读锁调度导致高延迟的 case 一例

在给某个项目做长时间极限压测的时候，经常会出现压几小时不出问题，突然就崩了(延迟大幅上升)的情况。

查看监控发现崩的时候 goroutine 突然涨起来了，那么可以用我之前开发的问题诊断工具了，配置下面的策略：若 goroutine 突然开始暴涨，则将 goroutine 文本 dump 下来。对这个诊断工具不了解的，可以看看我之前写的 无人值守的自动 dump-2[1] 和 无人值守的自动 dump[2]。

代码集成好之后再压，发现崩溃时，总是有很多卡在锁上的 goroutine：

10760 @ 0x42f81f 0x4401d9 0x4401af 0x43ff4d 0x474df9 0x95709a 0x952d0d 0x17466fc 0x17462c4 0x174c8a8 0x174c88a 0x174e308 0x1755b78 0x1749432 0x17588e8 0xf90a54 0xc9670d 0x45d061
# 0x43ff4c sync.runtime_SemacquireMutex+0x3c    /Users/xargin/sdk/go1.12.17/src/runtime/sema.go:71
# 0x474df8 sync.(*Mutex).Lock+0x108     /Users/xargin/sdk/go1.12.17/src/sync/mutex.go:134
# 0x957099 github.com/rcrowley/go-metrics.(*UniformSample).Update+0x39 /Users/xargin/mosn/vendor/github.com/rcrowley/go-metrics/sample.go:508
# 0x952d0c github.com/rcrowley/go-metrics.(*StandardHistogram).Update+0x3c /Users/xargin/mosn/vendor/github.com/rcrowley/go-metrics/histogram.go:199
.....这下面就是一堆业务代码了......

1 @ 0x42f81f 0x4401d9 0x4401af 0x43ff4d 0x474df9 0x504a3d 0x5040ba 0x5040ac 0x957187 0x957172 0x952d0d 0x17465d0 0x17462c4 0x174c8a8 0x174c88a 0x174e308 0x1755b78 0x1749432 0x17588e8 0xf90a54 0xc9670d 0x45d061
# 0x43ff4c sync.runtime_SemacquireMutex+0x3c    /Users/xargin/sdk/go1.12.17/src/runtime/sema.go:71
# 0x474df8 sync.(*Mutex).Lock+0x108     /Users/xargin/sdk/go1.12.17/src/sync/mutex.go:134
# 0x504a3c math/rand.(*lockedSource).Int63+0x2c    /Users/xargin/sdk/go1.12.17/src/math/rand/rand.go:380
# 0x5040b9 math/rand.(*Rand).Int63+0x69     /Users/xargin/sdk/go1.12.17/src/math/rand/rand.go:85
# 0x5040ab math/rand.(*Rand).Int63n+0x5b     /Users/xargin/sdk/go1.12.17/src/math/rand/rand.go:117
# 0x957186 math/rand.Int63n+0x126      /Users/xargin/sdk/go1.12.17/src/math/rand/rand.go:319
# 0x957171 github.com/rcrowley/go-metrics.(*UniformSample).Update+0x111 /Users/xargin/mosn/vendor/github.com/rcrowley/go-metrics/sample.go:514
# 0x952d0c github.com/rcrowley/go-metrics.(*StandardHistogram).Update+0x3c /Users/xargin/mosn/vendor/github.com/rcrowley/go-metrics/histogram.go:199
....这下面是一堆业务代码了.....

如果分析原因的话，其实不难理解，极限压测时 CPU 利用率都比较高 90%+，这时锁冲突就是会导致整个服务因为锁冲突而直接崩掉(goroutine 暴涨 OOM 之类的，或者延迟大幅上升，不可用)。

但问题是为什么是压了一段时间后才崩，而不是一开始就崩呢，压测平台给服务的压力在这个期间并没有什么变化，看监控也没有 tcp retrans 之类的事件发生。

正好最近在一个朋友群，有前同事拉出了我之前写的一篇文章：一个和 rlock 有关的小故事[3]来鞭尸，当时写的比较粗糙，后来被网友打脸：又一个和 rlock 有关的小故事[4]，并且有网友在评论区指出了一些问题，我把改进后的 demo 贴在这里：

     1 package main
     2 
     3 import (
     4  "fmt"
     5  "os"
     6  "runtime/trace"
     7  "sync"
     8  "sync/atomic"
     9  "time"
    10 )
    11 
    12 var mlock sync.RWMutex
    13 var wg sync.WaitGroup
    14 
    15 func main() {
    16  trace.Start(os.Stderr)
    17  defer trace.Stop()
    18  wg.Add(100)
    19 
    20  for i := 0; i < 100; i++ {
    21   go gets()
    22  }
    23 
    24  wg.Wait()
    25  if a > 0 {
    26   fmt.Println("here", a)
    27  }
    28 }
    29 
    30 func gets() {
    31  for i := 0; i < 100000; i++ {
    32   get(i)
    33  }
    34  wg.Done()
    35 }
    36 
    37 var a int64
    38 
    39 func get(i int) {
    40  beginTime := time.Now()
    41  mlock.RLock()
    42  tmp1 := time.Since(beginTime).Nanoseconds() / 1000000
    43  if tmp1 > 100 { // 超过100ms
    44   atomic.AddInt64(&a, 1)
    45  }
    46  mlock.RUnlock()
    47 }

当控制台有输出时，把 trace 记录下来，可以发现 RLock 取锁成功之后，time.Since 函数调用时被协作式抢占调度出去了。这里抢占的原因是函数扩栈，不是因为 syscall。

这个结论能给我们一些参考意义，在 CPU 使用率较高时，获取 RLock 的 goroutine 还是有一定概率被抢占的，这种抢占对于我们的服务是有较大的破坏性的：

Authors of parallel programs have known for decades that performance can suffer badly if a thread is preempted while holding a lock; this is sometimes referred to as inopportune preemption.

也就是说，如果在持锁期间被抢占，那么其它 goroutine 就必须等这个 goroutine 从全局队列里重新被调度回来，并执行完它的临界区，才能抢锁成功。

假如这时候来一个 write lock，那就有意思了。而因为这种调度本身就具有一定的随机性，所以如果真的是碰上了，也确实很难定位。

具体的现象是，平稳了很长时间，突然它就崩了！