记一次线上服务的内存泄露排查 ｜ 得物技术
1.1 事发现场
在风和日丽的一天，本人正看着需求、敲着代码，展望美好的未来。突然收到一条内存使用率过高的告警。
1.2 证人证词
告警的这个项目，老代码是python的，最近一直在go化。随着go化率不断上升，发现内存的RSS使用率越飙越高。最终达到容器内存限制后，进程会自动重启。RSS如下图所示：
2.1 分析问题
看到这种不正常的RSS增长，第一反应是：是不是最近上的代码有什么问题？是不是发生了内存泄露？内存泄露可是大事，赶紧查查。于是将时间线拉长，看看是从哪天开始的。结果，现实是很残酷的。从项目刚上线的时候就有这个问题了。由于项目是2周一个版本，以前是还没达到内存限制，所以没有发出告警。
那么问题应该就是在最初的版本里。这个时候就想了想，难道是我们使用的框架本身存在缺陷？但是很快就否定了这个想法，因为我们使用的框架是其他项目已经上线已久的成熟框架。不应该有这个问题。
显然，看代码这种本办法是不可能发现问题的。于是想到了golang的性能分析工具pprof。由于pprof线上环境是不开启的，所以排查我这里只能去预发环境。
2.2 寻找问题
2.2.1 获取内存使用监控
go tool pprof -source_path=/path/to/gopath -inuse_space https://target.service.url/debug/pprof/allocs-source_path Search path for source files 是分析代码时，需要用到源码路径，这里就是你自己本地的gopath路径
/debug/pprof/allocs 用来指定分析的是内存分配
-inuse_space Same as -sample_index=inuse_space 是监控使用中的内存。因为我们分析的是内存泄露，所以要查看的是实际占用的内存
输入以上命令，会出现以下界面的内容：
2.2.2 分析内存监控
2.2.2.1 获取top10的内存占用
由于我们需要分析内存占用，所以这个时候输入一个top10，看看占用内存前10的都是哪些代码。
(pprof) top 10Showing nodes accounting for 145.07MB, 92.64% of 156.59MB totalDropped 163 nodes (cum <= 0.78MB)Showing top 10 nodes out of 157flat flat% sum% cum cum%117.36MB 74.95% 74.95% 117.36MB 74.95% github.com/beorn7/perks/quantile.newStream (inline)14.55MB 9.29% 84.25% 134.42MB 85.84% github.com/prometheus/client_golang/prometheus.newSummary3.53MB 2.25% 86.50% 4.06MB 2.59% compress/flate.NewWriter2MB 1.28% 87.77% 2MB 1.28% github.com/prometheus/client_golang/prometheus.MakeLabelPairs1.53MB 0.97% 88.75% 1.53MB 0.97% github.com/rcrowley/go-metrics.newExpDecaySampleHeap1.50MB 0.96% 89.71% 1.50MB 0.96% go.opentelemetry.io/otel/sdk/trace.(*recordingSpan).snapshot1.50MB 0.96% 90.67% 1.50MB 0.96% github.com/Shopify/sarama.(*TopicMetadata).decode1.06MB 0.68% 91.35% 1.06MB 0.68% github.com/valyala/fasthttp/stackless.NewFunc1.03MB 0.66% 92.00% 1.03MB 0.66% github.com/xdg-go/stringprep.init1MB 0.64% 92.64% 1MB 0.64% strings.(*Builder).WriteByte
这个时候需要解释一下显示的指标的含义
flat：函数在内存上的占用
flat%：函数在内存占用上的占用百分比
sum%：是从上往下到当前行所有函数累加使用内存的比例
如第二行，sum=84.25=74.95+9.29
cum：这个函数以及子函数运行所占用的内存，应该大于等于flat
cum%：这个函数以及子函数运行所占用的内存的比例，应该大于等于flat%
2.2.2.2 查看占用函数调用栈
看完以上返回，明眼人应该就能看出，第一行这个newStream问题很大呀，让我们进去看看他哪行代码出了问题。需要用到一下命令
让我们输入list github.com/beorn7/perks/quantile.newStream一探究竟
(pprof) list:
Output annotated source for functions matching regexp
显示具体调用的代码块并显示相应指标
(pprof) list github.com/beorn7/perks/quantile.newStreamTotal: 156.59MBROUTINE ======================== github.com/beorn7/perks/quantile.newStream in pkg/mod/github.com/beorn7/perks@v1.0.1/quantile/stream.go117.36MB 117.36MB (flat, cum) 74.95% of Total. . 128: sorted bool. . 129:}. . 130:. . 131:func newStream(ƒ invariant) *Stream {. . 132: x := &stream{ƒ: ƒ}117.36MB 117.36MB 133: return &Stream{x, make(Samples, 0, 500), true}. . 134:}. . 135:. . 136:// Insert inserts v into the stream.. . 137:func (s *Stream) Insert(v float64) {. . 138: s.insert(Sample{Value: v, Width: 1})
2.2.2.3 分析泄露原因
看到这里，应该能看出这个newStream的内存占用，主要是因为生成了一个容量为500的数组。那这个数组是什么样的呢？
type Sample struct {Value float64 `json:",string"`Width float64 `json:",string"`Delta float64 `json:",string"`}
以上结构可以看出，生成一次需要占用的内存是500*3*8字节，那么一次就是12000个字节,差不多是11.72kb。这么看来，应该是有个地方不停的调用，导致数据持续膨胀。看到这里，我们继续往下追。
(pprof) list github.com/prometheus/client_golang/prometheus.newSummaryTotal: 156.59MBROUTINE ======================== github.com/prometheus/client_golang/prometheus.newSummary in pkg/mod/github.com/prometheus/client_golang@v1.12.2/prometheus/summary.go14.55MB 134.42MB (flat, cum) 85.84% of Total. . 220: }. . 221: s.init(s) // Init self-collection.. . 222: return s. . 223: }. . 224:512.12kB 512.12kB 225: s := &summary{. . 226: desc: desc,. . 227:. . 228: objectives: opts.Objectives,. . 229: sortedObjectives: make([]float64, 0, len(opts.Objectives)),. . 230:. 1MB 231: labelPairs: MakeLabelPairs(desc, labelValues),. . 232:7.03MB 7.03MB 233: hotBuf: make([]float64, 0, opts.BufCap),7.03MB 7.03MB 234: coldBuf: make([]float64, 0, opts.BufCap),. . 235: streamDuration: opts.MaxAge / time.Duration(opts.AgeBuckets),. . 236: }. . 237: s.headStreamExpTime = time.Now().Add(s.streamDuration). . 238: s.hotBufExpTime = s.headStreamExpTime. . 239:. . 240: for i := uint32(0); i < opts.AgeBuckets; i++ {. 118.86MB 241: s.streams = append(s.streams, s.newStream()). . 242: }. . 243: s.headStream = s.streams[0]. . 244:. . 245: for qu := range s.objectives {. . 246: s.sortedObjectives = append(s.sortedObjectives, qu)
由此看出，还不止使用一次newStream()。通过观看代码，我这里发现，此处的opts.AgeBuckets是等于5的，那么就意味着，循环生成了5个stream，实际上占用的内存是500*3*8*5=60000字节，也就是58.6kb。
2.2.2.4 分析调用链路
那么现在基本追溯完了大概的泄露原因。那怎么样能寻找是具体的调用链的呢，总不能一层一层往上查找调用吧？这个时候pprof提供了一个命令，可以把整体调用生成一张图片展示。命令如下：
go tool pprof -png -source_path=/path/to/gopath -inuse_space https://target.service.url/debug/pprof/allocs > heap.png只需要在命令中加一个-png，那么就会生成一张图片。当然为了方便寻找，最后可以指定图片生成地址。我这边抓取了和本文有关的一段截图，如下。
根据上图链路，我们大致可以看出。应该是mysql的调用，在OnFinished处，prometheus的上报的地方出现了内存泄露。这个时候我们就可以追一下OnFinished处的代码了，因为之后的都是prometheus的调用，这是一个成熟的三方，理论不应该是他这个点出问题。
2.2.3 寻找泄露代码
OnFinished的代码如下：
label := append([]string{getOperation(db), s.host, s.database, tableName, hasErr, sqlState}, metrics.InjectTagValue(collector.MetricsTitle, db.Statement.Context, attachment)...)elapsed := time.Since(s.StartTime).Seconds()collector.DurationReporter.Collector.(prometheus.ObserverVec).WithLabelValues(label...).Observe(elapsed)
看到这里我想大家就应该知道了，go代码会为prometheus创建一个5*500的缓冲池，来记录数据，prometheus会周期性的调用/mertic来拉取对应的内容。那么这里是怎么造成内存泄露的呢？这里就要分析上述代码的这个label了。
func (m *MetricVec) GetMetricWithLabelValues(lvs ...string) (Metric, error) {h, err := m.hashLabelValues(lvs)if err != nil {return nil, err}return m.metricMap.getOrCreateMetricWithLabelValues(h, lvs, m.curry), nil}func (m *MetricVec) hashLabelValues(vals []string) (uint64, error) {if err := validateLabelValues(vals, len(m.desc.variableLabels)-len(m.curry)); err != nil {return 0, err}var (h = hashNew()curry = m.curryiVals, iCurry int)for i := 0; i < len(m.desc.variableLabels); i++ {if iCurry < len(curry) && curry[iCurry].index == i {h = m.hashAdd(h, curry[iCurry].value)iCurry++} else {h = m.hashAdd(h, vals[iVals])iVals++}h = m.hashAddByte(h, model.SeparatorByte)}return h, nil}
2.3 发现问题（伪）
通过查看函数调用，我这边发现label最终进入的是这个hashLabelValues中，如果已存在就返回对应的metricMap中的内容，如果不一样，则会创建一个新的缓冲池。内存泄露就出在这个创建中。
这个时候我就在想，难道是我们label采集的数据太多了？通过排列组合，我估算了一下内存最大值
getOperation(db)=4（操作类型，增删改查4种）
s.host=1
s.database=3（我们有3个db实例）
tableName=30（表名，保守估计最少30个）
hasErr, sqlState=2 （报错与没报错2个状态）
metrics.InjectTagValue(collector.MetricsTitle, db.Statement.Context, attachment)...
这里面记录的是请求的endpoint和startpoint，保守估计最少40个接口
这样算下来：4*1*3*30*2*40*5*500*8*3=1648mb。再加上程序本身的一些内存开销，感觉和我们碰到的问题能对上了。
2.4 解决问题（伪）
于是一拍脑袋觉得发现了问题，但是又无法解决问题（抓的指标无法修改）。于是屁颠屁颠的升了服务器配置，将4c2g升为了4c4g。
3.1 发现问题（真）
没错，当你看到这里的时候，就知道，升配这件事情并没有结束。现实给了我一记响亮的耳光。
因为升配以后总觉得还是哪里有问题。于是还是每天都在不停的观察RSS情况。结果，还真发现问题了。因为内存还在坐火箭，这不科学啊。
当我准备继续深入研究代码的时候，我的一位同事提醒了我，你可以去看下/metrics具体上报了什么。说时迟那时快。于是抓取了/metrics里的上报数据，看到了以下数据：
go_mysql_execute_count_total{command="SELECT",db="db_xxxxxx",endpoint="[DELETE]/url/:id",error="false",host="xxxxxx",main_table="table_xxxxxx",sql_state="0",startpoint="/url/49630"} 1go_mysql_execute_count_total{command="SELECT",db="db_xxxxxx",endpoint="[DELETE]/url/:id",error="false",host="xxxxxx",main_table="table_xxxxxx",sql_state="0",startpoint="/url/49631"} 1go_mysql_execute_count_total{command="SELECT",db="db_xxxxxx",endpoint="[DELETE]/url/:id",error="false",host="xxxxxx",main_table="table_xxxxxx",sql_state="0",startpoint="/url/49668"} 1go_mysql_execute_count_total{command="SELECT",db="db_xxxxxx",endpoint="[DELETE]/url/:id",error="false",host="xxxxxx",main_table="table_xxxxxx",sql_state="0",startpoint="/url/49673"} 1
这不看不要紧，一看——原来startpoint里上报的是restful风格的请求地址。那么上面的计算缓冲池的算法，就要再乘一个无限膨胀的startpoint。这给多少个G内存也都不够。
于是继续查看代码，看能不能关闭startpoint上报。这一查，果然有：
3.2 解决问题（真）
看到这个设置START_POINT的环境变量，能关闭startpoint上报。于是立马加到生产环境后重启服务器。上线后观察了一段时间，RSS使用量如下图所示：
到此，此次内存泄露问题终于排查并修复完成。真是有惊无险。
这边大致归纳下go语言中有哪些常见的内存泄露。
常见内存泄露
4.1 Goroutine泄漏
goroutine泄露是开发过程中碰到最常见、最频繁的。一般经常碰到的是以下几种，由于网上相关的文章太多了，就不用代码举例了。
4.1.1 协程无法退出
1. 锁占用
2. channel无法读取或写入
3. 协程中逻辑有死循环
4.1.2 协程阻塞
1. 协程业务逻辑时间长，释放速度跟不上生成速度
4.1.3 内存使用不当
1. 持续增长的常驻协程，申请了大量内存空间，由于是常驻的协程，不会释放内存造成泄露
2. 并发申请大量内存后，未达到GC时间或GC阈值，未触发GC，导致内存泄露
4.2 结构使用不当
结构使用不当也是开发中常见的，只是可能并发不高，或者内存泄露的不多，导致使用者容易忽视掉。
4.2.1 字符串、切片截取
func main() {var str0 = "1234567890"str1 := str0[:5]}func main() {var s0 = []int{1,2,3,4,5,6,7,8,9,0}s1 := s0[:5]}
上面两段代码，会有5个字节的泄露，因为字符串和切片的两个变量，底层是共享内存的。只要str1或s1一直在用，str0和s0就不会回收。这样剩下的5个字节或者5个int就会有临时的泄露。这个场景，如果在高并发，并且数据够大的情况下，就算是临时的泄露，也可能对性能有极大的影响。
4.2.2 指针类型
func main() {var prt0 = []*int{new(int), new(int), new(int), new(int), new(int)}ptr1 := prt0[:3]}
指针类型的这段代码，其实和上面字符串、切片的例子很像，指针是指向内存地址的。只要ptr1没释放，前面的指针数组中未被用的指针就不会释放，从而导致临时的内存泄露。
4.2.3 数组传参
func main() {var arr1 = [3]int{1,2,3}var arr2 = [3]int{}arr2 = arr1fmt.Printf("array address :%p, array : %+v \n", &arr1, arr1)fmt.Printf("array address :%p, array : %+v \n", &arr2, arr2)test(arr1)}func test(arr [3]int) {fmt.Printf("array address :%p, array : %+v \n", &arr, arr)}
打印结果如下：
array address :0xc000122030, array : [1 2 3 4 5]array address :0xc000122060, array : [1 2 3 4 5]array address :0xc0001220f0, array : [1 2 3 4 5]
看结果可知，三条打印的地址各不相同，说明数组是值传递的，那这会有什么问题呢？毕竟我们很多代码都是这么写的。
问题在于，只要传递的这个数组足够大，那么调用一次就会生成一个一样大小的新地址，这样会消耗大量内存。如果短时间内无法GC，会产生临时的内存泄露。这种泄露对于高并发是致命的。
4.2.4 定时器
func main() {chi := make(chan int)go func() {for {timer := time.After(10 * time.Second)select {case <-ch:fmt.Println("get it")case <-timer:fmt.Println("end")}}}()for i:= 1; i< 1000000; i++ {chi <- itime.sleep(time.Millisecond)}}
以上代码，之所以会造成内存泄露。是因为time.After的底层是实现了一个timer，只要定时器未到时间，这个定时器就不会被gc回收，从而造成临时的内存泄露。如果这里的代码没写好，定时器都是新创建的，那么就会造成永久性的泄露。
其实golang中的内存泄露远不止上文提到的这些。有些可能甚至连查都查不到。这个时候还是要提醒大家，不仅要了解问题，还要学会查找问题。这样不管遇到什么问题，都能发现蛛丝马迹，问题也将迎刃而解。
*文/唐唐唐
关注得物技术，每周一三五晚18:30更新技术干货