一：背景 1. 講故事 前幾個月有位朋友找到我，說他們的的web程式沒有響應了，而且監控發現線程數特別高，記憶體也特別大，讓我幫忙看一下怎麼回事，現在回過頭來幾經波折，回味價值太濃了。 二：程式到底經歷了什麼 1. 線上程上找原因 這個程式記憶體高，線程高，無響應，尼瑪是一個複合態問題，那怎麼入手呢？按 ...
一：背景
1. 講故事
前幾個月有位朋友找到我，說他們的的web程式沒有響應了，而且監控發現線程數特別高，記憶體也特別大，讓我幫忙看一下怎麼回事，現在回過頭來幾經波折，回味價值太濃了。
二：程式到底經歷了什麼
1. 線上程上找原因
這個程式記憶體高，線程高，無響應，尼瑪是一個複合態問題，那怎麼入手呢？按經驗推測，大概率是由於高線程數引發的，相信大家都知道每個線程都有自己的棧空間，所以眾人拾柴火焰高，可以用 !address -summary 觀察下線程棧空間。
0:000> !address -summary
--- Usage Summary ---------------- RgnCount ----------- Total Size -------- %ofBusy %ofTotal
Free 329 7df9`d4b93000 ( 125.976 TB) 98.42%
<unknown> 994 205`2ae2e000 ( 2.020 TB) 99.81% 1.58%
Stack 7215 0`e0d00000 ( 3.513 GB) 0.17% 0.00%
Heap 956 0`1695f000 ( 361.371 MB) 0.02% 0.00%
Image 1468 0`07b34000 ( 123.203 MB) 0.01% 0.00%
TEB 2405 0`012ca000 ( 18.789 MB) 0.00% 0.00%
Other 10 0`001d1000 ( 1.816 MB) 0.00% 0.00%
PEB 1 0`00001000 ( 4.000 kB) 0.00% 0.00%
...
--- State Summary ---------------- RgnCount ----------- Total Size -------- %ofBusy %ofTotal
MEM_FREE 329 7df9`d4b93000 ( 125.976 TB) 98.42%
MEM_RESERVE 3132 203`e925c000 ( 2.015 TB) 99.56% 1.57%
MEM_COMMIT 9917 2`42201000 ( 9.033 GB) 0.44% 0.01%
從卦中可以清晰的看到，提交記憶體是9G，同時Stack吃掉了3.5G，一般來說 Stack 不會有這麼大，所以此事必有妖，在 TEB 中可以看到線程數高達 2405 個，這個確實不少哈，可以用 !t 做一個驗證。
0:000> !t
ThreadCount: 2423
UnstartedThread: 0
BackgroundThread: 2388
PendingThread: 0
DeadThread: 34
Hosted Runtime: no
Lock
DBG ID OSID ThreadOBJ State GC Mode GC Alloc Context Domain Count Apt Exception
0 1 3344 00000032972B2D90 202a020 Preemptive 0000000000000000:0000000000000000 0000003297125a30 -00001 MTA
11 2 1d28 00000037A43B9140 2b220 Preemptive 000000364BC5AD90:000000364BC5C328 0000003297125a30 -00001 MTA (Finalizer)
12 5 2a00 00000037A52BF4D0 102a220 Preemptive 00000036527EBDE8:00000036527EDD90 0000003297125a30 -00001 MTA (Threadpool Worker)
13 7 3168 00000037A52C1B40 302b220 Preemptive 00000034D1136688:00000034D1137FD0 0000003297125a30 -00001 MTA (Threadpool Worker)
15 14 13b8 00000037A542EA50 202b220 Preemptive 00000036527EBCA8:00000036527EBD90 0000003297125a30 -00001 MTA
...
有了這個入口點，接下來觀察每一個線程的線程棧，使用 ~*e !clrstack發現有大量的線程在 PostMethod 方法中的 Task.Result 上等待，看樣子是在做網路請求，這裡做了一下提前截斷，截圖如下：
由於是知名券商，這裡就儘量模糊了哈。。。請見諒，知道了在 Task.Result 上，一下子就開心起來了，自此也被誤入歧途。。。。
2. 誤入歧途
- 是上下文導致的嗎？
過往經驗告訴我，很多時候的 Task.Result 卡死是因為上下文的關係所致，所以重點看下是不是 Asp.NET 的程式，使用 !eeversion 觀察便知。
0:000> !eeversion
6.0.422.16404 free
6,0,422,16404 @Commit: be98e88c760526452df94ef452fff4602fb5bded
Server mode with 8 gc heaps
SOS Version: 7.0.8.30602 retail build
從卦中數據看當前是 .net6 寫的程式，就不存在上下文一說了，這個情況可以排除，只能繼續尋找其他突破口。。。
- 下游處理過慢導致的嗎？
是不是下游處理過慢，一個突破點就是觀察下 線程池隊列 是不是有任務積壓，這個可以用 !tp 觀察下隊列即可。
從卦中數據看當前隊列無任何積壓，說明也不是下游處理過慢導致的，我去，太難了。。。
- 代理或者伺服器有問題嗎？
既然無上下文，無積壓，接下來只能懷疑是不是server方有問題或者用了什麼代理軟體？要想找這個信息，需要用 !dso 觀察線程棧中的對象。
0:000> ~34s
ntdll!NtWaitForMultipleObjects+0xa:
00007ffe`115c0cba c3 ret
0:034> !dso
OS Thread Id: 0x1ef4 (34)
RSP/REG Object Name
00000037B56AC688 000000351f9e4918 System.Threading.Thread
00000037B56AC700 0000003317bb6160 System.Net.Http.DiagnosticsHandler
00000037B56AC708 000000351f9e4918 System.Threading.Thread
00000037B56AC748 0000003617b743c8 System.Net.Http.HttpWindowsProxy
...
00000037B56AD0D0 00000034c8283750 System.String http://xxx/Article/xxx
00000037B56ACF30 0000003317bb5ad8 System.Net.Http.HttpClient
...
看了下卦中的請求地址：http://xxx/Article/xxx， 同時在 HttpWindowsProxy 和 HttpClient 中也沒有看到所謂的代理IP，這就陷入了迷茫。
事已至此，只能懷疑是網路的問題，讓朋友在程式卡死的那個期間段用 wireshark 或者 tcpdump 去抓下包，看看是不是網路出了問題，tcp握手揮手怎麼樣，事情也就這樣不了了之了。
3. 迷途知返
前些天在給訓練營的朋友準備課件時，優化了一個例子來演示 線程池隊列 的堆積情況，結果意外發現 sos 吐出來的數據是假的，尼媽，如夢初醒，分析dump已經夠難了，為什麼 sos 還要欺騙我，天真的塌下來了。。。
其實在分析 .net core 的dump時，每每發現線程池隊列都是 0 ，雖然有一絲奇怪，但也不敢懷疑sos吐出來的數據權威性。
既然 sos 吐出來的數據是假的，只能自己去線程池中把隊列挖出來，即 ThreadPoolWorkQueue.workItems 欄位，如下所示：
0:034> !DumpObj /d 0000003517b9c1c0
Name: System.Threading.ThreadPoolWorkQueue
MethodTable: 00007ffd8416d260
EEClass: 00007ffd84196ab8
Tracked Type: false
Size: 168(0xa8) bytes
File: C:\Program Files\dotnet\shared\Microsoft.NETCore.App\6.0.4\System.Private.CoreLib.dll
Fields:
MT Field Offset Type VT Attr Value Name
00007ffd83ddbf28 4000c61 18 System.Boolean 1 instance 0 loggingEnabled
00007ffd83ddbf28 4000c62 19 System.Boolean 1 instance 0 _dispatchTimeSensitiveWorkFirst
00007ffd8416dc78 4000c63 8 ...Private.CoreLib]] 0 instance 0000003517b9c268 workItems
00007ffd8416e458 4000c64 10 ...Private.CoreLib]] 0 instance 0000003517b9eea0 timeSensitiveWorkQueue
00007ffd8416d1f0 4000c65 20 ...acheLineSeparated 1 instance 0000003517b9c1e0 _separated
...
0:034> !ext dcq 0000003517b9c268
System.Collections.Concurrent.ConcurrentQueue<System.Object>
1 - dumpobj 0x00000032c93b7ce0
2 - dumpobj 0x00000032c93b8ae8
3 - dumpobj 0x00000032c93b98d8
...
54346 - dumpobj 0x00000034d12fb2e8
54347 - dumpobj 0x0000003652805b40
---------------------------------------------
54347 items
從卦中數據看當前線程池堆積了 5.3w 的任務，很顯然是屬於第二種情況，即下游處理不及，既然處理不急，是不是遇到了什麼高峰期呢？這個可以用 .time 觀察下當前時段。
從卦中數據看，看樣子是快到 收盤時間 了，結合今年的大盤形式，看樣子是出現了暴跌，股民們在發泄情緒，哈哈。。。
找到了問題的根，解決方案就比較多了。
-
做 PostMethod 請求的非同步化，不要用 Result 去硬等待。
-
儘量做批量化提交，降低請求介面的單次時間。
三：總結
這次生產事故的分析峰迴路轉，本來是一個很容易就能定位出的問題，可我認為權威的sos居然吐出了假數據欺騙了我，讓我誤入歧途，浪費了很多的人力物力，真的很無語。。。再也不相信 sos 了！
