《手Q Android线程死锁监控与自动化分析实践》

Posted 2023-02-03 腾讯Bugly

一、问题背景

手Q每个版本上线以后研发同学都会收到各种问题反馈。在跟进手Q内部用户反馈的问题时，发现多例问题，其表象和原因如下：

1、问题表象：“未读不消失”、“图片不展示”、“菊花一直在转” 。。。

2、问题原因：死锁导致的功能不可用。

这类由死锁造成的功能不可用的问题，具有表象简单但影响非常严重的特点。一般用户在遇到这类问题后，除了采取杀掉进程重启的策略，没有其他办法继续使用应用。由此可见，死锁问题对产品的影响是巨大的，那么有没有有效的方法能够监控android应用的死锁呢？

首先想到的是使用代码规范来避免死锁的发生。手Q有250多个业务模块，400w+行代码，这么多业务代码交叉调用，仅通过代码规范，很难避免死锁发生。

然后想到的是CodeDog的代码工具扫描。与CodeDog同事沟通后，发现Converity静态扫描无法识别嵌套调用使用锁的情况，而锁的嵌套调用是死锁发生场景中一个比较常见的场景。显然通过代码的静态扫描没法解决问题。

既然现成的代码扫描工具无法完全解决问题，只能硬着头皮试着自己造轮子来监控Android线程的死锁问题。

下面将详细介绍这套Android线程卡死监控系统。（注意这里用的词是“卡死”而不是死锁。死锁只是线程卡死原因中比较重要的分类，除了死锁还有许多其他问题造成线程的卡死。)

二、方案详述

2.1整体方案概述

下面是手Q自建Android线程卡死监控的整体方案：

Android线程监控整体方案分为两部分：客户端与后台。

1、客户端：由监控线程(WatchThread)与被监控线程(Thread)组成。

客户端线程的监控的核心主要利用线程的Looper方法，监控线程监控从被监控线程消息队列取出的消息的执行。当监控线程发现一个出队列的消息在一定时间（3分钟，可以自己设定）没有执行完成，则可认定被监控的线程发生卡死。这时，由监控线程获取线程持有、等待的阻塞锁信息，将这些信息上报到后台，客户端部分便完成了使命。

2、后台：由自动化分析工具，分析线程卡死的原因。原因分析完成以后，就可以进行提单，然后再跟进每个卡死问题的解决。

整个方案的关键是上图中两个标红的部分：客户端上报线程卡死的关键信息，后台自动化分析卡死原因。下面将详细介绍这两部的实现。

2.2 客户端上报

2.2.1卡死信息

Android线程卡死监控中客户端上报线程卡死的关键信息，那么哪些信息是关键信息呢？答案很明显：线程信息与线程持有、等待锁的信息。

在如何获取这两类信息之前，先来分析一下Java中锁的分类与特点。

Java中锁的分类有自旋锁、可重入锁、阻塞锁等等分类，其中能够造成线程卡死的锁，只有阻塞锁。对于阻塞锁有如下三种：

根据这三种锁是否有线程等待方和线程持有方，为了达到分析线程卡死的目标，需要获取如下信息：

1、对于sychronized锁：需要获取其持有线程和等待线程。

2、对于LockSupport锁：需要获取其持有线程和等待线程。

3、对于Object锁：需要获取其等待线程。

那么接下来的重点就是如何获取线程的信息与锁的信息上报。

2.2.2 上报方案1：抓取java堆栈—不可行

首先想到的方案是：抓取java的堆栈进行上报。下面是抓取的java堆栈与其对应的代码：

上图中右的代码中121行已经获取了sychornized锁，但是左边的java堆栈中并没有展示对应锁的信息，故使用抓取java堆栈的方式不可行。

既然使用Java抓取堆栈信息不可行，有没有其他方案呢？答案：有。

2.2.3上报方案2：抓取系统Traces.txt——可行

既然抓取java的堆栈行不通，只能寻求其他解决方案。突然想到，Android在发生ANR时有一套系统机制：

1、Android应用发生ANR时，系统会发出SIGQUIT信号给发生ANR进程。

2、系统信号捕捉线程触发输出/data/anr/traces.txt文件，记录问题产生虚拟机、线程堆栈相关信息。

3、这个trace文件中包含了线程信息和锁的信息，借助这个trace文件可以分析卡死的原因。

由此，如果利用这个系统原有的机制，自己在线程卡死时候触发traces文件的形成进行上报，便可以把线程卡死的关键进行进行上报。本监控方案便是利用系统机制进行卡死信息的抓取：

1、当监控线程发现被监控线程卡死时，主动向系统发送SIGQUIT信号。

2、等待/data/anr/traces.txt文件生成。

3、文件生成以后进行上报。

4、当然，这里也有少数Trace文件生成失败的情况，但是，对于手Q大盘监控可忽略。

既然方案可行，就需要分析利用系统机制抓取的信息（所有线程信息、线程堆栈中锁的信息）是否满足需求。下面是一个利用系统机制继续抓取的例子：

右图代码中的synchonized锁信息已经在左边系统dump的堆栈中，由此可见，可以利用这个堆栈进行卡死分析。那是否利用这些信息就足够进行线程卡死原因的分析了呢？

天下永远没有这么便宜的晚餐。

2.2.4上报难点：Traces中没有LockSupport锁的持有者信息
通过分析上报的Traces文件与抓取锁信息对比，sychornized、object锁的信息得到解决，但是LockSupport锁的信息竟然缺少了持有线程。利用系统机制抓取的堆栈，可以获取锁的信息如下表所示：

下面是LockSupport锁无法获取持有线程信息的一个例子：

右图的代码在执行lock.lock()之后，线程已经获取了LockSupport锁，但是从左边的系统堆栈中却没有这个锁的信息。

这将是后续进行自动化分析的一个难点问题。那么有没有什么解决方案？通过深入分析手Q的代码，找到了答案。

2.2.5 解决方案：主动记录LockSupport锁的线程信息
解决问题的思路，先人工分析所有上报trace文件，需找关键特征：

1、找到发生死锁时系统dump堆栈的关键特征。

2、人工对卡死问题聚类分析，发现卡死堆栈中locksupport锁的问题全部为数据库问题。

3、再分析手Q的数据库相关代码，发现数据库事务LockSupport锁的入口统一，能够记录获取、等待获取的线程信息。

在上面的分析结论中，为了解决LockSupport没有持有线程信息这个难点，利用发现问题统一、程序代码入口统一的特点，采取下面这一招：

在系统dump的Trace文件中人工记录LockSupport锁信息。

解决方案：在数据库相关的代码中添加如下记录代码。

上述代码中，将等待获取LockSupport锁线程记录到等待列表中，获取LockSupport锁以后从等待列表中移除，并记录当前线程（记录当前线程id、name信息）为LockSupport锁的持有线程，当前线程释放LockSupport锁以后再将记录清空。

有了上述记录的LockSupport锁线程信息，只要在卡死形成的traces文件最后添加这些信息，然后再进行上报，这样就解决了没有LockSupport锁持有线程信息的问题。

在traces文件最后一行添加的具体如下图所示：

当然，为了方便后续的问题分析，在trace文件最后一行还添加了其他一些信息，如：被卡死线程的名称、系统版本号、发生时间等等。

目前，客户端已经解决了线程卡死以后上报信息不完整的问题，那么，接下来的重点就是要识别这些卡死的原因，下面章节将详细道来。

2.3 服务端识别
2.3.1识别方案：关键信息上报，自动化分析
服务端识别方案可概述为：关键信息上报，自动化分析。

关键信息上报这是自动化分析的前提。在详述自动化分析方案之前，首先回顾一下到目前为止已经获取到的信息。

1、Traces.txt：所有线程信息、系统dump锁信息(synchonized、Object、LockSupport)。

2、主动记录的LockSupport锁信息（持有线程）。

3、主动识别到被卡死线程。

有了这三个关键的信息，接下来就是进行线程卡死的自动化分析，下面是自动化卡死分析的完整方案：

上图的整体识别方案，详细步骤说明如下：

1、客户端将主动记录的LockSupport锁信息、被卡死线程信息等添加到系统dump的trace文件最后一行进行上报。

2、服务端进行自动化分析时，首先进行预处理：LockSupport锁等待线程信息预处理、线程堆栈proguard还原。

3、从trace文件中提取所有线程持有、等待的锁信息，记录到每个线程中。

4、提取trace文件最后一行记录的LockSupport锁持有线程，从第3步分析的所有线程中找到该线程，并在线程持有锁中加入LockSupport锁。

5、接下来从trace文件最后一行提取出被卡死线程，从被卡死的线程开始分析。

6、被卡死线程是否有等待锁，如果无，则判定为非死锁，进入第12步进行卡死原因分析。

7、如果有等待锁，找到该等待锁的持有线程。

8、该持有线程是否有等待锁，如果无，则判定为非死锁，进入第12步进行卡死原因分析。

9、如果有等待锁，判断该线程是否已经在遍历列表中。

10、如果已经中遍历列表中，判断是否存在锁列表循环，如果是，则判定为死锁。

11、如果没有中遍历列表中，将该线程加入遍历列表中，进入第7步进行循环。

12、非死锁原因分析。目前分为：网络、文件IO、HashMap、系统IPC、抓栈、GC、数据库、ProcessManager、PB、后续扩展。

完成上述自动化分析以后，输出线程卡死问题列表。对于什么是死锁，下面将举例说明。

2.3.2 死锁举例：两个线程互相等待对方已获取的锁导致死锁
首先，看发生死锁的两个线程堆栈：

1、 MSF-Receiver线程堆栈：

MSF-Receiver线程已经获取数据库LockSupport锁，等待获取0x18087549锁。

2、QQ_DB线程堆栈：

QQ_DB线程已经获取0x18087549锁，等待获取数据库LockSupport锁。

将两个线程获取与等待获取的锁做成一个列表，如下表所示：

从上表可看出：MSF-Receiver线程与QQ_DB线程互相等待对方已获取的锁，他们之间存在锁列表环，判定为死锁。

从这个死锁的列子发现，要做自动化分析死锁，只要能够找到线程之间存在锁列表循环就可以判定为死锁。那么自动化分析是否如想象中那么容易呢？其实不然，在自动化分析过程中，遇到了几个难点问题。

2.3.3 识别难点1：LockSupport等待锁的阻塞地址不同
在自动化分析过程中，发现如下问题：

1、系统dump的线程堆栈中有等待数据库事务的LockSupport锁对象信息。

2、但是同一个LockSupport锁，不同线程阻塞时的对象地址不同。

上面两点是什么意思？还是按照惯例，先看两个线程堆栈：

手Q代码中所有数据库操作，都由同一个LockSupport锁来控制。但是，从上面的系统堆栈来看，Recent_Handler线程阻塞的LockSupport锁对象地址为0x43810d48，而QQ_SUB线程阻塞的LockSupport锁对象地址为0x41fcb538。

由此可见，对于同一个LockSupport锁，不同线程阻塞时的对象地址不同。要进行自动化分析，如果对于同一个锁必须要识别为同一个对象，可是上述堆栈表现却不能完成这个任务。怎么解决？

2.3.4 解决方案： 提取特征，判定为同一个锁
1、LockSupport锁提供调度线程阻塞与唤醒功能。

2、不同线程都与各自LockSupport锁的许可关联，所以造成了不同线程阻塞对象地址不同。

既然这个问题是由于LockSupport锁的实现原理决定，那么是否有解决方案呢？答案是：有。

如果有办法能够让这些不同的地址都指向同一个地址，只要能够做到这件事情，那么问题就迎刃而解。具体的解决方案的分析思路如下：

1、既然阻塞的LockSupport锁对象地址是不同的，那么是否可以寻找系统堆栈中LockSupport锁对象之前的有没有什么共同特征呢？

2、分析所有dump的堆栈后发现，在系统堆栈的LockSupport锁对象之前，有相同的函数调用，可以提取这些关键的字符串，将其统一特征进行归类。

3、在进行自动化分析时，只要发现系统堆栈中有这个字符串特征，便在当前分析线程锁列表中，加入一个人为构造的地址相同的LockSupport锁。

具体构造如下：

上图中提取了字符串“SQLiteConnectionPool.waitForConnection”为等待LockSupport锁的共同特征，在线程的等待锁中加入同一个“dbconnection”锁。

这样就解决了阻塞在同一个LockSupport锁，不同线程阻塞时的对象地址不同的难点。

2.3.5 识别难点2：非死锁问题
对于非死锁问题，人工分析所有上报后，发现卡死原因分类较多，大致可分为：

1、网络、文件IO、HashMap、系统IPC、抓栈、GC、数据库、ProcessManager、PB

2、后续仍然可扩展分类。

对于非死锁问题的判定，这里提出基于堆栈关键词匹配来判定问题分类的方案。

首先，预设堆栈关键字与问题分类对应关系，如：Scoket等。

其次，对未识别的类别的堆栈聚类，人工分析top问题找出关键字符串进行扩展。

再次，完善堆栈关键字与问题类别对应关系。

下表示展示了目前已归纳总结出的卡死问题与对应判定关键字。

重点案例： HashMap卡死

在分析系统dump时，发现多线程访问HashMap会造成卡死，具体卡死原因如下：

1、HashMap在插入元素过多需要进行Resize步骤

2、Resize步骤包括扩容与ReHash

3、ReHash在并发的情况下可能会形成链表环

4、访问HashMap链表环这个位置时造成卡死

解决方案：

1、保证同一时间只有单个线程访问HashMap

2、多线程场景使用ConcurrentHashMap

三、卡死监控与自动化效果
卡死自动化分析后，会输出卡死问题概览列表。以11月7号为例，手Q自动化分析的线程卡死以后，输出以下列卡死问题概览：

通过以上问题概览，可以看到每类卡死问题的个数与占比，方便问题总结。在这些问题中：

1、死锁问题占比最高，达到35.6%，已经全部解决。

2、其他非死锁问题：

已经解决：IO、HashMap、网络调用。

暂未解决：IPC、ProcessManager、PB、抓栈、GC、文件IO等。

通过几个版本的监控与问题的解决，取得了良好的效果，如下所示：

1、MSF线程卡死率0.3%降低到0.1%，公用线程卡死率0.51%降低到0.18%。

2、730一灰APM使用公用线程造成卡死问题严重，及时发现并推进解决。

总的来说，通过线程卡死的监控与自动化分析，以及对发现卡死问题的及时解决，手Q线程卡死率逐版本下降，卡死问题得到有效控制。

四、后续规划
目前线程卡死监控任然有一些需要完善的地方：

1、目前还是需要中自动化分析问题后进行人工提单。后续需要做到自动化提单。

2、未完全记录LockSupport锁持有信息，目前只是记录数据库，对于其他使用LockSupport锁没有监控。后续采用Hook LockSupport锁的方案，记录完整信息，完善死锁监控问题定位能力。

如果您觉得我们的内容还不错，就请转发到朋友圈，和小伙伴一起分享吧~