背景
我们的业务共使用 11 台（阿里云）服务器，使用 SpringcloudAlibaba 构建微服务集群, 共计 60 个微服务, 全部注册在同一个 Nacos 集群。
流量转发路径：nginx -> spring-gateway -> 业务微服务。
使用的版本如下：
- spring-boot.version：2.2.5.RELEASE
- spring-cloud.version：Hoxton.SR3
- spring-cloud-alibaba.version：2.2.1.RELEASE
- java.version：1.8
基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能
案发
春节放假期间收到反馈，网页报错服务未找到（gateway 找不到服务的报错提示）。查看 nacos 集群列表，发现个别服务丢失 （下线）。
这个问题每几天出现一次, 出现时间不固定, 每次掉线的服务像是随机选的几个。服务手动 kill+restart 后能稳定运行 2-3 天。
基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能
排查和解决
怀疑对象一：服务器内存爆了
进阿里云控制台查看故障机器近期的各项指标，但是发现故障机器的指标有重要的几项丢失。内存使用率、CPU 使用率、系统负载均不显示。
控制台看不了只好进服务器内查看各指标，free -m 查看内存无异常。提交阿里工单。授权阿里工程师帮忙修复控制台显示问题，怀疑这个问题对业务有影响。
控制台修复后掉线问题依然存在。
怀疑对象二：CPU满载
能感觉到执行命令很流畅，所以感觉不是这个原因。top 查看后很正常。
怀疑对象三：磁盘满了
虽然概率很小，但是 du -sh * 看一下，发现磁盘容量还能用到公司倒闭。
怀疑对象四：网络有问题
- 服务器那三个基本故障暂时排除后，最大怀疑对象就是网络。毕竟服务掉线肯定是服务端一段时间内接收不到客户端心跳包，所以把客户端踢下线了。
- 通过 telnet,mtr -n ...,netstat -nat |grep "TIME_WAIT" | wc -l 这些命令也只能看个大概。
- echo "1" > /proc/sys/net/ipv4/tcp_tw_reuse 修改内核参数，开启 TIME_WAIT socket 复用能力，提升实例的网络发送请求性能。
- 查看 nacos 客户端（微服务）的日志，在前面案发里提到没有日志记录。
怀疑对象五：Nacos 集群服务端故障
- 查看 nacos 集群部署的那几台服务器, 查看服务器基础指标 (内存、CPU、磁盘等），未发现异常 （毕竟还有几十个微服务都很正常工作）。
- 查看 nacos 服务端日志，发现确实有主动下线服务操作。那就奇怪了，这个机器上的有些服务还在正常工作，为什么会随机下线几个服务呢？
怀疑对象六：微服务占用资源太多
后来仔细想想，这个怀疑对象是不是有点离谱了？ 因为部署脚本都是同一个，而且负载均衡也是一样的。 但其他机器的这个服务都好好的。
- 调大每个微服务的内存占用。
- 添加堆栈打印。
- 等待一段时间后，异常依然存在，并且没有堆栈打印？因为进程好好的并没退出。
- google 搜索 nacos 服务掉线，找到一篇看起来极其靠谱的文章。
- 上文提到我使用的 springcloud 版本，恰好这个版本的 nacos-client 版本就是 1.4.1， 于是立马测试升级。
- 观察几天后，发现问题依旧，只能将探查方向继续转回微服务本身。
- 用 arthas 进行勘测各项指标，发现所有正常的服务各指标均正常。
- 想到服务掉线大概率是因为心跳包丢失，怀疑是心跳线程因为某些原因被杀死了。
- 翻看 nacos-client 源码，找到心跳函数（nacos2.x 不是这个），使用 arthas 监听心跳包，尝试能找到心跳丢失的证据，贴上当时的记录。
- 当异常再次发生，arthas 监听卡死，无任何记录和响应。
- 无奈更换思路，写一个监听服务掉线的程序，期望可以在工作时间内及时获取到异常。
- 终于在工作时间捕获到异常，第一时间进入服务器内查看情况。
- 确认服务器基础项没问题后，使用 arthas 查看服务进程堆栈情况，但是 arthas 无法进入进程。
- 用 jstat 查看 GC 情况，显示很正常。
- 用 jmap/jstack 输出堆栈 jstack -l 25944 >heap.txt，但是提示无法进入进程。无奈使用添加 - F（这个参数的堆栈少了很多信息），jstack -F -l 25944 >heap.txt
- 查看堆栈文件上万行记录，眼都看花了但是没有死锁也没有发现异常。
- 此时发现监听程序提示服务上线了？检查后发现确实掉线的几个微服务自动恢复了，心想这就难排查了。
- 尝试复现 Bug，此时离第一次案发已经过去一周多，必须尽快处理好这个 Bug 否则可能得被迫离职了。
- 当第二次发生异常的时候，使用同样的方式 arthas 无法进入 ->...->jstack 输出堆栈。奇迹发生了，服务又恢复正常了。
- 思考 / 猜测：因为 JVM 死了（假死），所以导致进程中的一切内容，包括心跳线程、日志等都 hold 住。
- Google 搜索关键词 JVM 停止（假死）排查，终于找到一个极其靠谱的回答。
- 连忙查看对比使用的几个机器内核版本号 uname -r。
- 那个低版本的就是故障机器，确认相关信息后，联系阿里云提交工单。
- 升级完内核并重启机器后，观察两天至今这个问题不存在了。谁能想到这个问题居然是因为 Linux 内核的 Bug 引起的？！不得不佩服第一个发现这个 Bug 的大佬。
完结感言
这个问题折磨了一周多，每日如鲠在喉！调试过程也是苦乐参半，乐的是突然有了调试思路，苦的是思路是一条死胡同，还好最终结果是满意的。
作为一名程序员，还是要时刻保持一颗探索的心，学海无涯！
