STORM在线业务实践-集群空闲CPU飙高问题排查

问题导读
1.集群空闲CPU飙高现象是什么？
2.集群空闲CPU飙高问题排查的思路是什么？

最近将公司的在线业务迁移到Storm集群上，上线后遇到低峰期CPU耗费严重的情况。在解决问题的过程中深入了解了storm的内部实现原理，并且解决了一个storm0.9-0.10版本一直存在的严重bug，目前代码已经合并到了storm新版本中，在这篇文章里会介绍这个问题出现的场景、分析思路、解决的方式和一些个人的收获。

背景

首先简单介绍一下Storm，熟悉的同学可以直接跳过这段。

Storm是Twitter开源的一个大数据处理框架，专注于流式数据的处理。Storm通过创建拓扑结构（Topology）来转换数据流。和Hadoop的作业（Job）不同，Topology会持续转换数据，除非被集群关闭。

下图是一个简单的Storm Topology结构图。

可以看出Topology是由不同组件（Component）串/并联形成的有向图。数据元组（Tuple）会在Component之间通过数据流的形式进行有向传递。Component有两种

• Spout：Tuple来源节点，持续不断的产生Tuple，形成数据流
• Bolt：Tuple处理节点，处理收到的Tuple，如果有需要，也可以生成新的Tuple传递到其他Bolt
  

目前业界主要在离线或者对实时性要求不高业务中使用Storm。随着Storm版本的更迭，可靠性和实时性在逐渐增强，已经有运行在线业务的能力。因此我们尝试将一些实时性要求在百毫秒级的在线业务迁入Storm集群。

现象

• 某次高峰时，Storm上的一个业务拓扑频繁出现消息处理延迟。延时达到了10s甚至更高。查看高峰时的物理机指标监控，CPU、内存和IO都有很大的余量。判断是随着业务增长，服务流量逐渐增加，某个Bolt之前设置的并行度不够，导致消息堆积了。
• 临时增加该Bolt并行度，解决了延迟的问题，但是第二天的低峰期，服务突然报警，CPU负载过高，达到了100%。
  

排查

• 用Top看了下CPU占用，系统调用占用了70%左右。再用wtool对Storm的工作进程进行分析，找到了CPU占用最高的线程[mw_shl_code=java,true]java.lang.Thread.State: TIMED_WAITING (parking)
          at sun.misc.Unsafe.park(Native Method)
          - parking to wait for  <0x0000000640a248f8> (a java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject)
          at java.util.concurrent.locks.LockSupport.parkNanos(LockSupport.java:215)
          at java.util.concurrent.locks.AbstractQueuedSynchronizer$ConditionObject.await(AbstractQueuedSynchronizer.java:2163)
          at com.lmax.disruptor.BlockingWaitStrategy.waitFor(BlockingWaitStrategy.java:87)
          at com.lmax.disruptor.ProcessingSequenceBarrier.waitFor(ProcessingSequenceBarrier.java:54)
          at backtype.storm.utils.DisruptorQueue.consumeBatchWhenAvailable(DisruptorQueue.java:97)
          at backtype.storm.disruptor$consume_batch_when_available.invoke(disruptor.clj:80)
          at backtype.storm.daemon.executor$fn__3441$fn__3453$fn__3500.invoke(executor.clj:748)
          at backtype.storm.util$async_loop$fn__464.invoke(util.clj:463)
          at clojure.lang.AFn.run(AFn.java:24)
          at java.lang.Thread.run(Thread.java:745)[/mw_shl_code]
  我们可以看到这些线程都在信号量上等待。调用的来源是disruptor$consume_batch_when_available。
• disruptor是Storm内部消息队列的封装。所以先了解了一下Storm内部的消息传输机制。
  （图片来源Understanding the Internal Message Buffers of Storm）
  Storm的工作节点称为Worker（其实就是一个JVM进程）。不同Worker之间通过Netty（旧版Storm使用ZeroMQ）进行通讯。
  每个Worker内部包含一组Executor。Strom会为拓扑中的每个Component都分配一个Executor。在实际的数据处理流程中，数据以消息的形式在Executor之间流转。Executor会循环调用绑定的Component的处理方法来处理收到的消息。
  Executor之间的消息传输使用队列作为消息管道。Storm会给每个Executor分配两个队列和两个处理线程。
  
  
  • 工作线程：读取接收队列，对消息进行处理，如果产生新的消息，会写入发送队列
  • 发送线程：读取发送队列，将消息发送其他Executor
    
  当Executor的发送线程发送消息时，会判断目标Executor是否在同一Worker内，如果是，则直接将消息写入目标Executor的接收队列，如果不是，则将消息写入Worker的传输队列，通过网络发送。
  Executor工作/发送线程读取队列的代码如下，这里会循环调用consume-batch-when-available读取队列中的消息，并对消息进行处理。
  [mw_shl_code=java,true](async-loop
    (fn []
      ...
      (disruptor/consume-batch-when-available receive-queue event-handler)            
      ...
      ))[/mw_shl_code]
• 我们再来看一下consume_batch_when_available这个函数里做了什么。[mw_shl_code=java,true](defn consume-batch-when-available
    [^DisruptorQueue queue handler]
    (.consumeBatchWhenAvailable queue handler))[/mw_shl_code]
  前面提到Storm使用队列作为消息管道。Storm作为流式大数据处理框架，对消息传输的性能很敏感，因此使用了高效内存队列Disruptor Queue作为消息队列。
  
  Disruptor Queue是LMAX开源的一个无锁内存队列。内部实现如下。
  （图片来源Disruptor queue Introduction）
  Disruptor Queue通过Sequencer来管理队列，Sequencer内部使用RingBuffer存储消息。RingBuffer中消息的位置使用Sequence表示。队列的生产消费过程如下
  
  
  • Sequencer使用一个Cursor来保存写入位置。
  • 每个Consumer都会维护一个消费位置，并注册到Sequencer。
  • Consumer通过SequenceBarrier和Sequencer进行交互。Consumer每次消费时，SequenceBarrier会比较消费位置和Cursor来判断是否有可用消息：如果没有，会按照设定的策略等待消息；如果有，则读取消息，修改消费位置。
  • Producer在写入前会查看所有消费者的消费位置，在有可用位置时会写入消息，更新Cursor。
    
  查看DisruptorQueue.consumeBatchWhenAvailable实现如下
  [mw_shl_code=java,true]final long nextSequence = _consumer.get() + 1;
  final long availableSequence = _barrier.waitFor(nextSequence, 10, TimeUnit.MILLISECONDS);
  if (availableSequence >= nextSequence) {
      consumeBatchToCursor(availableSequence, handler);
  }[/mw_shl_code]
  继续查看_barrier.waitFor方法
  [mw_shl_code=java,true]public long waitFor(final long sequence, final long timeout, final TimeUnit units) throws AlertException, InterruptedException {
      checkAlert();
      return waitStrategy.waitFor(sequence, cursorSequence, dependentSequences, this, timeout, units);
  }[/mw_shl_code]
  Disruptor Queue为消费者提供了若干种消息等待策略
  • BlockingWaitStrategy：阻塞等待，CPU占用小，但是会切换线程，延迟较高
  • BusySpinWaitStrategy：自旋等待，CPU占用高，但是无需切换线程，延迟低
  • YieldingWaitStrategy：先自旋等待，然后使用Thread.yield()唤醒其他线程，CPU占用和延迟比较均衡
  • SleepingWaitStrategy：先自旋，然后Thread.yield()，最后调用LockSupport.parkNanos(1L)，CPU占用和延迟比较均衡
    
  Storm的默认等待策略为BlockingWaitStrategy。BlockingWaitStrategy的waitFor函数实现如下
  [mw_shl_code=java,true]if ((availableSequence = cursor.get()) < sequence) {
          lock.lock();
          try {
              ++numWaiters;
              while ((availableSequence = cursor.get()) < sequence) {
                  barrier.checkAlert();
  
                  if (!processorNotifyCondition.await(timeout, sourceUnit)) {
                      break;
                  }
              }
          }
          finally {
              --numWaiters;
              lock.unlock();
          }
  }[/mw_shl_code]
  BlockingWaitStrategy内部使用信号量来阻塞Consumer，当await超时后，Consumer线程会被自动唤醒，继续循环查询可用消息。
• 而DisruptorQueue.consumeBatchWhenAvailable方法中可以看到，Storm此处设置超时为10ms。推测在没有消息或者消息量较少时，Executor在消费队列时会被阻塞，由于超时时间很短，工作线程会频繁超时然后重新阻塞，导致CPU占用飙高。
  尝试将10ms修改成100ms，编译Storm后重新部署集群，使用Storm的demo拓扑，将bolt并发度调到1000，修改spout代码为10s发一条消息。经测试CPU占用大幅减少。
  再将100ms改成1s，测试CPU占用基本降为零。
• 但是随着调高超时，测试时并没有发现消息处理有延时。继续查看BlockingWaitStrategy代码，发现Disruptor Queu的Producer在写入消息后会唤醒等待的Consumer。
  [mw_shl_code=java,true]if (0 != numWaiters)
  {
      lock.lock();
      try
      {
          processorNotifyCondition.signalAll();
      }
      finally
      {
          lock.unlock();
      }
  }[/mw_shl_code]
  这样，Storm的10ms超时就很奇怪了，没有减少消息延时，反而增加了系统负载。带着这个疑问查看代码的上下文，发现在构造DisruptorQueue对象时有这么一句注释
  [mw_shl_code=java,true];; :block strategy requires using a timeout on waitFor (implemented in DisruptorQueue),
          as sometimes the consumer stays blocked even when there's an item on the queue.
  (defnk disruptor-queue
      [^String queue-name buffer-size :claim-strategy :multi-threaded :wait-strategy :block]
      (DisruptorQueue. queue-name
                  ((CLAIM-STRATEGY claim-strategy) buffer-size)
                  (mk-wait-strategy wait-strategy)))[/mw_shl_code]
  Storm使用的Disruptor Queue版本为2.10.1。查看Disruptor Queue的change log，发现该版本的BlockingWaitStrategy有潜在的并发问题，可能导致某条消息在写入时没有唤醒等待的消费者。

  2.10.2 Released (21-Aug-2012)
  
  Bug fix, potential race condition in BlockingWaitStrategy.
  Bug fix set initial SequenceGroup value to -1 (Issue #27).
  Deprecate timeout methods that will be removed in version 3.

  
  

  因此Storm使用了短超时，这样在出现并发问题时，没有被唤醒的消费方也会很快因为超时重新查询可用消息，防止出现消息延时。
  这样如果直接修改超时到1000ms，一旦出现并发问题，最坏情况下消息会延迟1000ms。在权衡性能和延时之后，我们在Storm的配置文件中增加配置项来修改超时参数。这样使用者可以自己选择保证低延时还是低CPU占用率。
• 就BlockingWaitStrategy的潜在并发问题咨询了Disruptor Queue的作者，得知2.10.4版本已经修复了这个并发问题（Race condition in 2.10.1 release）。
  将Storm依赖升级到此版本。但是对Disruptor Queue的2.10.1做了并发测试，无法复现这个并发问题，因此也无法确定2.10.4是否彻底修复。谨慎起见，在升级依赖的同时保留了之前的超时配置项，并将默认超时调整为1000ms。经测试，在集群空闲时CPU占用正常，并且压测也没有出现消息延时。
  
  

总结

• 关于集群空闲CPU反而飙高的问题，已经向Storm社区提交PR并且已被接受[STORM-935] Update Disruptor queue version to 2.10.4。在线业务流量通常起伏很大，如果被这个问题困扰，可以考虑应用此patch。
• Storm UI中可以看到很多有用的信息，但是缺乏记录，最好对其进行二次开发（或者直接读取ZooKeeper中信息），记录每个时间段的数据，方便分析集群和拓扑运行状况。
  

非常有用，谢谢