LoadTest中内存和线程Troubleshooting实战
在端午节放假的三天中，我对正在开发的Service进行了LoadTest，尝试在增大压力的条件下发现问题。
该Service为独立进程的WCF服务，宿主于WindowsService，其接收其他Service的调用，并根据业务流程调用不同的依赖Service。
问题现象
果真，假期归来，问题来了。内存正常在200M左右，已经膨胀到4.5G，同时正常线程数为40-60左右，已经占用了560个。
基于在测试之前已经准备好了PerformanceCounter记录，从报表数据来看，CPU使用率不高，并且仍然在偶尔活跃，可以猜测只是部分业务Block，而非全部。
在此期间，内存不断攀升，而且比想象的要快。
但奇怪的是，线程数在6月8日7:30左右才开始爆发。
所以大概可以分析，内存的增加与线程的增加，没有之间的联系，线程数虽在500以上，但按照业务代码核算，不至于产生4.5G以上的内存使用。
所以猜测，应该有两个问题：
- 在代码某处有持续的内存泄漏。
- 在代码某处有单点故障导致Block线程。
分析内存泄漏
好的消息是，进程还活着，虽然不再进行正经的业务。此时，祭出神器 WinDbg，尝试看看内存中有什么。
!dumpheap -stat
- MT ：对应 Method Table 地址。
- Count : 该对象的数量。
- TotalSize ：该对象的总大小，Bytes。
TriggerHit和TriggerProgress都是业务类型，可以大概看一下TriggerHit类型的大小，使用：
!dumpheap -mt 000007ff006775a0
!dumpobj 0000000005cbbf78
可以明确判断，每个AsyncToken实例只占48Bytes。而其为ConcurrentDictionary中的一个Node，代表一个KeyValue键值对。
综合以上可以看出，几种类型 TriggerProgress、TriggerHit、long、AsyncToken 类型最多。从业务设计上看 TriggerProgress/TriggerHit 业务类实例的个数是相同的，从图上看也是相同的，但数量肯定不至于有507万个。每个类型的占用内存大概在240M以上。而有差不多数量的 AsyncToken 类型，占用也在240M左右。而 long 类型，存放在 ConcurrentDictionary 中，应该是作为某种索引，居然有1000万条，空间占用480M以上。这几个类型的占用总和已经达到了3G左右。所以说，这里应该是内存泄漏的根源。
此时，查看对应的数据库表 Triggers，
居然有700多万条数据处在Enabled状态。此处的Trigger是个业务概念，其代表该Service与另外一个Service之间的Transaction，如果其为活跃，则证明在所依赖的Service并没有明确回复该Transaction已结束。而从业务设计角度，每秒会产生100-200个Transaction，每个Transaction通常在5分钟左右的时间结束。进一步在Service的日志Log中确认是否有Exception出现，排除处理Transaction异常的情况，发现没有。也就是说，有大量的Transaction未接收到回复，所依赖的Service应该出了问题。
走到此处，在LoadTest中内存泄漏的问题算是被确认了，而后来经过与相应的Service开发人员沟通，确认所依赖的Service确实有性能问题，因为在Load很高的情况下，发送的Transaction数量已经超过了对方Service承受的能力。后续的补充解决办法是为Transaction增加Timeout超时检测。
好，问题解决一个，线程数高的问题还没有解决，前面已经描述了，内存高与线程多没有关系。那么，那560个线程每个走在做什么工作呢？
分析线程使用
显然需要继续使用WinDbg，因为此时使用ProcessExplorer只能帮助确认线程在使用那些DLLs，没有更多帮助。
由于有500多个线程，所以也不知道从哪个开始，只能从头一个一个来。一般1-10可能是进程启动时启用的线程，比如MainThread、GC回收线程等。同时，业务中的一些常规Timer也会先启动占用线程。
当查到第22个线程时，
~22 e !clrstack
这个很有帮助，发现第22个线程在 SemaphoreSlim.Wait() 等待一个信号量释放，而其为类 SmartQueue 中的代码。还好加了PDB文件，直接显示到 SmartQueue.cs 的第 301 行。直接看看代码，
发现这句代码在等待信号量的释放，并且没有指定超时时间，所以如果信号量在占用线程不被释放，这里将一直阻塞着。那这是一个被阻塞的线程，而不是引发阻塞的线程。
下一个线程，23号线程也在做同样的事情，等待信号量释放，所以猜测有很多线程在等待同一个信号量释放。
问题是，系统中有至少10个SmartQueue在工作，而此处无法看出是哪个SmartQueue被阻塞了。但根据业务设计和配置文件中的配置，
每个SmartQueue中最多启160个线程，而这个Queue的配置已经是最大的了，其他均小于160。这样看来，达到560，还不是一个SmartQueue在努力。
问题复杂了，一时看不出究竟，只能继续查看。当查到第30号线程时，
希望来了，这个调用占说明，在方法ObtainXXX中，正在Monitor.Enter(object)，也就是一个lock在尝试锁定对象。此时继续查看线程调用栈，40/50/100/200/300/400/500线程均Block在ObtainXXX方法中。
PDB信息中已经给出的代码行，
这里__activeXXX是一个ConcurrentDictionary，这里已经进行了DoubleCheck检测，也就是获得锁的线程需要检测是否该ID已经在其他线程中增加了。但调用这个ObtainXXX方法的代码有8处，并且在不同的业务规则中，所以确实可以发生在不同的SmartQueue中的线程中，也验证了上面的猜测。
那么，问题是，既然一个线程得到了锁，而其不释放这个锁，那么就是说{}代码中应该有可阻塞调用。
发现代码中，除了Log，只有一句代码，就是这个LoadXXXByID，其功能就是从数据库中获取数据并生成对象实例。
此处我开始疑惑，Service访问数据库使用EntityFramework，此处针对这个业务对象，只有两种操作，
- 如果数据库中不存在此业务对象ID，则Insert一条新的。
- 如果数据库中存在此业务对象ID，则通过Select读取数据构造业务对象。
业务代码简写为：
Balance storedBalance = Repository.Balance.QueryWithPC()
.SingleOrDefault(p => p.RelatedId == xxx); if storedBalance == null)
{
storedBalance = CreateBalanceToRepository(xxx);
}
这能产生死锁？
分析数据库
走到这一步，开始关注数据库了。因为，感觉Insert操作会产生表级锁，阻塞所有Select操作，Update操作可能产生多种类型的锁，但Insert/Update会很快处理完毕释放锁。Select操作，默认EntityFramework并不加QueryHint，所以默认查询隔离级别为ReadCommitted，即使这样，查询只会变慢，但不会死锁。所以，有些想不通。
先查看了针对数据库访问定制的PerformanceCounter，
发现在发生故障之前，CRUD操作均在0.1秒以下。在发生故障的那个时间点，针对Balance表的Insert操作的时长已经达到了60秒的量级，而Select操作也已经平均在5秒以上。
到底发生了什么？
SQL Server Management Studio 提供了些默认的报表，先看看。发现一张有用的报表 Top Transactions by Locks Count，
貌似Triggers表有死锁出现，而业务上，Balance与Trigger是一对多的关系。
查看Trigger表的PerformanceCounter监控记录，
Trigger这张数据库表，在同样的时间也发生了类似的访问时间异常。
SELECT REQUEST_MODE, REQUEST_TYPE, REQUEST_SESSION_ID
FROM sys.dm_tran_locks
WHERE RESOURCE_TYPE = 'OBJECT'
AND RESOURCE_ASSOCIATED_ENTITY_ID =(SELECT OBJECT_iD('Triggers'))
用上面这个SQL查询确认Triggers表在SessionID=77上发生了IX类型的锁，不释放。
并且使用 sp_who2 确认这个session是由我们的Service保持的，因为有多个Service在使用同一个数据库。
我在Google上搜索到了一个可以查看具体锁内容的SQL，
SELECT L.request_session_id AS SPID,
DB_NAME(L.resource_database_id) AS DatabaseName,
SC.name AS SchemaName,
O.Name AS LockedObjectName,
P.object_id AS LockedObjectId,
L.resource_type AS LockedResource,
L.request_mode AS LockType,
ST.text AS SqlStatementText,
ES.login_name AS LoginName,
ES.host_name AS HostName,
TST.is_user_transaction as IsUserTransaction,
AT.name as TransactionName,
CN.auth_scheme as AuthenticationMethod
FROM sys.dm_tran_locks L
JOIN sys.partitions P ON P.hobt_id = L.resource_associated_entity_id
JOIN sys.objects O ON O.object_id = P.object_id
JOIN sys.schemas SC ON O.schema_id = SC.schema_id
JOIN sys.dm_exec_sessions ES ON ES.session_id = L.request_session_id
JOIN sys.dm_tran_session_transactions TST ON ES.session_id = TST.session_id
JOIN sys.dm_tran_active_transactions AT ON TST.transaction_id = AT.transaction_id
JOIN sys.dm_exec_connections CN ON CN.session_id = ES.session_id
CROSS APPLY sys.dm_exec_sql_text(CN.most_recent_sql_handle) AS ST
WHERE resource_database_id = db_id()
ORDER BY SchemaName
查询结果：
从SqlStatementText的样子可以看出，这些SQL基本上就是EntityFramework生成的。进而总结所有对Trigger表的操作SQL，
Insert Trigger:
insert [Triggers]([BalanceID], [Origin], [Offset], [Target], [TriggerId], [Category], [CreatedTime], [LastUpdatedTime], [Enabled])
values (@0, @1, @2, @3, @4, @5, @6, @7, @8)
select [ID]
from [Triggers]
where @@ROWCOUNT > 0 and [ID] = scope_identity()',N'@0 bigint,@1 bigint,@2 bigint,@3 bigint,@4 bigint,@5 smallint,@6 datetime2(7),@7 datetime2(7),@8 bit',@0=14,@1=0,@2=0,@3=2000,@4=635062714505193632,@5=0,@6='2013-06-08 07:00:19.8322818',@7='2013-06-08 07:00:19.8322818',@8=1
Update Trigger:
update [Triggers]
set [BalanceID] = @0, [Origin] = @1, [Offset] = @2, [Target] = @3, [TriggerId] = @4, [Category] = @5, [CreatedTime] = @6, [LastUpdatedTime] = @7, [Enabled] = @8
where ([ID] = @9)
',N'@0 bigint,@1 bigint,@2 bigint,@3 bigint,@4 bigint,@5 smallint,@6 datetime2(7),@7 datetime2(7),@8 bit,@9 bigint',@0=14,@1=0,@2=0,@3=266,@4=635062714505193629,@5=3,@6='2013-06-08 07:00:19.8292815',@7='2013-06-08 07:00:37.1550139',@8=0,@9=111
Select Trigger:
SELECT
[Extent1].[ID] AS [ID],
[Extent1].[BalanceID] AS [BalanceID],
[Extent1].[Origin] AS [Origin],
[Extent1].[Offset] AS [Offset],
[Extent1].[Target] AS [Target],
[Extent1].[TriggerId] AS [TriggerId],
[Extent1].[Category] AS [Category],
[Extent1].[CreatedTime] AS [CreatedTime],
[Extent1].[LastUpdatedTime] AS [LastUpdatedTime],
[Extent1].[Enabled] AS [Enabled]
FROM [Triggers] AS [Extent1]
WHERE ([Extent1].[BalanceID] = @p__linq__0) AND ([Extent1].[Enabled] = 1) AND ([Extent1].[LastUpdatedTime] > @p__linq__1)',N'@p__linq__0 bigint,@p__linq__1 datetime2(7)',@p__linq__0=22,@p__linq__1='2013-06-08 06:15:56.6259518'
这些SQL都已经是简单到不能再简单的SQL了，但根据上图描述，在多个Key上产生了X锁，在多个Page上产生了IX锁，而我猜测就是这个IX锁阻塞了所有操作。
但，我还是不知道为什么会产生DeadLock。我只能猜测，一个Update在把持一个Key-X锁，而另一个Update把持着Page-IX锁，他们互相等，而Select在等S锁，并等待X、IX结束。
然后，我尝试了一个很stupid的操作，Kill 77。我把这个session给kill掉了，瞬间，service进程没了。我破坏了现场。
我以为，然后就没有然后了。
是的，在进程死之前，居然打了句Log，真给力啊。至少它明确的告诉了我，“An existing connection was forcibly closed by the remote host.”。这就是我的Kill操作。
而且，其证明了这个session阻塞在 UnitOfWork.Commit() 方法上，也就是最终的 DbContext.SaveChanges() 上。
而这个操作是在Update这个Triggers表，也就是Transaction在这里产生了DeadLock最终没有返回，导致此处代码一直被Block，进而没有释放lock(object)，进而阻塞线程，并阻止了其他线程的访问。
最后，我做了些更改，当获取Repository<Trigger>时，增加TransactionScope，并指定ReadUncommitted。
private static T Get<T>() where T : class
{
T obj = default(T); using (var transactionScope = new TransactionScope(
TransactionScopeOption.RequiresNew,
new TransactionOptions()
{
IsolationLevel = IsolationLevel.ReadUncommitted
}))
{
obj = UnityContainerDispatcher.GetContainer().Resolve<T>();
transactionScope.Complete();
} return obj;
}
在新的一轮测试中，相同Load下，DeadLock没有再产生，只能说“貌似”解决了问题。