【雨夜】一次nacos 导致的 CPU 飙高问题

墨蓝 2023-10-03 21:34 61阅读 0赞

今天下午突然 出现 测试环境 cpu飙高，干到了 60%，其他项目 响应时间明显变长。。。有点吓人，不想背锅

## 项目背景 ##

出问题的项目是 需要连接各个不同nacos 和不同的 namespace 进行对应操作的 一个项目，对nacos的操作都是httpClient 调用的api接口，**httpClient方法 没有问题，不用质疑这个**

## 定位问题 ##

首先 这 cpu高了，直接top -Hp 看看

定位到 进程id，然后 执行 jstack 进程id -> 1.txt

看到堆栈信息 ，下面提示信息有很多

"com.alibaba.nacos.client.config.security.updater" #2269 daemon prio=5 os_prio=0 tid=0x00007fa3ec401800 nid=0x8d85 waiting on condition [0x00007fa314396000]
       java.lang.Thread.State: TIMED_WAITING (parking)
            at sun.misc.Unsafe.park(Native Method)
            - parking to wait for  <0x00000000f7f3eae0> (a java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject)
            at java.util.concurrent.locks.LockSupport.parkNanos(LockSupport.java:215)
            at java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject.awaitNanos(AbstractQueuedSynchronizer.java:2078)
            at java.util.concurrent.ScheduledThreadPoolExecutor$DelayedWorkQueue.take(ScheduledThreadPoolExecutor.java:1093)
            at java.util.concurrent.ScheduledThreadPoolExecutor$DelayedWorkQueue.take(ScheduledThreadPoolExecutor.java:809)
            at java.util.concurrent.ThreadPoolExecutor.getTask(ThreadPoolExecutor.java:1074)
            at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1134)
            at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
            at java.lang.Thread.run(Thread.java:748)
    复制代码

但是上面这个提示信息 显示 是 线程内部的，而且是nacos client 内部的

![format_png][]

你这么搞，让我很难受啊，我都是http 调用的，当时就是为了 防止开启无用的线程，这。。。。。**怎么**

那我去 根据你的关键字找找 是哪里打印的，**关键字 com.alibaba.nacos.client.config.security.updater**

ServerHttpAgent 类的方法

// init executorService
    this.executorService = new ScheduledThreadPoolExecutor(1, new ThreadFactory() {
        @Override
        public Thread newThread(Runnable r) {
            Thread t = new Thread(r);
            t.setName("com.alibaba.nacos.client.config.security.updater");
            t.setDaemon(true);
            return t;
        }
    });
    复制代码

这是构造方法啊，应该只初始化一次的啊，往上debug，我靠，NacosConfigService 类中调用了，**debug 看什么时候调用了 不就行了嘛**

项目初始化的时候 调用了一次，业务系统依赖nacos嘛，ok 可以理解

再就是漫长的等待,30s后 发现又是一次调用，我去，怎么可能。。。

往回debug，代码如下

scheduler.schedule("定时校对灰度nacos 配置", () -> loadGrayConfig(grayFileName),
        1800, 1800, TimeUnit.SECONDS);
    复制代码

/**
     * 灰度配置更新 解决 网络隔离的问题
     *
     * @param grayFileName 灰度文件的名称
     */
    private void loadGrayConfig(String grayFileName) {
        synchronized (this) {
            System.err.println("loadGrayConfig datetime: " + DateUtils.formatDate(new Date()));
            //刷一次 缓存 重新获取nacos 内容 赋值
            grayConfigManager.loadNoCache(grayFileName);
        }
    }
    复制代码

![format_png 1][]

等会，难道 小丑是我。。。。

![format_png 2][]

这当时是为了灰度功能，定时数据校验用的 用了一个线程池，当时以为用了线程池 妥妥的。。。还特意调用的 Nocache 方法，让他创建新的nacos Config对象，做数据校对

**但是每调用一次 NacosFactory.createConfigService(properties) ，nacos config 构造器就会开一个线程，就导致了这个问题**

### 这里可能你要问了 你说 为了防止网络隔离 才加的这个调度任务，什么是网络隔离啊？ ###

![format_png 3][]

我刚开始听说这个概念是 当时学习 Raft

假设一个Raft集群拥有三个节点，其中节点3的**网络被隔离**，那么按照**BasicRaft**的实现，集群会有以下动作：

*  节点3由于网络被隔离，收不到来自Leader的Heartbeat和AppendEntries，所以节点3会进入选举过程，当然选举过程也是收不到投票的，所以节点3会反复超时选举；节点3的Term就会一直增大
 *  节点1与节点2会正常工作，并停留在当时的Term

网络恢复之后，Leader给节点3发送RPC的时候，节点3会拒绝这些RPC理由是发送方任期太小。

Leader收到节点3发送的拒绝后，会增大自己的Term，然后变成Follower。

随后，集群开始新的选举，大概率原本的Leader会成为新一轮的Leader。

### 那么网络隔离 Raft是怎么解决的呢？ ###

多轮投票的安全问题是棘手的，必须避免同一高度不同轮数分别提交两个不同区块的情形。在Tendermint中，这个问题可以通过锁机制（locking mechanism）得到解决。

锁定规则： **预投票锁（Prevote-the-Lock）**：

验证者只能**预投票(pre-vote)** 他们被锁定的区块。这样就阻止验证者在上一轮中预提交(pre-commit)一个区块，之后又预投票了下一轮的另一个区块。

· 波尔卡解锁（Unlock-on-Polka ）：验证者只有在看到更高一轮（相对于其当前被锁定区块的轮数）的波尔卡之后才能释放该锁。这样就允许验证者解锁，如果他们预提交了某个区块，但是这个区块网络的剩余节点不想提交，这样就保护了整个网络的运转，并且这样做并没有损害网络安全性。

**解决方案是把term替换成(term, nodeid),并且按照字典序比较大小(a > b === a.term > b.term || a.term == b.term && a.nodeid > b. node\_id). 这是paxos里的做法, 保证不会出现raft里的冲突.**

原理是, raft对voting的阶段有2个值来描述: term和当前投了哪个node\_id, 即\[term, nodeid\], 由于raft不允许一个term vote2个不同的不同的node, 也就是说, vote\_req.term > local.term && vote\_req.nodeid == local.nodeid 才会grant这个vote请求.

把term替换成(term,nodeid)后, vote阶段的大小比较变成了: vote\_req.term > local.term || vote\_req.term == local.term && vote\_req.nodeid >= local.nodeid, 条件边宽松了. 同一个term内, 较大nodeid的可以抢走较小nodeid 已经建立的leader.

而日志中原本记录的term也需要将其替换成(term, node\_id), 因为这两项加起来才能唯一确定一个leader. 之前raft里只需一个term就可以唯一确定一个leader.

vote中比较最大log id相应的,从比较tuple (term, index) 改成比较tuple (term, node\_id, index).

就这么点修改.

**总结下来就是 按照字典排序 和 预投票锁 保证 当多个 term 相同的 candidate 相遇后，肯定会有一个 获得多数派投票**

## 想法 ##

我们如果出现 异常的网络隔离情况再回来，可能导致 数据的不一致，但是上面的 解决办法 因为 比较重，不适合我们，我们就单纯 引入 **定时校对的调度任务 进行比较（和 对账一样）**

## 修复 ##

我对nacos config 连接进行 遍历查找 是否存活，不存活 我就shutdown，然后生成一个新的，而不是这种全部生成一边，毕竟人家 构造器开了线程。。。。

说回来还是因为 我当时自信了，没往这个调用下面看，在子类中 写的开线程 哈哈，行吧，改改 ，跑到测试环境 看看效果（CPU）

![format_png 4][]

嗯嗯 稳定了，明天再看看，应该没问题了

## 彩蛋 ##

好像 测试环境响应时间 变长，和我没关系。。。。是别人压测呢，把带宽吃了。。。。。**看透不说透**

![format_png 5][]

[format_png]: https://img-blog.csdnimg.cn/img_convert/3cc831336800d25259c4ba50a2e5a377.webp?x-oss-process=image/format,png
[format_png 1]: https://img-blog.csdnimg.cn/img_convert/df9d58e3bf7ab4e66c040a6474137a19.webp?x-oss-process=image/format,png
[format_png 2]: https://img-blog.csdnimg.cn/img_convert/f688793ac324661a1407869beef7b0b5.webp?x-oss-process=image/format,png
[format_png 3]: https://img-blog.csdnimg.cn/img_convert/cdc323fe31198e4d10af085a279cf3cf.webp?x-oss-process=image/format,png
[format_png 4]: https://img-blog.csdnimg.cn/img_convert/41566f744dc53e79ed8797032e906cab.webp?x-oss-process=image/format,png
[format_png 5]: https://img-blog.csdnimg.cn/img_convert/63ea82973e1148b560af9f4151ffb878.webp?x-oss-process=image/format,png