.NET Core dump 分析

服务 CPU 或 内存偶尔飙高是部署环境中经常遇到的问题,一般会采用记录日志的方式来诊断,不过有些情况靠日志可能并不能分析出个所以然,面对实在无头绪的问题也只能暂时使用重启大法先恢复。

为了尽可能精准的定位问题,掌握通过 dump 分析服务运行堆栈信息也是非常必要的,本文将分别介绍如何对 .NET Core 2.2 和 .NET Core 3.1 项目进行 dump 分析(这里只针对 Linux 下使用容器部署的方式)。

创建 dump 文件

在创建 dump 文件之前,最好先查看具体是服务中哪些线程引发的异常,然后针对特定线程进行分析,不然全扫一遍将是一件非常耗时的工作。

进入容器后,安装 htop:

1
2
apt-get update
apt-get install htop

通过 htop 查看资源使用情况:

以上是测试程序模拟的状况,可知 PID 12 是需要关注的线程

执行以下命令即可创建 dump 文件(这里以 2.2.8 为例,另外可通过 createdump --help 查看更多参数设置,容器内默认 dotnet 进程对应 pid 均为 1):

1
/usr/share/dotnet/shared/Microsoft.NETCore.App/2.2.8/createdump 1

命令执行完成后,将生成 dump 文件 /tmp/coredump.1,我们需要通过 docker cpkubectl cpcoredump.1 文件复制到主机目录下,然后下载到用于 dump 分析的机器上。

注意:在 Docker 部署模式下,createdump 命令执行需要有容器特权,所以在容器启动时需要加 --privileged = true 参数。另外 dump 文件生成需要使用较大内存,需适当调整容器内存限制参数。

.NET Core 2.2

目前大多使用 lldb 进行分析,但从零开始搭建环境实在有些折腾,不推荐。网上已有封装好的镜像可直接使用,如:6opuc/lldb-netcore6opuc/lldb-netcore 默认是基于 .NET Core SDK 2.2.8 构建的镜像,如果当前要 dump 的服务 .NET Core 版本非 2.2.8,则需要修改 lldb-netcore 源码 重新构建镜像。

执行以下命令进入 lldb:

1
docker run --rm -it -v /root/coredump.1:/tmp/coredump 6opuc/lldb-netcore

查看当时运行的线程:

1
clrthreads -live

指定需要分析的线程编号(PID 12 的线程对应的 16 进制为 c,所以找到 OSID 为 c 的记录,对应编号为 7【第一列】

1
thread select 7

查看当前线程在托管代码中的堆栈信息

1
clrstack

更多命令可通过执行 soshelp 查看

.NET Core 3.1

.NET Core 3 开始,官方已提供 dotnet-dump 工具进行 dump 分析,使用起来也相对简单,当然我们依然可以继续使用 lldb 的方式。

安装 dotnet-dump

1
dotnet tool install --global dotnet-dump --version 3.1.141901

进入分析

1
dotnet-dump analyze /root/coredump.1

如果出现以下错误,说明 .NET Core SDK 没有安装到 /usr/shard/dotnet 路径下,可通过 DOTNET_ROOT 单独指定或重新安装。

查看正在运行的托管线程:

1
clrthreads

如果出现以下错误,是因为当前安装的 .NET Core SDK 版本与容器内 createdump 使用的 SDK 版本不一致(如:createdump 使用 3.1.3,分析使用 3.1.12)。

指定当前需要分析的线程 DBG

1
setthread 7

查看当前线程在托管代码中的堆栈信息

1
clrstack

更多 dotnet-dump 命令请查看:https://docs.microsoft.com/zh-cn/dotnet/core/diagnostics/dotnet-dump#analyze-sos-commands

案例说明

以下是生产环境中遇到的一个具体案例,有一服务运行一段时间就会出现 CPU 100%,而且也降不下来,如下监控:

通过锁定异常线程后,多次 dump 并对堆栈信息进行分析,发现出问题时都和以下代码相关:

这里使用了一个表达式计算的开源组件 NCalc ,初步判断可能是表达式本身的不合法引起的循环解析,通过 dumpobj 对方法参数的查看,发现都是很正常的表达式,所以猜测并不成立。

继续在 Github 项目中的 issues 进行查找可能存在的类似问题,发现在较早版本中,确实存在卡死的现象 https://github.com/sklose/NCalc2/issues/22 ,这个问题在新版本中已修复,而我们出问题的这个服务使用的 NuGet 包确实是比较老的一个版本,所以问题基本上可以定位,在经过 NuGet 包版本升级后,这种现象终于消失了。

总结

实际在遇到棘手问题的时候,可能经常毫无头绪,太多问题都不是那么容易定位的。在构建服务支持业务能力的同时,要注意代码本身的健壮性,在使用外部组件时,需要多关注其生态情况,dump 分析只是一种协助解决问题的手段。

如果对你有帮助就好