当前位置：首页 > news >正文

堆外内存泄露排查经历

news 2025/7/9 12:53:52

优质博文：IT-BLOG-CN

一、问题描述

淘宝后台应用从今年某个时间开始docker oom的量突然变多，确定为堆外内存泄露。

后面继续按照上一篇对外内存分析方法的进行排查(jemalloc、pmap、malloc+pmap/maps+NMT+jstack+gdb)，但都没有定位到问题。至于为什么没有定位到问题，后面会根据问题的特点进行分析。

至此，回到原点。其实也不是原点，最起码已经确定了是堆外内存off-heap，而不是Native Memory(JVM自身所用内存)泄露。所以你看，很多时候问题排查其实是排除法(苦涩的笑)。

二、排查过程

堆外内存off-heap的泄露，不外乎有以下几个原因：
【1】流没有关闭；
【2】Unsafe.allocateMemory内存没释放；
【3】jni内存没有释放；

其中流没有关闭是最常见的，而2和3出现的概率是比较低的，所以先排查流没有关闭的可能。

2.1 走寻常路

对于流没有关闭导致泄露的定位，一般来说有以下4种方式：
【1】看代码；
【2】用jemalloc分析；
【3】分析堆内存找小尾巴；

2.1.1 看代码

流未关闭的话，一般来说都是因为没有显式地调用close()方法或没有使用try-with-resource的方式管理流。比如下面这段代码就存在流未关闭的情形：
在这里插入图片描述

像下面的这段代码，流会被try-with-resource机制去关闭，正常情况下不会出现内存泄露。而存在泄露的应用，恰恰就是用try-with-resource机制去管理流，所以排除这里的嫌疑。
在这里插入图片描述

2.1.2 用jemalloc分析

这里用到jemalloc主要是利用它的heap dump以及它的jeprof命令来分析java进程的内存分配情况。注意这里的heap不是jvm堆内存，而是操作系统视角的内存布局，比如heap、stack、BSS、数据段、代码段，这里不是本文的重点，就不展开描述了……

使用jemalloc分析内存分配的过程很多文章都有描述，这里也不展开了，结果是通过jeprof生成的pdf文件，依然没有发现导致流未关闭的场景，只能作罢。

2.1.3 分析堆内存

通过看代码的方式以及jemalloc都没法定位到流未关闭的情形，考虑代码走查难免有遗漏，同时应用使用了大量的第三方组件，第三方组件会不会存在流未关闭的可能呢？但很显然，如果去分析第三方组件的代码会累吐血。联想到流没有关闭的情形，一般会在堆内存里面留一些引用的痕迹，于是开始dump java堆内存。

内存dump下来后，通过MAT查找java.lang.ref.Finalizer、InputStream、OutputStream相关的对象，依然一无所获，这时开始怀疑内存的泄露跟流未关闭没有关系。

2.1.4 内部工具分析

公司内部提供了一个跟踪内存分配的工具，通过扩展malloc方法获取到分配内存的调用线程和内存地址，通过jstack打印线程栈，结合gdb、pmap等方式获取可疑内存段，以定位内存泄露源头。通过这种方式依然没有找到任何线索，同时jstack的方式会导致应用出现短暂的停顿safepoint而影响性能，所以这种方式也放弃了。

2.2 走了弯路

在暂时排除了流未关闭的嫌疑后，这时转向分析直接用Unsafe.allocateMemory分配的内存。有些组件不会基于java.nio.DirectByteBuffer(int cap)申请堆外内存，而是直接用unsafe.allocateMemory方法申请内存，这时候MaxDirectMemorySize是限制不住堆外内存的用量的，当然基于DirectByteBuffer申请的堆外内存，最终也是基于unsafe.allocateMemory方法申请内存，所以这里只要分析unsafe.allocateMemory申请的内存即可。到这里，前面提到的神器async-profiler就粉墨登场了。

async-profiler的安装步骤这里就不介绍了，可以自行安装。安装完毕使用以下脚本就可以分析Unsafe_AllocateMemory0的内存分配情况了。

sudo -u deploy /tmp/async-profiler-2.9-linux-x64/profiler.sh -e Unsafe_AllocateMemory0 -d 1200 -f /tmp/unsafe_alloc-$(pgrep java)-$(date +'%y%m%d%H%M').html $(pgrep java)

这里-e代表要分析的事件，-d代表分析的时长，以秒为单位。生成的结果是一张火焰图，你可以下载下来在浏览器上查看哪块用到了Unsafe_AllocateMemory0来分配内存。

比较悲催的是，通过Unsafe_AllocateMemory0分配的内存比较少，所以这里的嫌疑也被排除了。所以分析Unsafe_AllocateMemory0这一步算是走了弯路。

2.3 柳暗花明

前面所有的手段都用尽之后，已经快一个星期过去了。在前面的手段都用尽之后，尝试分析jni的内存分配情况。其实这时候有点死马当作活马医的味道了。

jni(Java Native Interface)，简单说就是Java调用c/c++写的程序，实现更强的功能。c写的程序，要分配内存，一般是通过malloc()方法向操作系统申请内存。在malloc的实现中，一般分配大块内存 128KB会使用mmap分配内存空间。而async-profiler可以通过分析linux perf_event中的perf_event_mmap_page来追踪内存分配情况的。想到这里，便尝试通过下面的命令来追踪系统层面malloc情况：

sudo -u deploy /tmp/async-profiler-2.9-linux-x64/profiler.sh --loop 1h -e malloc -f /tmp/malloc-$(pgrep java)-%t.html $(pgrep java)

这个命令中的–loop参数是能够以1个小时间隔不间断跟踪内存分配情况，如果你想长时间进行问题定位，可以尝试使用一下这个参数，profiler会每隔1个小时生成一个html文件，是不是很方便？

-e malloc就是告诉async-profiler去追踪perf_event_mmap_page的内存分配。

运行了1个小时后，就得到了下面的这个内存分配火焰图：
在这里插入图片描述

从图中可以看出，zstd-jni这个组件分配了大量的内存。因为在之前我们通过review代码排查流没有关闭的场景时，是看过这段代码的，但当时没有发现什么问题。但从火焰图中看到分配的内存量，总感觉不对劲。这时候忽然想到，能不能从日志中找到什么蛛丝马迹呢？于是开始扒日志，这时，一个broken pipe的异常引起了我的注意：
在这里插入图片描述

这种broken pipe的异常其实蛮常见的，尤其在有一方断开连接时，很容易就出现这种异常。但顺着调用栈往下看，顿时眼前一亮，其中有ZstdOutputStream的调用。流里面的异常那是很容易泄露的，于是进入到ZstdOutputStream.java 178行看代码，发现了zstd-jni 1.3.x版本存在的bug：当ZstdOutputStream关闭流的时候，会尝试把剩余的数据发送出去。但这时候如果连接已经关闭了，它就咯咯了，导致流关闭不掉，jni的内存也释放不掉。
在这里插入图片描述

这个bug，在1.4.4-11版本中就修复了，我们可以看到作者用try-finally捕获了out.write的异常，这样不管zstd依赖的流的状态如何，它最终都会释放自己使用的资源。
在这里插入图片描述

定位到问题之后就好办多了，将zstd-jni的版本升级到1.4.9-5之后的版本，这个问题就不存在了，下面是修复后RSS的情况，可以看到RSS很平稳了：
在这里插入图片描述

三、总结

这个case从开始排查到最终定位到问题，花费了一个星期的时间，成本巨大，回过头看看排查的步骤，貌似也没什么问题，但终究是走了一些弯路：

3.1 忽略了异常信息

如果最开始就重视异常信息的话，那么这个问题可能很早就定位到了。但这个应用自己不是直接责任人，而且在看到broken pipe的时候犯了经验性错误，没有往影响流关闭的角度想，导致方向错误，浪费了大量的时间。

所以，系统中任何的异常，都要重视起来，避免产生更严重的问题。

3.2 jemalloc失效

jemalloc在分析内存持续泄露方面比较方便，但对于非稳定复现的场景，如果采样间隔过久，有可能会导致错过问题点。而如果你将采样间隔调短，又会造成生成大量的dump文件，在用jeprof生成分析报告的时候，可能会导致too many arguments的错误而无法生成分析报告。

3.3 内部工具失效

内部工具，能够把可疑的内存段内容用strings命令查看，某些场景是能够发现蛛丝马迹的，为什么这个case就不行了呢？这里猜测是因为zstd对数据做了压缩，用strings看到的全是乱码，没法发现数据的特征；

综上，问题排查很多时候真的像排雷一样，一个个的去排除。这需要的是耐心和毅力，当你最终定位到问题的时候，那种如释重负的感觉会让自己觉得一切都是值得的。