华为云数据库GaussDB(for Cassandra)揭秘：内存异常增长的排查经

内存异常增长的排查经历

背景介绍

华为云数据库GaussDB(for Cassandra) 是一款基于计算存储分离架构，兼容Cassandra生态的云原生NoSQL数据库；它依靠共享存储池实现了强一致，保证数据的安全可靠。核心特点是：存算分离、低成本、高性能。

问题描述

GaussDB(for Cassandra)自研架构下遇到一些挑战性问题，比如cpu过高，内存泄漏，内存异常增长，时延高等问题，这些也都是开发过程中遇到的典型问题。分析内存异常增长是一个比较大的挑战，内存的异常增长对于程序来说是一个致命的问题，因为其可能触发OOM，进程异常宕机，业务中断等结果，所以对内存进行合理的规划使用及控制就显得尤为重要。通过调整cache容量，bloom过滤器大小，以及memtable大小等等，实现性能提升，读写时延改善等效果。

在线下测试过程中发现内核在长时间运行后，内存只增不减，出现异常增长的情况，怀疑可能存在内存泄漏。

分析&验证

首先根据内存使用，将内存分为堆内和堆外两个部分，分别进行该两块内存的分析。确定有问题的内存是堆外内存，进一步对堆外内存分析。引入更高效的内存管理工具tcmalloc，解决内存异常增长问题。下面为具体分析验证过程。

确定内存异常区域

使用jdk的jmap命令和Cassandra的监控(配置jvm.memory.*监控项)等方法，每隔1min采集jvm的堆内内存及进程整体内存。

启动测试用例，直到内核的整体内存达到上限。分析采集到的堆内内存和进程内存变化曲线，发现其堆内内存仍保持相对稳定，未出现一直持续上涨，但期间内核的整体内存仍然在持续上涨，两者的增长曲线不符。即问题应该发生在堆外内存。

堆外内存分析验证

glibc内存管理

使用pmap命令打印进程的内存地址空间分布，发现有大量的64MB的内存块和许多内存碎片，该现象与glibc的内存分配方式有关。堆外内存的使用和进程整体的内存增长趋势相近，初步怀疑该问题是由堆外内存导致。加之glibc归还内存的条件苛刻，即内存不易及时释放，内存碎片多，猜测问题和gblic有关系。当内存碎片过多，空闲内存浪费严重，最终进程内存的最大使用量会出现超过预期计划最大值的可能，甚至出现OOM。

tcmalloc内存管理

引入tcmalloc内存管理器，代替glibc的ptmalloc内存管理方式。减少过多的内存碎片，提高内存使用效率，本次分析验证采用gperftools-2.7源码进行tcmalloc的编译。运行相同的测试用例，发现内存仍在持续上涨，但是上涨幅度较之前降低，通过pmap打印出该内存地址分布情况，发现之前的小内存块和内存碎片显著减小，说明该工具有一定优化效果，印证了前面提到内存碎片过多的猜测。

但是内存异常增长的问题仍然存在，有点像是tcmalloc的回收不及时或者不回收导致。实际上tcmalloc的内存回收是比较 "reluctant" 的，主要是为了当再次需要内存申请时可以直接使用，减少系统调用次数，提高性能。基于此原因，下来进行手动调用其释放内存接口releasefreememory。发现效果不明显，原因暂时未知(可能确实存在没待释放的空闲内存)。

手动触发tcmalloc的releasefreememory接口

为验证该问题，通过设置cache容量的方式进行。

1.先设置cache的容量为6GB，然后将读请求压起来，使cache的6GB容量填满

2.修改cache的容量为2GB，为快速是内存释放，手动调用tcmalloc的releasefreememory接口，发现没有效果，推测采用tcmalloc之后，内存仍然一直上涨不下跌的原因可能与该接口的有关。

3.在releasefreememory接口内部的多个地方记录日志，然后启动进程再次测试，发现一处报错是在进行系统调用madvise时有出现失败。

代码位置：

报错日志信息：

1.通过该处的调用失败，分析代码。发现tcmalloc的内存释放逻辑是“round-robin”，即中间有一个span释放失败，则后续待释放的span被终止，releasefreememory逻辑调用结束。这个就和前面的现象吻合，执行完releasefreememory接口后基本没有效果，发现每次都是在释放了几十MB时，因为该接口的调用失败导致释放逻辑终止。

2.再次分析该系统调用madvise失败原因。通过给内核的该方法打patch，发现其失败原因是因为传入的地址块对应的内存状态是LOCKED状态。导致系统调用失败，报错为非法参数。

3.内存为LOCKED状态，和该状态相关的有代码调用mlock系统方法、系统的ulimit配置。分析相关代码未发现异常点。查询系统ulimit配置，发现max locked memory 为unlimited。修改其配置为16MB，重启Cassandra进程，再次测试，发现内存释放效果显著。

4.继续运行测试，发现内存持续上涨的情况消失。在业务持续存在的情况下，内存会上涨到最高，不再上涨，保持平稳，符合内存计划使用量。业务压力减少甚至停止后，内存出现缓慢下降趋势。

解决&总结

1.引入tcmalloc工具，优化内存管理。比较优秀的内存管理器有Google的tcmalloc和Facebook的jemalloc等

2.修改系统的max locked memory参数配置。

合理分配进程需要使用内存的最大值，并预留一定容量，对于不符合预期增长的内存需要进一步分析。内存相关问题和程序相关性较强。系统的关键配置需谨慎，要评估其影响。同时排查了类似的所有配置。

增加releasefreememory的命令，后端进行调用，优化tcmalloc hold内存不释放问题。不过releasefreememory命令的执行会锁整个pageHeap，可能导致内存分配请求被hang，所以需要小心执行。

后端增加可动态配置tcmalloc_release_rate的参数，来调整tcmalloc将内存交还给操作系统的频率。该值的合理范围是[0-10]，0表示永远不交还，值越大，表示交还的频率越高，默认值是1。

结语

本文通过分析开发过程中遇到的内存增长问题，使用更优秀的内存管理工具，以及更细粒度的内存监控，更直观的监控数据库运行期间的内存状态，确保数据库平稳高性能运行。

　　审核编辑：汤梓红