线上问题处理案例：出乎意料的数据库连接池

导读

本文是线上问题处理案例系列之一，旨在通过真实案例向读者介绍发现问题、定位问题、解决问题的方法。本文讲述了从垃圾回收耗时过长的表象，逐步定位到数据库连接池保活问题的全过程，并对其中用到的一些知识点进行了总结。
一、问题描述

大促期间，某接口超时次数增多，经排查直接原因是GC耗时过长，查看监控FullGC达500ms以上，接口超时时间与FullGC发生时间吻合。

图1 FullGC耗时监控
二、应用基本情况

• 容器：8C12G；
  
• JVM配置：-XX:+UseConcMarkSweepGC -Xms6144m -Xmx6144m -Xmn2048m -XX:ParallelGCThreads=8 -XX:+UseCMSInitiatingOccupancyOnly -XX:CMSInitiatingOccupancyFraction=70 -XX:+ParallelRefProcEnabled；
  
• 数据库类型：MySQL；
  
• 数据库连接池：DBCP；
  

三、排查过程

1、 GC耗时过长，说明内存中垃圾对象很多。
2、 首先怀疑是否有内存泄漏，观察FullGC后堆内存回收情况，尚属正常，暂时排除内存泄漏原因。

图2 发生FullGC后堆内存回收监控
3、 推断FullGC耗时过长是否因为老年代有大量死亡对象，遂导出FullGC前后堆内存dump，通过比对“保留大小”，发现FullGC后大量数据库相关对象被回收。

图3 堆内存对象分析
4、 数据库连接正常应该不会频繁创建和断开，进入老年代后，正常不应该被回收，通过堆dump内容OQL分析每个数据库连接数量，发现很多库连接数都大于“maxActive”数量，可以肯定有很多失效连接。
5、 初步判断直接原因是很多失效数据库连接进入老年代，导致FullGC耗时过长。
6、 怀疑连接池验证周期过长，导致数据库因空闲过长关闭连接，将连接池参数“
timeBetweenEvictionRunsMillis”由1分钟调整到10秒，问题依旧。
7、 阅读DBCP源码，发现是通过
org.apache.commons.pool.impl.GenericObjectPool.Evictor定时任务，按照timeBetweenEvictionRunsMillis配置的周期定时驱逐失效连接，驱逐条件：若连接空闲时间大于“minEvictableIdleTimeMillis”，则会驱逐连接，等待垃圾回收。若开启“testWhileIdle”则会执行“validationQuery”。进一步阅读代码，发现执行“validationQuery”后，连接空闲时间并不会重新计算，导致连接在业务低谷时很容易被淘汰，而数据库连接会关联大量对象，创建、回收成本昂贵，并且影响GC。
8、 反向思考，为何只有在大促期间才发生问题？

图4 平时和大促时回收频率对比
可以看到平时由于业务量小，GC不频繁，过期连接没有达到进入老年代阈值，在年轻代被回收。而大促时业务量大，GC频繁，连接在进入老年代以后才过期，导致老年代FullGC时间过长。
9、 至此，基本可以肯定问题原因是数据库连接池不具备“保活”能力，导致连接不断淘汰和新建，在业务高峰时段，连接进入老年代然后失效，造成FullGC耗时过长，最终导致接口超时次数增多。
四、解决方案

方案1：改为G1回收器，对老年代回收是分块进行，可以防止长时间停顿。另外默认MaxTenuringThreshold值是15，可以防止失效连接过早进入老年代；
方案2：
minEvictableIdleTimeMillis设置为0，使数据库连接不会自动失效，进入老年代以后一直存活，避免在老年代失效回收；
五、问题总结

数据库连接池并不具备通常理解的“保活”能力，数据库连接在业务不活跃的应用中，会不断淘汰和重连，而连接会通过虚引用方式（
com.mysql.jdbc.NonRegisteringDriver$ConnectionPhantomReference）携带大量对象，如果连接存活时间内YGC次数达到寿命阈值，则会进入老年代，老年代是使用“标记-清除”算法，回收成本更高，进而造成FullGC耗时过长。
六、拓展知识点

1、 Druid连接池同样存在不能“保活”问题，较新版本提供“KeepAlive”选项（未验证）；
2、 Druid连接池配置的“validationQuery”语句通常并不会被执行，MySqlValidConnectionChecker在检查连接有效性时，会判断驱动是否实现pingInternal方法，如果实现则会通过此方法验证有效性。MySQL的JDBC驱动实现了该方法，因此“validationQuery”配置的语句通常不会执行；

图5 连接有效性校验代码
3、 DBCP和Druid连接池默认都是FILO，如果业务不繁忙，会导致只有最前边的连接被使用-归还-使用，后边连接基本都在无谓的驱逐、重建连接；
4、 虚引用对GC的影响：这些引用只有经过两次GC才能被回收掉，如果进入老年代，则必须经过两次FullGC才能释放内存。本例中由于不断有新的虚引用对象在老年代失效，导致FullGC后，内存水位仍然偏高，会加剧GC压力。新版本JVM已对此做了优化，一次GC可以回收掉；
5、 类似的影响还有finalize方法；
6、 CMS回收器默认MaxTenuringThreshold为6，而ParallelGC和G1均默认15；
结语

本文对数据库连接失效引起的GC问题进行了详细分析，希望读者通过本文对数据库连接“保活”机制、GC问题基本分析方法有所收益，后续该系列文章会继续推出其他案例分享。

作者：京东零售 王利辉