上周像往常一樣例行檢查線上機(jī)器性能，突然發(fā)現(xiàn)一個(gè)服務(wù)的內(nèi)存使用率是這樣的：

很顯然該服務(wù)存在內(nèi)存泄漏問題，趕緊排查問題。

問題排查

首先確定內(nèi)存泄漏問題出現(xiàn)的時(shí)間，發(fā)現(xiàn)在該時(shí)間點(diǎn)的上線有兩次代碼提交，其中一個(gè)就是我的。于是立刻排查這兩次代碼的改動(dòng)，確定了另一個(gè)同事的代碼不可能會有內(nèi)存問題后(因?yàn)榱硪粋€(gè)同事的上線僅僅修改了配置)我知道肯定是自己的代碼出現(xiàn)了問題。

確定了問題所在后趕緊把自己的代碼回滾掉，接下來就可以放心debug了。

Debug

什么是內(nèi)存泄漏？

簡單的講就是程序員申請的內(nèi)存在使用完后沒有還給操作系統(tǒng)，由于筆者使用的是C++語言，因此內(nèi)存泄漏一般是這樣的：

obj* o = new obj();  

...  

// 使用完obj后沒有delete掉 

肯定有什么地方申請了內(nèi)存后沒有調(diào)用delete釋放內(nèi)存。

在這里介紹一下筆者的代碼改動(dòng)，我的任務(wù)其實(shí)是重構(gòu)一段代碼，把這段代碼并行化。也就是舊的邏輯是在一個(gè)線程中串行執(zhí)行的，現(xiàn)在我要把這段邏輯放到兩個(gè)線程中并行執(zhí)行，這是最讓人頭疼的任務(wù)之一，并行化改造是比較容易出bug的。

接下來梳理了一遍中所有內(nèi)存的申請和釋放，這其中包括：

 使用new/delete分配釋放的內(nèi)存

 使用內(nèi)存池分配釋放的內(nèi)存

仔細(xì)梳理一遍后沒有發(fā)現(xiàn)任何問題，該釋放的內(nèi)存都已經(jīng)釋放掉了，這時(shí)筆者已經(jīng)開始懷疑人生了 :) ，很顯然還有一段沒有注意到的地方出現(xiàn)了問題，這是必然的，雖然知道問題必然出現(xiàn)在改動(dòng)的這些代碼里但是我并不能確定出現(xiàn)的位置。

沒有辦法，到這里基本上已經(jīng)要放棄自己人肉debug了，想利用一些內(nèi)存檢測工具來幫助自己確定問題。

常見的內(nèi)存泄漏檢測工具包括valgrind、gperftools等，valgrind的好處在于無需重新編譯代碼即可進(jìn)行內(nèi)存檢測，但是缺點(diǎn)是會使得程序運(yùn)行非常緩慢，官方文檔給的說法是會比正常的程序運(yùn)行慢20-30倍；gperftools則需要重新編譯可執(zhí)行程序。這些工具需要下載安裝測試，其中還涉及到申請機(jī)器權(quán)限等問題，筆者覺得還是比較麻煩，況且這個(gè)問題也不是大海撈針一樣，問題肯定出在了并行化的這段代碼中。

到這里我決定再換一個(gè)思路來排查問題，既然代碼重構(gòu)后開始并行執(zhí)行，那么出現(xiàn)問題大概率是因?yàn)槎嗑€程問題，遇到多線程問題首先重點(diǎn)排查的就是線程間的共享數(shù)據(jù)。

多線程問題的關(guān)鍵——共享數(shù)據(jù)

我們知道如果線程之間沒有共享數(shù)據(jù)那么就不會有線程安全問題，我們使用的鎖、信號量、條件變量等其實(shí)都是用來保護(hù)共享數(shù)據(jù)的，比如鎖通常是用來包括臨界區(qū)的，臨界區(qū)中的代碼操作的就是線程共享數(shù)據(jù)；信號量使用的一個(gè)經(jīng)典場景就是生產(chǎn)者消費(fèi)者問題，生產(chǎn)者線程以及消費(fèi)者線程都會操作同一個(gè)隊(duì)列，這里的隊(duì)列就是共享數(shù)據(jù)。

沿著這個(gè)思路開始找在兩個(gè)線程中都使用到的共享數(shù)據(jù)，果不其然，在一個(gè)角落中發(fā)現(xiàn)了這樣一段代碼：

auto* pb = global->mutable_obj(); 

這是分配protobuf對象的一段代碼，protobuf是Google開發(fā)是一種類似于JSON、XML的技術(shù)，因此常用于網(wǎng)絡(luò)通信和數(shù)據(jù)交換等場景，比如RPC等。

如果你不了解protobuf也沒有關(guān)系，實(shí)際上上面的這段代碼的要做的事情是這樣的：

if (global->obj == NULL) {  

  global->obj = new obj();  

}  

return global->obj; 

值得注意的是這段代碼現(xiàn)在會在兩個(gè)線程中執(zhí)行，顯然問題就出現(xiàn)在了這里。

那么問題是怎么出現(xiàn)的呢？

我們假設(shè)有兩個(gè)線程，線程A和線程B，當(dāng)這樣一段代碼在線程AB中同時(shí)執(zhí)行時(shí)可能會有以下場景：

 線程A拿到global->obj并檢測到此時(shí)的global->obj為空，因此決定為其分配內(nèi)存，但不巧的是此時(shí)發(fā)生線程切換，線程A在為global->obj分配內(nèi)存前被暫停運(yùn)行，如下所示： 

if (global->obj == NULL) {  

    <------- 線程切換，線程A被暫停執(zhí)行   

    global->obj = new obj();  

}  

return global->obj; 

 線程A被暫停運(yùn)行后線程B開始執(zhí)行，這段代碼同樣會在線程B中執(zhí)行一遍，因此線程B會首先檢查global->obj發(fā)現(xiàn)為空，因此為global->obj分配內(nèi)存，分配完內(nèi)存后發(fā)生線程切換，線程B被暫停運(yùn)行，如下所示： 

if (global->obj == NULL) {  

    global->obj = new obj();  

    <------- 線程切換，線程B被暫停執(zhí)行   

}  

return global->obj; 

線程B被暫停運(yùn)行后調(diào)度器決定重新運(yùn)行線程A，此時(shí)線程A開始從被中斷的地方繼續(xù)運(yùn)行，還記得線程A是從哪里被中斷的嗎，沒錯(cuò)，就是在為global->obj分配內(nèi)存前被中斷的，此時(shí)線程A繼續(xù)運(yùn)行，也就是說global->obj = new obj()這段代碼又被執(zhí)行了一次，雖然線程B已經(jīng)為global->obj分配了內(nèi)存。

Oops，典型的內(nèi)存泄漏，線程B分配的內(nèi)存再也無法被正常釋放掉了。

至此，我們已經(jīng)找到了問題的原因，罪魁禍?zhǔn)拙褪枪蚕頂?shù)據(jù)，關(guān)鍵的一點(diǎn)是要意識到你的線程會隨時(shí)被中斷執(zhí)行，CPU會隨時(shí)切換到其它線程。

代碼修復(fù)也非常簡單，再新增一個(gè)變量，兩個(gè)線程不在使用共享數(shù)據(jù)，到這里問題就解決了，從發(fā)現(xiàn)問題到完成修復(fù)耗時(shí)大概4小時(shí)。

經(jīng)驗(yàn)教訓(xùn)

代碼的并行化重構(gòu)是一件非常棘手的任務(wù)，很容易出現(xiàn)線程安全問題，解決線程安全問題首先要考慮的不是要不要加鎖，而是多個(gè)線程是否真的有必要使用共享數(shù)據(jù)，沒有必要的話多個(gè)線程操作私有數(shù)據(jù)根本就不會出現(xiàn)線程安全問題。

當(dāng)出現(xiàn)線程安全問題時(shí)，第一時(shí)間重點(diǎn)排查線程使用的共享數(shù)據(jù)。

內(nèi)存泄漏檢測工具

雖然這些沒有使用檢測工具全靠人肉debug其實(shí)還是因?yàn)閱栴}排查范圍比較小，如果我們根本就不知道問題出現(xiàn)在了那次代碼改動(dòng)那么檢測工具就非常重要了，在這里簡單介紹一下valgrind的使用，詳細(xì)的介紹請參考官方文檔。

假設(shè)有這樣一段問題代碼：

#include <stdlib.h>  

void f(void)    

{  

   int* x = malloc(10 * sizeof(int));  

   x[10] = 0;        // 問題1: 越界  

}                    // 問題2: 內(nèi)存泄漏，x沒有被釋放掉   

int main()   

{  

   f();  

   return 0;  

} 

這段代碼中有兩個(gè)問題：一個(gè)是數(shù)據(jù)的越界訪問；另一個(gè)是內(nèi)存泄漏。將該程序編譯為myprog。

接下來使用valgrind來檢查該程序，使用以下命令：

valgrind --leak-check=yes myprog 

運(yùn)行完成后valgrind會給出檢測報(bào)告，關(guān)于程序越界訪問會給出這樣的輸出：

==19182== Invalid write of size 4  

==19182==    at 0x804838F: f (example.c:6)  

==19182==    by 0x80483AB: main (example.c:11)  

==19182==  Address 0x1BA45050 is 0 bytes after a block of size 40 alloc'd  

==19182==    at 0x1B8FF5CD: malloc (vg_replace_malloc.c:130) 

==19182==    by 0x8048385: f (example.c:5)  

==19182==    by 0x80483AB: main (example.c:11) 

第一行告訴你代碼中存在Invalid write，也就是無效的寫，并給出了問題出現(xiàn)的位置。

關(guān)于內(nèi)存泄漏問題會給出這樣的輸出：

==19182== 40 bytes in 1 blocks are definitely lost in loss record 1 of 1  

==19182==    at 0x1B8FF5CD: malloc (vg_replace_malloc.c:130)  

==19182==    by 0x8048385: f (example.c:5)  

==19182==    by 0x80483AB: main (example.c:11) 

這里第一行報(bào)告了內(nèi)存"definitely lost"，也就是說一定會存在內(nèi)存泄漏，并給出了問題出現(xiàn)的位置。

實(shí)際上除了"definitely lost"，valgrind還會給出"probably lost"的報(bào)告，這兩種報(bào)告的含義是這樣的：

 "definitely lost"：你的程序一定存在內(nèi)存泄漏問題，修復(fù)。

 "probably lost"：你的程序看起來像是有內(nèi)存泄漏，有可能你在使用指針完成一些特定操作，因此不一定100%存在問題。

總結(jié)

編寫正確的多線程代碼從來不是一件容易的事情，線程安全問題的根源在于共享資源，因此在使用共享資源前務(wù)必確認(rèn)我們一定要用共享資源嗎？