控数据，如果没有则继续抓，有则停止

最后抓到了想要的数据

网络运维的同事帮忙对抓网络包，左边是调用方，右边是提供方，如下







调用方的PFinder的数据如下



提供方代码开始PFinder的数据如下





数据分析后结论如下：

调用方22:24:50.775730 发出 22:24:50.988867收到 耗时213ms

提供方22:24:50.775723收到数据包，等到22:24:50.983才处理，22:24:50.988776处理结束回包

提供方等待208ms左右，实际处理4.55ms，加起来 213左右，和调用方耗时对应上了

网络抓包是从容器到容器的抓包



阻塞原因猜测:

1.容器瓶颈，处理不过来 - CPU、内存正常，且当天下午扩容一倍，没有明显好转

2.yanggc照成延迟 - 和运维同学张宪波大佬分析的不谋而合，且是有数据支撑的



4.处理

1.目的：降低yanggc耗时（没有FullGC）

2.当前：



3.方式：

1.增大堆内存（年轻代）

2.扩容（已经扩了一次，没有明显变化）

3.mq消费流量切到其他分组（一般先反序列化，根据参数过滤），减少新对象创建

4.结果：

调用方耗时如下



提供方耗时如下



提供方yanggc



调整前后调用方耗时





最终提供方和调用方耗时不一致的问题得到解决