CPU占用率过高导致系统登录不上问题分析

又是一个百无聊赖的早晨，我在快乐地摸鱼，工作群响了：离线系统登录不上了。我第一反应是不科学啊，系统已经很久改动过了...赶紧上生产环境看看，CPU高达1200%。接着又是熟练地敲出那几行排查CPU过高的命令

top-H-ppid查看java占用率最高的几条线程
jstackpid>xxx.txt打印线程快照
jmap-heappid查看堆内存情况

top命令 jstack命令 jmap命令

看这玩意啥都看不出来，感觉是系统对象没有释放，在疯狂GC，但是因为FULL GC的时候已经STW了，所以无法查看到底是哪个线程出了问题。然后过了10分钟系统突然又好了....堵塞的操作已经完成，gc能正常回收了。

然后过了两分钟又卡死了，我先重启了系统，后面再分析分析。

等系统没什么人用的时候，我再试着重现一下问题，打开系统一顿乱点，结果是点开某个功能的详情时系统卡住了，CPU又飚上去了，喜闻乐见~问题定位到了，再实锤一下之前是不是这个问题，我看了一下localhost_access_log日志发现，确实是这个接口卡了一千多秒。

nginx日志

因为离线没什么人使用，所以问题过了很久再暴露出来。看了一下代码，主要是同事业务逻辑问题，有个参数没传进去，导致 sql 走了全表扫描，数据很多，要查很久，查到了几百万的数据，gc 也无法回收。

还好内存够大，要不然早就 OOM 了。

复盘

一开始我以为是某个接口调了很多次并发太高导致的，没想到点一下详情系统就挂了。。我们可以看到CPU在GC回收的时候STW，是没有线程能占用到CPU的，所以top -H -p pid 只能看到CPU全被GC线程占用了。如果是某个接口并发太高导致的，我们可以看jstack线程快照，里面是会有这个接口在执行的记录。

还有一个问题就是说系统GC卡了10-20分钟，却没有报OOM，还是一直在堵塞状态，后面还正常了一小会，这个是需要看堆内存的情况...

因为比较难排查所以只是通过现象知道GC还是可以回收一点点垃圾的

总结

1、CPU100%的时候可以打印线程快照jstack pid，查看是哪个线程占用了CPU，一般都是某个业务线程阻塞无法进行GC回收导致。

2、可以查看localhost_access_log查看系统接口用时，一般用时很久的都是有问题的接口。

3、同事的业务代码参数没有传，导致全表扫描直接卡死系统。

审核编辑：汤梓红