概述

最近我们公司在帮一个客户查一个JVM的问题(JDK1.8.0_191-b12)，发现一个系统老是被OS Kill掉，是内存泄露导致的。在查的过程中，阴差阳错地发现了JVM另外的一个Bug。这个Bug可能会导致大量物理内存被使用，我们已经反馈给了社区，并得到快速反馈，预计在OpenJDK8最新版中发布(JDK11中也存在这个问题)。

PS：用户的那个问题最终也解决了，定位下来算是C2的一个设计缺陷导致大量内存被使用，安全性上没有得到保障。

找出消耗大内存的线程

接下来主要分享下这个BUG的发现过程，先要客户实时跟踪进程的情况，当内存使用明显上升的时候，通过/proc/<pid>/smaps，看到了不少64MB的内存分配，Rss也基本消耗完了。

7fd690000000-7fd693f23000 rw-p 00000000 00:00 0 Size:              64652 kBRss:               64652 kBPss:               64652 kBShared_Clean:          0 kBShared_Dirty:          0 kBPrivate_Clean:         0 kBPrivate_Dirty:     64652 kBReferenced:        64652 kBAnonymous:         64652 kBAnonHugePages:         0 kBSwap:                  0 kBKernelPageSize:        4 kBMMUPageSize:           4 kBLocked:                0 kBVmFlags: rd wr mr mw me nr sd 7fd693f23000-7fd694000000 ---p 00000000 00:00 0 Size:                884 kBRss:                   0 kBPss:                   0 kBShared_Clean:          0 kBShared_Dirty:          0 kBPrivate_Clean:         0 kBPrivate_Dirty:         0 kBReferenced:            0 kBAnonymous:             0 kBAnonHugePages:         0 kBSwap:                  0 kBKernelPageSize:        4 kBMMUPageSize:           4 kBLocked:                0 kBVmFlags: mr mw me nr sd

再通过strace命令跟踪了下系统调用，再回到上面的虚拟地址，我们找到了相关的mmap系统调用

[pid    71] 13:34:41.982589 mmap(0x7fd690000000, 67108864, PROT_NONE, MAP_PRIVATE|MAP_ANONYMOUS|MAP_NORESERVE, -1, 0) = 0x7fd690000000 <0.000107>

执行mmap的线程是71号线程，接着通过jstack把线程dump出来，找到了对应的线程其实是C2 CompilerThread0

"C2 CompilerThread0" #39 daemon prio=9 os_prio=0 tid=0x00007fd8acebb000 nid=0x47 runnable [0x0000000000000000]
   java.lang.Thread.State: RUNNABLE

最后再grep了一下strace的输出，果然看到这个线程在大量的进行内存分配，总共有2G多。

经典的64M问题

对于64M的问题，是一个非常经典的问题，在JVM中并没有这种大量分配64M大小的逻辑，因此可以排除JVM特定意义的分配。这其实是glibc里针对malloc函数分配内存的一种机制，glibc从2.10开始提供的一种机制，为了分配内存更加高效，glibc提供了arena的机制，默认情况下在64位下每一个arena的大小是64M，下面是64M的计算逻辑，其中sizeof(long)为8

define DEFAULT_MMAP_THRESHOLD_MAX (4 * 1024 * 1024 * sizeof(long))define HEAP_MAX_SIZE (2 * DEFAULT_MMAP_THRESHOLD_MAX)
p2 = (char *) MMAP (aligned_heap_area, HEAP_MAX_SIZE, PROT_NONE,
                          MAP_NORESERVE);

一个进程最多能分配的arena个数在64位下是8 * core，32位下是2 * core个

#define NARENAS_FROM_NCORES(n) ((n) * (sizeof (long) == 4 ? 2 : 8))
 {              int n = __get_nprocs ();              if (n >= 1)
                narenas_limit = NARENAS_FROM_NCORES (n);              else
                /* We have no information about the system.  Assume two
                   cores.  */
                narenas_limit = NARENAS_FROM_NCORES (2);
            }

这种分配机制的好处，主要是应对多线程的环境，为每个核留有几个64M的缓存块，这样线程在分配内存的时候因为没有锁而变得更高效，如果达到上限了就会去慢速的main_arena里分配了。

可以通过设置环境变量MALLOC_ARENA_MAX来设置64M块的个数，当我们设置为1的时候就会发现这些64M的内存块都没有了，然后都集中分配到一个大区域了，也就是main_arena，说明这个参数生效了。

无意的发现

再回过来思考为什么C2线程会出现大于2G的内存消耗的时候，无意中跟踪C2这块代码发现了如下代码可能会导致大量内存消耗，这个代码的位置是nmethod.cpp的nmethod::metadata_do方法，不过这块如果真的发生的话，肯定不是看到C2的线程大量分配，而是看到VMThread这个线程，因为下面这块代码主要是它执行的。

void nmethod::metadata_do(void f(Metadata*)) {
  address low_boundary = verified_entry_point();  if (is_not_entrant()) {
    low_boundary += NativeJump::instruction_size;    // %%% Note:  On SPARC we patch only a 4-byte trap, not a full NativeJump.
    // (See comment above.)
  }
  {    // Visit all immediate references that are embedded in the instruction stream.
    RelocIterator iter(this, low_boundary);    while (iter.next()) {      if (iter.type() == relocInfo::metadata_type ) {
        metadata_Relocation* r = iter.metadata_reloc();        // In this metadata, we must only follow those metadatas directly embedded in
        // the code.  Other metadatas (oop_index>0) are seen as part of
        // the metadata section below.
        assert(1 == (r->metadata_is_immediate()) +
               (r->metadata_addr() >= metadata_begin() && r->metadata_addr() < metadata_end()),
               “metadata must be found in exactly one place”);        if (r->metadata_is_immediate() && r->metadata_value() != NULL) {
          Metadata* md = r->metadata_value();          if (md != _method) f(md);
        }
      } else if (iter.type() == relocInfo::virtual_call_type) {        // Check compiledIC holders associated with this nmethod
        CompiledIC *ic = CompiledIC_at(&iter);        if (ic->is_icholder_call()) {
          CompiledICHolder* cichk = ic->cached_icholder();
          f(cichk->holder_metadata());
          f(cichk->holder_klass());
        } else {
          Metadata* ic_oop = ic->cached_metadata();          if (ic_oop != NULL) {
            f(ic_oop);
          }
        }
      }
    }
  }
inline CompiledIC* CompiledIC_at(RelocIterator* reloc_iter) {
  assert(reloc_iter->type() == relocInfo::virtual_call_type ||
      reloc_iter->type() == relocInfo::opt_virtual_call_type, "wrong reloc. info");
  CompiledIC* c_ic = new CompiledIC(reloc_iter);
  c_ic->verify();  return c_ic;
}

注意上面的CompiledIC *ic = CompiledIC_at(&iter);这段代码，因为CompiledIC是一个ResourceObj，这种资源会在c heap里分配(malloc)，不过他们是和线程进行关联的，假如我们在某处代码声明了ResourceMark，那当执行到这里的时候会标记当前的位置，再接下来线程要分配内存的时候如果线程关联的内存不够用，就会malloc一块插进去并被管理起来，否则会实现内存的复用。当ResourceMark析构函数执行的时候，会将之前的位置还原，后面这个线程如果要分配内存又会从这个位置开始复用内存块。注意这里说的内存块和上面的64M内存块不是一个概念。

因为这段代码在while循环里，因此存在非常多次数的重复调用，这样明明在执行完一次之后可以复用内存的地方并不能复用，而可能会导致大量的内存被不断分配。表现起来可能就是物理内存消耗很大，远大于Xmx。

这个修复办法也很简单，就是在CompiledIC *ic = CompiledIC_at(&iter);前加上ResourceMark rm;即可。

这个问题主要发生的场景是针对频繁大量做Class Retransform或者Class Redefine的场景。所以如果系统里有这种agent的时候还是要稍微注意下这个问题。

这个问题发现后我们给社区提了patch，不过后面发现再JDK12中其实已经修复了，但是在之前的版本里的都没有修复，这个问题提交给社区后，有人很快响应了，并可能在OpenJDK1.8.0-212中被fix。

最后在这里也简单提下客户那边的那个问题，之所以C2线程消耗太大，最主要的原因是存在非常大的方法需要编译，而这个编译的过程是需要大量的内存消耗的，正因为如此，才会导致内存突然暴增，所以给大家一个建议，方法不要写太大啦，如果这个方法调用还很频繁，那真的会很悲剧的。

https://www.imdb.com/list/ls080419900/?mode=desktop

https://www.imdb.com/list/ls080419956/?mode=desktop

https://www.imdb.com/list/ls080419916/?mode=desktop

https://www.imdb.com/list/ls080419990/?mode=desktop

https://www.imdb.com/list/ls080419855/?mode=desktop

https://www.imdb.com/list/ls080419867/?mode=desktop

https://www.imdb.com/list/ls080418035/?mode=desktop

https://www.imdb.com/list/ls080418063/?mode=desktop

https://www.imdb.com/list/ls080418085/?mode=desktop

https://www.imdb.com/list/ls080418713/?mode=desktop

https://www.imdb.com/list/ls080418783/?mode=desktop

https://www.imdb.com/list/ls080418174/?mode=desktop

https://www.imdb.com/list/ls080418113/?mode=desktop

https://www.imdb.com/list/ls080418138/?mode=desktop

https://www.imdb.com/list/ls080418184/?mode=desktop

https://www.imdb.com/list/ls080418326/?mode=desktop

https://www.imdb.com/list/ls080418399/?mode=desktop

https://www.imdb.com/list/ls080418659/?mode=desktop

https://www.imdb.com/list/ls080418638/?mode=desktop

https://www.imdb.com/list/ls080418696/?mode=desktop

https://www.imdb.com/list/ls080418253/?mode=desktop

https://www.imdb.com/list/ls080418274/?mode=desktop

https://www.imdb.com/list/ls080418239/?mode=desktop

https://www.imdb.com/list/ls080418248/?mode=desktop

https://www.imdb.com/list/ls080418280/?mode=desktop

https://www.imdb.com/list/ls080418459/?mode=desktop

https://www.imdb.com/list/ls080418481/?mode=desktop

https://www.imdb.com/list/ls080418875/?mode=desktop

https://www.imdb.com/list/ls080418874/?mode=desktop

https://www.imdb.com/list/ls080418834/?mode=desktop

https://www.imdb.com/list/ls080418869/?mode=desktop

https://www.imdb.com/list/ls080418844/?mode=desktop

https://www.imdb.com/list/ls080430017/?mode=desktop

https://www.imdb.com/list/ls080430045/?mode=desktop

https://www.imdb.com/list/ls080430562/?mode=desktop

https://www.imdb.com/list/ls080430172/?mode=desktop

https://www.imdb.com/list/ls080430111/?mode=desktop

https://www.imdb.com/list/ls080430167/?mode=desktop

https://www.imdb.com/list/ls080430191/?mode=desktop

https://www.imdb.com/list/ls080430314/?mode=desktop

https://www.imdb.com/list/ls080430389/?mode=desktop

https://www.imdb.com/list/ls080430652/?mode=desktop

https://www.imdb.com/list/ls080430614/?mode=desktop

ITPub博客

一个导致JVM物理内存消耗大的Bug

概述

找出消耗大内存的线程

经典的64M问题

无意的发现

最新文章