我的程序跑了 60 多小时，就是为了让你看一眼 JDK 的 BUG 导致的内存泄漏
來源 |?why技術
荒腔走板
大家好，我是 why，老規矩，先來一個簡短的荒腔走板，給冰冷的技術文注入一絲色彩。
上面圖片中這個正在奔跑的少年，是正在參加校運會的我，那一年我 18 歲，高三。
參加的項目是 3000 米長跑，那個時候長跑一向是大家都不喜歡的運動，但是我喜歡。
我是從小鄉村出來的，小學、初中的時候操場就是用煤渣加泥土鋪成的一圈僅 200 米的跑道。
在那個 200 米的跑道上，我從小學跑到初中，跑了不知道多少公里。
初中的時候參加了學校長跑隊的集訓。有一天集訓完成之后，體育老師給我們說：
你們一定要刻苦訓練，將來要到城里面去讀書。你們知道嗎？城里面的跑道一圈是 400 米，還是用塑膠鋪成的跑道，跑上去不知道比這個煤渣舒服多少倍。我知道長跑很痛苦，但是如果你真的喜歡它，你就得享受這個痛苦的過程。不要放棄，特別是在最后沖刺階段。因為，如果你不拼盡全力，等你到終點之后你總是會覺得自己能再快一點，可惜比賽已經結束了。
后來，我退出了集訓隊，但是老師的話我一直記得。
我也如愿進入了城里讀高中，見到了傳說中的“塑膠跑道”。還參加了開在塑膠跑道上的運動會。
前段時間我翻到這張照片的時候，我就想起了初中集訓的一些點滴記憶，也想起了老師的話：享受痛苦，咬牙堅持，無愧結果。
這周，今年的高考也結束了。
其實這個道理放在高考，和高考之后的人生會面臨的更多更復雜的挑戰面前都可以。
人生嘛，無非就是：奔跑，跌倒，奔跑。
奔跑吧，驕傲的少年。前面有更多的機會和更難的挑戰在等著你。
好了，說回文章。
從一個BUG說起
前段時間翻到了一個 JDK 有點意思的 BUG，帶大家一起瞅瞅。
https://bugs.java.com/bugdatabase/view_bug.do?bug_id=8137185
memory leak，內存泄漏。
是誰導致的內存泄漏呢？
ConcurrentLinkedQueue，這個隊列。
這個 BUG 里面說，在 jetty 項目里面也爆出了這個 BUG：
我看了一下，覺得 jetty 的這個寫的挺有意思的。
我按照 jetty 的這個講吧，反正都是同一個 JDK BUG 導致的。地址如下：
https://bugs.eclipse.org/bugs/show_bug.cgi?id=477817
我用我八級半的蹩腳英語給大家翻譯一下這個叫做 max 的同學說了些什么。
他說：在 Java 項目里面，錯誤的使用 ConcurrentLinkedQueue（文章后面用縮寫 CLQ 代替）會導致內存泄漏的問題。
在 jetty 的 QueuedThreadPool 這個線程池里面，使用了 CLQ 這個隊列，它會導致內存緩慢增長，最終引發內存泄漏。
雖然 QueuedThreadPool 僅僅使用了這個隊列的 add 方法和 remove 方法。但不幸的是，remove 方法不會把隊列的大小變小，只會使隊列里面被刪除的 node 為空。因此，該列表將增長到無窮大。
然后他給了一個附件，附件里面是一段程序，可以演示這個問題。
我們先不看他的程序，后面我們統一演示這個問題。
先給大家看一下 jetty 的 QueuedThreadPool 線程池。
看哪個版本的 jetty 呢？
可以看到這個 BUG 是在 2015 年 9 月 18 日被爆出來的。所以，我們找一個這個日期之前的版本就行。
于是我找了一個 2015 年 9 月 3 日發布的? maven 版本：
在這個版本里面的 QueuedThreadPool 是這樣的：
可以看到，它確實使用了 CLQ 隊列。
而從這個對象所有被調用的地方來看，jetty 只使用了這個隊列的 size、add、remove(obj) 方法：
和前面 max 同學描述的一致。
然后這個 max 同學給了幾張圖片，來佐證他的論點：
主要關注我框起來的地方，就是說他展示了一張圖片。可以從這圖片中看出內存泄漏的問題，而這個圖片的來源是他們真實的項目。
這個項目已經運行了大約兩天，每五分鐘就會有一個 web 請求過來。
下面是他給出的圖片：
從他的這個圖片中，我就只看出了 CLQ 的 node 很多。
但是他說了，他這個項目請求量并不大，用的 jetty 框架也不應該創建這么多的 node 出來。
好了，我們前面分析了 max 同學說的這個問題，接下來就是大佬出場，來解惑了：
我們先不看回答，先看看回答問題的人是誰。?
Greg Wilkins，何許人也？
我找到了他的領英地址：
https://www.linkedin.com/in/gregwilkins/?originalSubdomain=au
jetty 項目的領導者，短短的幾個單詞，就足以讓你直呼牛逼。
高端的食材，往往只需要最簡單的烹飪。高端的人才，往往只需要寥寥數語的介紹。
大佬的簡歷就是這么樸實無華，且枯燥。
而且，你看這個頭像。哎，酸了酸了。果然再次印證了這句話：變禿了，也變強了，并不適用于外國的神仙。
好了，我們看一下這個 jetty 項目的領導者是怎么回答這個問題的：
首先他用 stupefied 表示了非常的震驚！然后，用到了 Ouch 語氣詞。相當于我們常說的：
他說：臥槽，我發現它不僅導致內存泄漏，而且會隨著時間的推移，導致隊列越來越慢。太TM震驚了。
這個問題一定會對使用大量線程的服務器產生影響......希望不是所有的服務器都會有影響。
但不管是不是所有的服務器都有這個問題，只要出現了這個問題，對于某些服務器來說，它一定是一個非常嚴重的 BUG。
然后他說了一個 Great catch！我理解這是一個語氣助詞。就類似于：太牛逼了。
這個不好翻譯，我貼一個例句，大家自己去體會一下吧：
我也是沒想到，在技術文里面還給大家教起了英文。
最后他說：我正在修復這個問題。
然后，在 7 分 37 秒之后， Greg 又回復了一次：
可以看出，過了快 8 分鐘，他還在持續震驚。我懷疑這 8 分鐘里面他一直在搖頭。
他說：我還在為這個 BUG 搖頭，它怎么這么久都沒被發現呢！對于 jetty 來說修復起來非常的簡單，使用 set 結構代替 queue 隊列即可實現一樣的效果。
那我們看一下修復之后的 jetty 中的 QueuedThreadPool 是怎樣的，這里我用的是 2015 年 10 月 6 日發布的一個包，也就是這個 BUG 爆出之后的最近的一個包：
里面對應的代碼是這樣的：
簡單粗暴的用 CurrentHashSet 代替了 CLQ。
因為這個 BUG 在 JDK 中是已經修復了，出于好奇，我想看看 CLQ 還有沒有機會重新站出來。
于是我看了一下今年發布的最新版本里面的代碼：
既不是用的 CurrentHashSet ，也沒有給 CLQ 機會。
而是 JDK 8 的 ConcurrentHashMap 里面的 newKeySet 方法，C 位出道：
這是一個小小的 jetty 線程池的演變過程。恭喜你，又學到了一個基本上不會用到的知識點。
回到 Greg 的回復中，這次的回復里面，他還給了一個修復的演示實例，下一小節我會針對這個實例進行解讀。
在 23 分鐘之后，他就提交代碼修復完成了。
從第一次回復帖子，到定位問題，再到提交代碼，用了 30 分鐘的時間。
然后在凌晨 2 點 57 分（這個時間點，大佬都是不用睡覺的嗎？還是說剛修完福報，下班了）， max 回復到：
我不敢相信 CLQ 使用起來會有這樣的問題，他們至少應該在 API 文檔里面說明一下。
這里的他們，應該指的是 JDK 團隊的成員，特指 Doug Lea，畢竟是他老爺子的作品。
為什么沒有在 API 文檔里面說明呢？
因為他們自己也不知道有這個 BUG 啊。
Greg 連著回復了兩條，并且直接指出了解決方案：
問題的原因是 remove 方法的源碼里面，有上圖中標號為 ① 的這樣一行代碼。
這行代碼會去取消被移除的這個 node （其值已經被替換為 null）和 list 之間的鏈接，然后可以讓 GC 回收這個 node。
但是，當集合里面只有一個元素的時候， next != null 這個判斷是不成立的。
所以就會出現這個需要移除的節點已經被置為 null 了，但卻沒有取消和隊列之間的連接，導致 GC 線程不會回收這個節點。
他給出的解決方案也很簡單，就是標號為②、③的地方。總之，只需要讓代碼執行 pred.casNext 方法就行。
總之一句話，導致內存泄漏的原因是一個被置為 null 的 node，由于代碼問題，導致該 node 節點，既不會被使用，也不會被 GC 回收掉。
如果你還沒理解到這個 BUG 的原因，說明你對 CLQ 這個隊列的結構還不太清晰。
那么我建議你讀一下《Java并發編程的藝術》這一本書，里面有一小節專門講這個隊列的，圖文并茂，寫的還是非常清晰。
這個 BUG 在 jetty 里面的來龍去脈算是說清楚了。
然后，我們再回到 JDK BUG 的這個鏈接中去：
他這里寫的原因就是我前面說的原因，沒有 unlink，所以不能被回收。
而且他說到：這個 BUG 在最新的JDK 7、8和9版本中都存在。
他說的最新是指截止這個 BUG 被提出來之前：
Demo跑起來
這一小節里面，我們跑一下 Greg 給的那個修復 Demo，親手去摸一下這個 BUG 的樣子。
https://bugs.eclipse.org/bugs/attachment.cgi?id=256704
你可以打開上面那個鏈接，直接復制粘貼到你的 IDEA 里面去：
注意第 13 行，因為 Greg 給的是修復 Demo，所以用的是 ConcurrentHashSet，由于我們要演示這個bug，所以使用 CLQ。
這個 Demo 就是在死循環里面調用 queue 的 add(obj) 和 remove(obj) 方法。每循環 10000 次，就打印出時間間隔、隊列大小、最大內存、剩余內存、總內存的值。
最終運行起來的效果是這樣的（JDK 版本是 1.7.0_71）：
可以看到每次打印 duration 這個時間間隔是越來越大，隊列大小始終為 1。
后面三個內存相關的參數可以先不關心，下一小節我們用圖形化工具來看。
你知道上面這個程序，到我寫文章寫到這里的時候，我跑了多久了嗎？
61 小時 32 分 53 秒。
最新一次循環 10000 次所需要的時間間隔是 575615ms，快接近 10?分鐘：
這就是 Greg 說的：不僅僅是內存泄漏，而且越來越慢。
但是，同樣的程序，我用 JDK 1.8.0_212 版本跑的時候情況卻是這樣的：
時間間隔很穩定，不會隨著時間的推移而增加。
說明這個版本是修復了這個 BUG 的，我帶大家看看源碼：
JDK 1.8.0_212 版本的源碼里面，在 CLQ 的 remove(obj) 方法的 502 行末尾注釋了一個 unlink。
官方的修復方法可以看這里：
http://hg.openjdk.java.net/jdk8u/jdk8u-dev/jdk/rev/8efe549f3c87
改動比較多，但是原理還是和之前分析的一樣：
我僅僅在兩個 JDK 版本中跑過示例代碼。
在 JDK 1.8.0_212 沒有發現內存泄漏的問題，我看了對應的 remove(obj)?方法的源碼確實是修復了。
在 JDK 1.7.0_71 中可以看到內存泄漏的問題。
unlink，一個簡簡單單的詞，背后原來藏了這么多故事。
jconsole、VisualVM、jmc
既然都說到內存泄漏了，那必須得介紹幾個可視化的故障排除工具。
前面說了，這個程序跑了 61 個小時了，給大家看一下這個時間段里面堆內存的使用情況：
可以看到整個堆內存的使用量是一個明顯的、緩慢的上升趨勢。
上面這個圖就是來自 jconsole。
結合程序，通過圖片我們可以分析出，這種情況一定是內存泄漏了，這是一個非常經典的內存泄漏的走勢。
接下來，我們再看一下 jmc 的監控情況：
上面展示的是已經使用的堆內存的大小，走勢和 jconsole 的走勢一樣。
然后再看看 VisualVM 的圖：
VisualVM 的圖，我不知道怎么看整個運行了 60?多小時的走勢圖，但是從上面的圖也是能看出是有上升趨勢的。
在 VisualVM 里面，我們可以直接 Dump 堆，然后進行分析：
可以清楚的看到， CLQ 的 Node 的大小占據了 94.2%。
但是，從我們的程序來看，我們根本就沒有用到這么多 Node。我們只是用了一個而已。
你說，這不是內存泄漏是什么。
內存泄漏最終會導致 OOM。
所以當發生 OOM 的時候，我們需要分析是不是有內存泄漏。也就是看內存里面的對象到底應不應該存活，如果都應該存活那就不是內存泄漏，是內存不足了。需要檢查一下 JVM 的參數配置（-Xmx/-Xms），根據機器內存情況，判斷是否還能再調大一點。
同時，也需要檢查一下代碼，是否存在生命周期過程的對象，是否有數據結構使用不合理的地方，盡量減少程序運行期的內存消耗。
我們可以通過把堆內存設置的小一點，來模擬一下內存泄漏導致的 OOM。
還是用之前的測試案例，但是我們指定 -Xmx 為 20m，即最大可用的堆大小為 20m。
然后把代碼跑起來，同時通過 VisualVM 、jconsole、jmc 這三個工具監控起來，為了我們有足夠的時候準備好檢測工具，我在第 8 行加入休眠代碼，其他的代碼和之前的一樣：
加入 -Xmx20m 參數：
運行起來之后，我們同時通過工具來查看內存變化，下面三個圖從上到下的工具分別是 VisualVM、jconsole、jmc：
從圖片的走勢來看，和我們之前分析的是一樣的，內存一直在增長。
程序運行 19 分 06 秒后，發生 OOM 異常：
那正常的走勢圖應該是怎么樣的呢？
我們在 JDK 1.8.0_121 版本中（已經修復了 remove 方法），用相同的 JVM 參數（-Xmx20m）再跑一下：
首先從上面的日志中可以看出，時間間隔并沒有遞增，程序運行的非常的快。
然后用 VisualVM 檢測內存，同樣跑 19 分鐘后截圖如下：
可以看到堆內存的使用量并沒有隨著時間的推移而越來越高。但是還是有非常頻繁的 GC 操作。
這個不難理解，因為 CLQ 的數據結構用的是鏈表。而鏈表又是由不同的 node 節點組成。
由于調用 remove 方法后，node 節點具備被回收的條件，所以頻繁的調用 remove 方法對節點進行刪除，會觸發 JVM 的 min GC。
這種 JDK BUG 導致的內存泄漏其實挺讓人崩潰的。首先你第一次感知到它是因為程序發生了 OOM。
也許你會先無腦的加大堆內存空間，恰好你的程序運行了一周之后又要上線了，所以涉及到重啟應用。
然后很長一段時間內沒有發生 OOM 了。你就想這個問題可能解決了。
但是它還是在繼續發生著，很可能由于節假日前后不能上線，比如國慶七天，加上前后幾天，大概有半個月的樣子應用沒有上線，所以沒有重啟，程序越來越慢，最終導致第二次 OOM 的出現。
這個時候，你覺得可能不是內存溢出這么簡單了。
會不會是內存泄漏了？
然后你再次重啟。這次重啟之后，你開始時不時的 Dump 一下內存，拿出來分析分析。
突然發現，這個 node 怎么這么多呢？
最終，找到這個問題的原因。
原來是 JDK 的 BUG。
你就會發出和 Greg 一樣的感嘆：臥槽，震驚，這么牛皮！？
我這個運行了 60 多小時的程序到現在堆內存使用了 233m，但是我整個堆的大小是接近 2G。
通過 jmc 同時展示堆的整體大小和已經使用的堆大小你可以發現，距離內存泄漏可以說是道阻且長了：
我粗略的算了一下，這個程序大概還得運行 475 個小時左右，也就是 19 天之后才會出現由于內存泄漏，導致的 OOM。
我會盡量跑下去，但是聽到我電腦嗡嗡嗡的風扇聲，我不知道它還能不能頂得住。
如果它頂住了，我在后面的文章里面通知大家。
好了，圖形化工具這一小節就到這里了。
我們只是展示了它們非常小的一個功能，合理的使用它們常常能達到事半功倍的作用。
如果你不太了解它們的功能，建議你看看《深入理解JVM虛擬機（第3版）》，里面有一章節專門講這幾個工具的。
最后說一句，
這是我昨天晚上寫文章的時候拍的 ，女朋友說一眼望去感覺我是一個盯盤的人，在看股票走勢圖，這只股票太牛逼了。
要是股市的總體走勢也像內存泄露那么單純而直接就好了。
只要在 OOM 之前落袋為安就行。可惜有的人就是在 OOM 的前一刻滿倉殺入，真是個悲傷的故事。
推薦閱讀
僅用2年過渡到自研ARM芯片，蘋果的底氣從何而來？
開源巨頭 SUSE 收購 Rancher Labs，云原生時代來臨
國內廠商 Onyx 違反 GPL 協議，中國開源何去何從？
天上地下，馬斯克和貝佐斯終有一戰？
空間-角度信息交互用于光場圖像超分辨重構，性能達到最新SOTA | ECCV 2020
贈書 | DeFi沉思錄：歷史、中國與未來
總結
以上是生活随笔為你收集整理的我的程序跑了 60 多小时，就是为了让你看一眼 JDK 的 BUG 导致的内存泄漏的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 开源巨头 SUSE 收购 Rancher
- 下一篇： CSDN鸿蒙社区福利：HarmonyOS