线上问题处理案例：出乎意料的数据库连接池

线上问题处理案例：出乎意料的数据库连接池 | 京东云技术团队

导读

本文是线上问题处理案例系列之一，旨在通过真实案例向读者介绍发现问题、定位问题、解决问题的方法。本文讲述了从垃圾回收耗时过长的表象，逐步定位到数据库连接池保活问题的全过程，并对其中用到的一些知识点进行了总结。

一、问题描述

大促期间，某接口超时次数增多，经排查直接原因是GC耗时过长，查看监控FullGC达500ms以上，接口超时时间与FullGC发生时间吻合。

图1 FullGC耗时监控

二、应用基本情况

容器：8C12G；
JVM配置：-XX:+UseConcMarkSweepGC -Xms6144m -Xmx6144m -Xmn2048m -XX:ParallelGCThreads=8 -XX:+UseCMSInitiatingOccupancyOnly -XX:CMSInitiatingOccupancyFraction=70 -XX:+ParallelRefProcEnabled；
数据库类型：MySQL；
数据库连接池：DBCP；

三、排查过程

1、 GC耗时过长，说明内存中垃圾对象很多。

2、首先怀疑是否有内存泄漏，观察FullGC后堆内存回收情况，尚属正常，暂时排除内存泄漏原因。

图2 发生FullGC后堆内存回收监控

3、推断FullGC耗时过长是否因为老年代有大量死亡对象，遂导出FullGC前后堆内存dump，通过比对“保留大小”，发现FullGC后大量数据库相关对象被回收。

图3 堆内存对象分析

4、数据库连接正常应该不会频繁创建和断开，进入老年代后，正常不应该被回收，通过堆dump内容OQL分析每个数据库连接数量，发现很多库连接数都大于“maxActive”数量，可以肯定有很多失效连接。

5、初步判断直接原因是很多失效数据库连接进入老年代，导致FullGC耗时过长。

6、怀疑连接池验证周期过长，导致数据库因空闲过长关闭连接，将连接池参数“
timeBetweenEvictionRunsMillis”由1分钟调整到10秒，问题依旧。

7、阅读DBCP源码，发现是通过
org.apache.commons.pool.impl.GenericObjectPool.Evictor定时任务，按照timeBetweenEvictionRunsMillis配置的周期定时驱逐失效连接，驱逐条件：若连接空闲时间大于“minEvictableIdleTimeMillis”，则会驱逐连接，等待垃圾回收。若开启“testWhileIdle”则会执行“validationQuery”。进一步阅读代码，发现执行“validationQuery”后，连接空闲时间并不会重新计算，导致连接在业务低谷时很容易被淘汰，而数据库连接会关联大量对象，创建、回收成本昂贵，并且影响GC。

8、反向思考，为何只有在大促期间才发生问题？

图4 平时和大促时回收频率对比

可以看到平时由于业务量小，GC不频繁，过期连接没有达到进入老年代阈值，在年轻代被回收。而大促时业务量大，GC频繁，连接在进入老年代以后才过期，导致老年代FullGC时间过长。

9、至此，基本可以肯定问题原因是数据库连接池不具备“保活”能力，导致连接不断淘汰和新建，在业务高峰时段，连接进入老年代然后失效，造成FullGC耗时过长，最终导致接口超时次数增多。

四、解决方案

方案1：改为G1回收器，对老年代回收是分块进行，可以防止长时间停顿。另外默认MaxTenuringThreshold值是15，可以防止失效连接过早进入老年代；

方案2：
minEvictableIdleTimeMillis设置为0，使数据库连接不会自动失效，进入老年代以后一直存活，避免在老年代失效回收；

五、问题总结

数据库连接池并不具备通常理解的“保活”能力，数据库连接在业务不活跃的应用中，会不断淘汰和重连，而连接会通过虚引用方式（
com.mysql.jdbc.NonRegisteringDriver$ConnectionPhantomReference）携带大量对象，如果连接存活时间内YGC次数达到寿命阈值，则会进入老年代，老年代是使用“标记-清除”算法，回收成本更高，进而造成FullGC耗时过长。

六、拓展知识点

1、 Druid连接池同样存在不能“保活”问题，较新版本提供“KeepAlive”选项（未验证）；

2、 Druid连接池配置的“validationQuery”语句通常并不会被执行，MySqlValidConnectionChecker在检查连接有效性时，会判断驱动是否实现pingInternal方法，如果实现则会通过此方法验证有效性。MySQL的JDBC驱动实现了该方法，因此“validationQuery”配置的语句通常不会执行；