一次读锁重入导致的死锁故障

thinkeridea · · 197 次点击 · 开始浏览    置顶
这是一个创建于 的主题,其中的信息可能已经有所发展或是发生改变。
在两天前第一次遇到自己的程序出现死锁, 我一直非常的小心使用锁,了解死锁导致的各种可能性, 这次的经历让我未来会更加小心,下面来回顾一下死锁发生的过程与代码演进的过程吧。 ## 简述业务背景及代码演进过程 我的程序中有一块缓存,数据会组织好放到内存中,会根据数据源(MySQL)更新而刷新缓存,是读多写少的应用场景。 内存中有一个很大数据列表,缓存模块会按数据维度进行分组,每次访问根据维度查找到这个列表里面的所有数据。 业务模块拿到数据后会根据业务需要再做一次筛选,选出N个符合条件的数据(具体多少个由业务模块的规则决定)。 以下是简化的代码: ```go package cache import "sync" type Cache struct { lock sync.RWMutex data []int // 实际数据比这个复杂很多有很多维度 } func (c *Cache) Get() []int { c.lock.RLock() defer c.lock.RUnlock() var res []int // 筛选数据, 简单写一个筛选过程 for i := range c.data { if c.data[i] > 10 { res = append(res, c.data[i]) } } return res } ``` 这个方法返回的数据会很多,可实际业务需要的数据只有几个而已,那做一个优化吧,利用 `go` 的 `chan` 实现一个迭代生成器,每次只返回一个数据,业务端找到需要的数据后立即终止。 调整后的方法大致像下面这样: ```go package cache import "sync" type Cache struct { lock sync.RWMutex data []int // 实际数据比这个复杂很多有很多维度 } func (c *Cache) Get(next chan struct{}) chan int { ch := make(chan int, 1) go func() { c.lock.RLock() defer c.lock.RUnlock() defer close(ch) // 筛选数据, 简单写一个筛选过程 for i := range c.data { if c.data[i] > 10 { ch <- i if _, ok := <-next; !ok { return } } } }() return ch } ``` 调用端的代码类似下面这样: ```go data := make([]int, 0, 10) c := Cache{} next := make(chan struct{}) for i := range c.Get(next) { data = append(data, i) if len(data) >= 10 { close(next) break } next <- struct{}{} } ``` 这样调整后查看程序的内存分配显著降低,而且平安无事在生产环境运行了半个月^_^,当然截止当前还不会出现死锁的情况。 有一天业务调整了,在 `cache` 模块有另外一个方法,公用这个锁(实际我缓存模块为了统一,都使用一个锁,方便管理),下面的代码也写到这个 `cache` 组件里面。 以下代码只增加了改变的部分,`....` 保持原来的代码不变。 ```go package cache import "sync" type Cache struct { .... x int } func (c *Cache) XX(i int) int{ c.lock.RLock() defer c.lock.RUnlock() if i >c.x { return i } return 0 } .... ``` 添加一个方法怎么就导致死锁了呢,主要是调用端的业务代码也发生变化了,更改如下: ```go data := make([]int, 0, 10) c := Cache{} next := make(chan struct{}) for i := range c.Get(next) { data = append(data, i) if c.XX(i) != i { // 在这里调用了缓存模块的另一个方法 close(next) break } next <- struct{}{} } ``` 修改后的代码上线存活了5天就挂了,实际是当时业务订单需求很少,只是有很多流量请求,并没有频繁访问这个方法,否者会在极短的时间导致死锁, 通过这块简化的代码,也很难分析出会导致死锁,真实的业务代码很多,而且调用关系比较复杂,我们通过代码审核并没有发现任何问题。 ## 事故现场分析排查问题 上线5天后突然接到服务无法响应的报警,事故发生立即查看了 `grafana` 的监控数据,发现在极段时间内服务器资源消耗极速增长,然后就立即没有响应了 ![](https://thinkeridea.github.io/assets/image/20181225/20181219-011353.jpg) 通过业务监控发现服务在极端的时间打开近10万个 `goroutine` 之后持续了很长一段时间, `cpu` 占用和 `gc` 都很正常, 内存方面可以看出短时间内分配了很多内存,但是没有被释放,`gc` 没法回收说明一直被占用, 看到这里我心里在想可能是有个 `goroutine` 因为什么原因导致无法结束造成的事故吧, 然后我再往下看(实际页面是在需要滚动屏幕,第一屏只显示了上面6个模块),发现 open files 和 `goroutine` 的情况一致,并且之后的数据突然中断, 中断是因为服务无法影响,也就无法采集服务的信息了。 ![](https://thinkeridea.github.io/assets/image/20181225/openfd.jpg) `goroutine` 并不会占用 open files,一个http服务导致这种情况大概只能是网络连接过多,我们遭受攻击了吗…… 显然是没有的不然cpu不能很正常,那就是有可能请求无法响应,什么原因导致呢? 使用 `lsof -n | grep dsp | wc -l` 命令去服务器查找服务打开文件数,确实在六万五千多, 通过 `cat /proc/30717/limits` 发现 `Max open files 65535 65535 files`, 配置的最大打开文件数只有 65535,使用 `lsof -n | grep dsp |grep TCP | wc -l` 发现数据和之前接近,只小了几个,那是日志文件占用的。 查看日志发现大量 `http: Accept error: accept tcp 172.17.191.231:8090: accept4: too many open files; retrying in 1s` 错误。 这些数据帮助我快速定位确实是有请求发送到服务器,服务器无法响应导致短时间内占用很多文件打开数,导致系统限制无法建立新的连接。 这里要说一下,即使客户端断开连接了,服务器连接还是没有办法关闭,因为 `goroutine` 没有办法关闭, 除非自己退出。 找到原因了,服务没法响应,没法通过现场查找问题了,先重新启动一下服务,恢复业务在查找代码问题。 接下来就是查找代码问题了,期间又出现了一次故障,立即重启服务,恢复业务。 ## 分析解决问题 通过几个小时分析代码逻辑,终于有了进展,发现上面的示例代码逻辑块导致读锁重入,存在死锁风险,这种死锁的碰撞概率非常低, 之前说过我们的缓存是读多写少的场景,如果只是读取数据,上面的代码不会有任何问题,我们一天刷新缓存的次数也不过百余次而已。 看一下究竟发生了什么导致的死锁吧: - 程序执行 `cache.Get` 获取一个 `chan`, 在 `cache.Get` 里面有一个 `goroutine` 读取数据只有加了读写锁,只有 `goroutine` 关闭才会释放 - `for i := range c.Get(next) {` 遍历 `chan` 时 `goroutine` 不会结束,也就说读锁没有被释放 - 遍历时执行了 `c.XX(i)` 方法,在该方面里面也加了读锁, 形成了读锁重入的场景,但是该放执行周期很短,执行完就会马上释放 好吧,这样的流程并没有形成死锁,什么情况下导致的死锁呢,接着看一下一个场景: - 程序执行 `cache.Get` 获取一个 `chan`, 在 `cache.Get` 里面有一个 `goroutine` 读取数据只有加了读写锁,只有 `goroutine` 关闭才会释放 - `for i := range c.Get(next) {` 遍历 `chan` 时 `goroutine` 不会结束,也就说读锁没有被释放 - 数据发生了改变,触发了缓存刷新,申请独占锁(写锁),等待所有读锁释放 - 遍历时执行 `c.XX(i)` 方法,该方法申请读锁,因为写锁在等待,所以任何读锁都将等待写锁释放后才能添加成功 - for 循环被阻塞, `cache.Get` 里面的 `goroutine` 无法退出,无法释放读锁 - 写锁等待所有读锁释放 - `c.XX(i)` 等待写锁释放 - .... 重点看第三步,这里是关键,因为在两个嵌套的读锁中间申请写锁,导致死锁发生,找到原因修复起来很简单的, 调整 `cache.Get` 加锁的方法,把 `c.data` 赋值给一个临时变量 `data`, 在这段代码前后加锁和释放锁,锁的代码块更小,时间更短 `c.data` 单独拷贝是安全的,那怕是指针数据,因为每次刷新缓存都会给 `c.data` 重新赋值,分配新的内存空间。 ```go package cache import "sync" type Cache struct { lock sync.RWMutex data []int // 实际数据比这个复杂很多有很多维度 x int } func (c *Cache) XX(i int) int{ c.lock.RLock() defer c.lock.RUnlock() if i >c.x { return i } return 0 } func (c *Cache) Get(next chan struct{}) chan int { ch := make(chan int, 1) go func() { defer close(ch) c.lock.RLock() data := c.data c.lock.RUnlock() // 筛选数据, 简单写一个筛选过程 for i := range data { if data[i] > 10 { ch <- i if _, ok := <-next; !ok { return } } } }() return ch } ``` 修复之后的业务状态: ![](https://thinkeridea.github.io/assets/image/20181225/20181219-011418.jpg) ## 复现问题 用程序复现一下上面的场景可以吗,好像有点难,我写了一个简单的复现代码,如下: ```go package main import ( "fmt" "runtime" "sync" ) var l = sync.RWMutex{} func main() { var wg sync.WaitGroup wg.Add(2) c := make(chan int) go func() { l.RLock() // 读锁1 defer l.RUnlock() fmt.Println(1) c <- 1 fmt.Println(2) runtime.Gosched() fmt.Println(3) b() fmt.Println(4) wg.Done() }() go func() { fmt.Println(5) <-c fmt.Println(6) l.Lock() fmt.Println(7) fmt.Println(8) defer l.Unlock() fmt.Println(9) wg.Done() }() go func() { i := 1 for { i++ } }() wg.Wait() } func b() { fmt.Println(10) l.RLock() // 读锁2 fmt.Println(11) defer l.RUnlock() fmt.Println(12) } ``` 这段程序的输出(受 `goroutine` 运行时影响在输出数字3之前会有些许差异): ``` 1 5 6 2 3 10 ``` 分析一下这个运行流程吧: - 首先加上读锁1,就是 `fmt.Println(1)` 之前, 状态加读锁1 - 另外一个 `goroutine` 启动,`fmt.Println(5)`, 状态加读锁1 - 发送数据 `c <- 1` , 状态加读锁1 - 接受到数据 `<-c` `fmt.Println(6)`, 状态加读锁1 - 输出 2 `fmt.Println(2)`, 状态加读锁1 - 暂停当前 `goroutine` `runtime.Gosched()` , 状态加读锁1 - 申请写锁 `l.Lock()`, 等待读锁1释放, 状态加读锁1、写锁等待 - 切换 `goroutine` 执行 `fmt.Println(3)` 与 `b()`, 状态加读锁1、写锁等待 - 输出10 `fmt.Println(10)`, 申请读锁2,等待写锁释放, 状态加读锁1、写锁等待、读锁2等待 - 支持程序永久阻塞…… ## 分析读写锁实现 ```go func (rw *RWMutex) RLock() { if race.Enabled { _ = rw.w.state race.Disable() } if atomic.AddInt32(&rw.readerCount, 1) < 0 { // A writer is pending, wait for it. runtime_SemacquireMutex(&rw.readerSem, false) } if race.Enabled { race.Enable() race.Acquire(unsafe.Pointer(&rw.readerSem)) } } ``` 申请写锁时会在 `rw.readerCount` 读数量变量上自增加 1,如果结果小于 0,当前读锁进入修改等待读锁唤醒信号, 单独看着一个方法会比较懵,为啥读的数量会小于0呢,接着看写锁。 ```go func (rw *RWMutex) Lock() { if race.Enabled { _ = rw.w.state race.Disable() } // First, resolve competition with other writers. rw.w.Lock() // Announce to readers there is a pending writer. r := atomic.AddInt32(&rw.readerCount, -rwmutexMaxReaders) + rwmutexMaxReaders // Wait for active readers. if r != 0 && atomic.AddInt32(&rw.readerWait, r) != 0 { runtime_SemacquireMutex(&rw.writerSem, false) } if race.Enabled { race.Enable() race.Acquire(unsafe.Pointer(&rw.readerSem)) race.Acquire(unsafe.Pointer(&rw.writerSem)) } } ``` 申请写锁时会先加上互斥锁,也就是有其它写的客户端的话会等待写锁释放才能加上,具体实现看互斥锁的代码, 然后在 `rw.readerCount` 上自增一个极大的负数 `1 << 30` , 读写锁这里也就限制了我们的同时读的进程不能超过这个值。 然后在结果上加上 `rwmutexMaxReaders` 也就是 `atomic.AddInt32(&rw.readerCount, -rwmutexMaxReaders) + rwmutexMaxReaders` 得到实际读客户端的数量 如果读的客户端不等于0,就在 `rw.readerWait` 自增读客户端的数量,之后陷入睡眠,等待 `rw.writerSem` 唤醒。 分析了这两段代码我们就能明白,写锁等待或者添加时,读锁没法添加上 ```go func (rw *RWMutex) RUnlock() { if race.Enabled { _ = rw.w.state race.ReleaseMerge(unsafe.Pointer(&rw.writerSem)) race.Disable() } if r := atomic.AddInt32(&rw.readerCount, -1); r < 0 { if r+1 == 0 || r+1 == -rwmutexMaxReaders { race.Enable() throw("sync: RUnlock of unlocked RWMutex") } // A writer is pending. if atomic.AddInt32(&rw.readerWait, -1) == 0 { // The last reader unblocks the writer. runtime_Semrelease(&rw.writerSem, false) } } if race.Enabled { race.Enable() } } ``` 释放读锁,先在 `rw.readerCount` 减 1,然后检查读客户端是否小于0,如果小于0说明有写锁在等待, 在 `rw.readerWait` 上减1,这个变量记录的是写等待读客户端的数量,如果没有需要等待的读客户端了,就通知 `rw.writerSem` 唤醒写锁 ```go func (rw *RWMutex) Unlock() { if race.Enabled { _ = rw.w.state race.Release(unsafe.Pointer(&rw.readerSem)) race.Disable() } // Announce to readers there is no active writer. r := atomic.AddInt32(&rw.readerCount, rwmutexMaxReaders) if r >= rwmutexMaxReaders { race.Enable() throw("sync: Unlock of unlocked RWMutex") } // Unblock blocked readers, if any. for i := 0; i < int(r); i++ { runtime_Semrelease(&rw.readerSem, false) } // Allow other writers to proceed. rw.w.Unlock() if race.Enabled { race.Enable() } } ``` 写锁在释放时会给 `rw.readerCount` 自增 `rwmutexMaxReaders` 还原真实读客户端数量。 `for i := 0; i < int(r); i++ {` 用来唤醒所有的读客户端,因为在写锁的时候,申请读锁的客户端会被计数,但是都会陷入睡眠状态。 ## 总结 以前特别强调过读锁重入导致死锁的问题,而且这个问题非常难在业务代码里面复现,触发几率很低, 编译和运行时都无法检测这种情况,所以千万不能陷入读锁重入的嵌套使用的情况,否者问题非常难以排查。 关于加锁的几个小经验: - 运行时离开当前逻辑就释放锁。 - 锁的粒度越小越好,加锁后尽快释放锁。 - 尽量不用 `defer` 释放锁。 - 读锁不要嵌套。 #### 转载 * **本文作者: 戚银(thinkeridea)** * **本文链接: https://blog.thinkeridea.com/201812/go/yi_ci_du_suo_chong_ru_dao_zhi_de_si_suo_gu_zhang.html** * **版权声明: 本博客所有文章除特别声明外,均采用 CC BY 4.0 CN协议 许可协议。转载请注明出处!**

入群交流(该群和以上内容无关):Go中文网 QQ交流群:731990104 或 加微信入微信群:274768166 备注:入群; 公众号:Go语言中文网

197 次点击  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传