又见OutOfMemory——一次内存溢出故障诊断全过程
这是一个几月前的案例，问题比较典型，在分析和事后学习的过程中让我对本地内存溢出有了一定的了解。在此和大家分享。
先说一下背景，应用环境是AIX5.3+WebSphere6.0.2.37。在今年的一季度曾发生过几次OOM故障，当时通过几次内存参数优化，最后确定为“-Xgcprolicy:gencon –Xms512m –Xmx1280m –Xmn200m”，此后稳定了半年，直到此次再发生应用宕机。
赶到现场，发现profiles目录下生成有javacore和heapdump文件，Javacore的第一行“Cause of thread dump : Dump Event "systhrow" (00040000) Detail "java/lang/OutOfMemoryError" received”表明了宕机的原因是OOM，但是令我困惑的是这段内容：
0SECTION MEMINFO subcomponent dump routine
NULL =================================
1STHEAPFREE Bytes of Heap Space Free: 818cb70
1STHEAPALLOC Bytes of Heap Space Allocated: 20000000
在分配的512MB（十六进制20000000）的堆空间中，有129MB（818cb70）空闲空间，按理说，这种情况下不该发生OutOfMemory。就算有申请一个大对象，同时JVM堆的新生代由于碎片原因没有连续空间满足要求，那么应该发生堆扩展，所以此次内存溢出不是堆（Heap）溢出，GC日志的分析也支持了这一点。
既然Javacore无法得到有用信息，我把目光转向了SystemErr.log，在对应日期的地方，我发现了大量如下报错：
[8/26/10 14:12:57:860 GMT+08:00] 0000002f SystemErr R Exception in thread "WebContainer : 1" java.lang.RuntimeException: java.lang.OutOfMemoryError: Failed to create a thread: retVal -1073741830, errno 11
[8/26/10 14:12:57:860 GMT+08:00] 0000002f SystemErr R at com.ibm.io.async.ResultHandler.runEventProcessingLoop(ResultHandler.java:801)
[8/26/10 14:12:57:860 GMT+08:00] 0000002f SystemErr R at com.ibm.io.async.ResultHandler$2.run(ResultHandler.java:881)
[8/26/10 14:12:57:860 GMT+08:00] 0000002f SystemErr R at com.ibm.ws.util.ThreadPool$Worker.run(ThreadPool.java:1497)
[8/26/10 14:12:57:860 GMT+08:00] 0000002f SystemErr R Caused by: java.lang.OutOfMemoryError: Failed to create a thread: retVal -1073741830, errno 11
at java.lang.Thread.startImpl(Native Method)
at java.lang.Thread.start(Thread.java:980)
at com.ibm.ws.util.ThreadPool.addThread(ThreadPool.java:630)
at com.ibm.ws.util.ThreadPool$3.run(ThreadPool.java:1148)
at com.ibm.ws.security.util.AccessController.doPrivileged(AccessController.java:63)
at com.ibm.ws.util.ThreadPool.execute(ThreadPool.java:1146)
at com.ibm.ws.util.ThreadPool.execute(ThreadPool.java:1040)
at com.ibm.ws.runtime.WSThreadPool.execute(WSThreadPool.java:151)
at com.ibm.io.async.ResultHandler.startHandler(ResultHandler.java:248)
at com.ibm.io.async.ResultHandler.runEventProcessingLoop(ResultHandler.java:570)
at com.ibm.io.async.ResultHandler$2.run(ResultHandler.java:881)
at com.ibm.ws.util.ThreadPool$Worker.run(ThreadPool.java:1497)
在事后的学习中，我知道“Java.lang.OutOfMemoryError: unable to create native thread” 这样的异常是在说，本地内存耗尽，从而新的线程无法创建。而在当时我第一感觉是操作系统参数设置问题，之前我曾写过一篇由于nofile参数导致Too many open file的故障。于是我运行如下命令
#lsattr -El sys0 -a maxuproc
maxuproc 128 Maximum number of PROCESSES allowed per user True
- 然后运行chgsys修改默认的128为1024，这里我犯了一个错误，WebSphere单个Server就是一个Java进程，错误日志里是不能创建一个thread，而非process，与Oracle会创建多个oracle进程不一样。果然两天后又出现了同样的问题。
- 这一次的SystemErr日志中，除了上述的内容，还多了
[8/24/10 9:55:19:813 GMT+08:00] 00000036 SystemErr R Exception in thread "WebContainer : 4" java.lang.RuntimeException: java.lang.OutOfMemoryError: Unable to allocate 8192 bytes of direct memory after 5 retries
[8/24/10 9:55:19:813 GMT+08:00] 00000036 SystemErr R at com.ibm.io.async.ResultHandler.runEventProcessingLoop(ResultHandler.java:801)
[8/24/10 9:55:19:813 GMT+08:00] 00000036 SystemErr R at com.ibm.io.async.ResultHandler$2.run(ResultHandler.java:881)
[8/24/10 9:55:19:813 GMT+08:00] 00000036 SystemErr R at com.ibm.ws.util.ThreadPool$Worker.run(ThreadPool.java:1497)
[8/24/10 9:55:19:813 GMT+08:00] 00000036 SystemErr R Caused by: java.lang.OutOfMemoryError: Unable to allocate 8192 bytes of direct memory after 5 retries
at java.nio.DirectByteBuffer.<init>(DirectByteBuffer.java:197)
at java.nio.ByteBuffer.allocateDirect(ByteBuffer.java:303)
at com.ibm.ws.buffermgmt.impl.WsByteBufferPoolManagerImpl.allocateBufferDirect(WsByteBufferPoolManagerImpl.java:656)
at com.ibm.ws.buffermgmt.impl.WsByteBufferPoolManagerImpl.allocateCommon(WsByteBufferPoolManagerImpl.java:570)
at com.ibm.ws.buffermgmt.impl.WsByteBufferPoolManagerImpl.allocateDirect(WsByteBufferPoolManagerImpl.java:506)
at com.ibm.io.async.ResultHandler.runEventProcessingLoop(ResultHandler.java:498)
at com.ibm.io.async.ResultHandler$2.run(ResultHandler.java:881)
at com.ibm.ws.util.ThreadPool$Worker.run(ThreadPool.java:1497)
Caused by: java.lang.OutOfMemoryError
at sun.misc.Unsafe.allocateMemory(Native Method)
at java.nio.DirectByteBuffer.<init>(DirectByteBuffer.java:184)
… 7 more
我们可以看到是由于DirectByteBuffer无法分配导致的内存溢出，而Native Method指明了这是“本地”的溢出。通过这两个关键字，我查到了IBM的一份BUG记录：PK31010: OUTOFMEMORYERROR DUE TO DIRECTBYTEBUFFER，但是我的版本已是最新，无奈继续搜寻。
在Troubleshooting native memory issues这份文档中，介绍了3种在WebSphere中最常见的导致OOM的原因。其中第二个DirectByteBuffer use就是我们问题的症结。
Java 1.4 中添加的新 I/O （NIO） 类引入了一种基于通道和缓冲区来执行 I/O 的新方式。就像 Java 堆上的内存支持 I/O 缓冲区一样，NIO 添加了对直接 ByteBuffer 的支持（使用java.nio.ByteBuffer.allocateDirect（） 方法进行分配），ByteBuffer 受本机内存而不是 Java 堆支持。直接 ByteBuffer 可以直接传递到本机操作系统库函数，以执行 I/O — 这使这些函数在一些场景中要快得多，因为它们可以避免在 Java 堆与本机堆之间复制数据。
对于在何处存储直接 ByteBuffer 数据，很容易产生混淆。应用程序仍然在 Java 堆上使用一个对象来编排 I/O 操作，但持有该数据的缓冲区将保存在本机内存中，Java 堆对象仅包含对本机堆缓冲区的引用。非直接 ByteBuffer 将其数据保存在 Java 堆上的 byte[] 数组中。下图展示了直接与非直接 ByteBuffer 对象之间的区别：
直接与非直接 java.nio.ByteBuffer 的内存拓扑结构
直接 ByteBuffer 对象会自动清理本机缓冲区，但这个过程只能作为 Java 堆 GC 的一部分来执行，因此它们不会自动响应施加在本机堆上的压力。GC 仅在 Java 堆被填满，以至于无法为堆分配请求提供服务时发生，或者在 Java 应用程序中显式请求它发生（不建议采用这种方式，因为这可能导致性能问题）。
发生垃圾收集的情形可能是，本机堆被填满，并且一个或多个直接 ByteBuffers 适合于垃圾收集（并且可以被释放来腾出本机堆的空间），但 Java 堆几乎总是空的，所以不会发生垃圾收集。
解决此问题的方法，在文档中给出的是禁止异步A/O，通过在Web Container中设置参数来避免上节中所出现的由于Java堆空闲而不发生垃圾回收，导致本地堆撑满的情况。
Servers -> Application Servers -> serverName -> Web Container Settings -> Web Container -> Custom Properties:
Press New:
Add the following pair:Name: com.ibm.ws.webcontainer.channelwritetype
Value: syncPress OK, and then save the configuration.
添加此属性后应用又恢复正常，但是原先提高性能的特性反而导致内存溢出，违背了初衷，现在的做法只能算一个妥协。我会继续查找此问题的解决方法，最不济也要有个使用NIO的Best Practice。
文档中另两个容易导致本地堆OOM的原因是：
过大的堆上限
我们知道32位机器单个进程可以访问的内存地址空间为4G，如右图所示，但实际情况下Windows系统由于内核态和用户态的划分，用户态只有2G的空间，Linux和AIX的可用空间大一点，但也在3G左右。，由于JVM实例进程寻址是一定的，所以Heap大小和Native Area此消彼长。而Native Area中有一部分就是供给线程的内存空间。
“应用程序中的每个线程都需要内存来存储器堆栈（用于在调用函数时持有局部变量并维护状态的内存区域）。每个 Java 线程都需要堆栈空间来运行。根据实现的不同，Java 线程可以分为本机线程和 Java 堆栈。除了堆栈空间，每个线程还需要为线程本地存储（thread-local storage）和内部数据结构提供一些本机内存。堆栈大小因 Java 实现和架构的不同而不同。一些实现支持为 Java 线程指定堆栈大小，其范围通常在 256KB 到 756KB 之间。”
1.5后一般线程堆栈大小为1M，“对于拥有数百个线程的应用程序来说，线程堆栈的总内存使用量可能非常大。如果运行的应用程序的线程数量比可用于处理它们的处理器数量多，效率通常很低，并且可能导致糟糕的性能和更高的内存占用”（摘自《理解JVM如何使用Windows和Linux上的本机内存》）
解决此问题的方法：设置恰当的JVM最大堆，32位不要超过1.5G；设置恰当的线程池大小（一般50～100），当线程使用较多时， 使用-Xss256k参数设置线程指定堆栈大小（IBM JDK还可以使用-Xmso ××k来设置Stack size for OS Threads 32-bit）；更换64位的JDK。
第三个原因是线程池的TLS泄漏
这个现象我倒没见到过，如果你的thread dump里下面三个属性里的值有大于300，那么就要注意了
"WebContainer : 1003" (TID:0×37D62000
"Default : 338" (TID:109934D0
"TCPChannel.DCS : 303" (TID:0×4D720000
解决的方法是设置线程池的最小最大值一致。
最及时的声音