记一次 .NET某旅行社酒店管理系统 卡死分析

一：背景

1. 讲故事

年初有位朋友找到我，说他们的管理系统不响应了，让我帮忙看下到底咋回事? 手上也有dump，那就来分析吧。

二：为什么没有响应

1. 线程池队列有积压吗？

朋友的系统是一个web系统，那web系统的无响应我们首先要关注的就是 线程池，使用 !sos tpq 命令，参考输出如下：

0:000> !sos tpq
global work item queue________________________________
0x00000004010774C0 Microsoft.AspNetCore.Server.IIS.Core.IISHttpContextOfT<Microsoft.AspNetCore.Hosting.HostingApplication+Context>
0x0000000401077808 Microsoft.AspNetCore.Server.IIS.Core.IISHttpContextOfT<Microsoft.AspNetCore.Hosting.HostingApplication+Context>
....
0x000000030239DD78 Microsoft.AspNetCore.Server.IIS.Core.IISHttpContextOfT<Microsoft.AspNetCore.Hosting.HostingApplication+Context>
0x000000030239E0C0 Microsoft.AspNetCore.Server.IIS.Core.IISHttpContextOfT<Microsoft.AspNetCore.Hosting.HostingApplication+Context>

local per thread work items_____________________________________
0x0000000100A46410 System.Threading.Tasks.Task<System.Threading.Tasks.Task>
...
0x000000010133F8C0 System.Threading.Tasks.Task<System.Threading.Tasks.Task>

 2 Work Microsoft.AspNetCore.Http.Connections.Internal.HttpConnectionContext+<>c.<WaitOnTasks>b__123_1
 4 Work Microsoft.AspNetCore.Http.Connections.Internal.HttpConnectionContext+<>c.<WaitOnTasks>b__123_0
266 Work Microsoft.AspNetCore.SignalR.HubConnectionContext.AbortConnection
 ----
272

从卦中可以看到确实存在线程池积压的情况，那为什么会有积压呢？条件反射告诉我，是不是因为锁的原因，使用 !syncblk 观察。

0:000> !syncblk
Index SyncBlock MonitorHeld Recursion Owning Thread Info SyncBlock Owner
-----------------------------
Total 468
CCW 0
RCW 0
ComClassFactory 0
Free 120

从卦中看和锁没半毛钱关系，那就只能深入各个消费线程，看看这些线程为什么这么不给力。。。。

2. 线程都在干什么

要想观察各个线程都在做什么，可以用 ~*e !clrstack 观察各个线程调用栈，输出的调用栈太长，但仔细观察之后，发现很多线程都停留在 TryGetConnnection 上，截图如下：

从卦中可以看到大概有143个线程卡在 TryGetConnection 上，不知道 Connection 为啥取不到了，接下来观察问题代码，简化后如下：

 private bool TryGetConnection(DbConnection owningObject, uint waitForMultipleObjectsTimeout, bool allowCreate, bool onlyOneCheckConnection, DbConnectionOptions userOptions, out DbConnectionInternal connection)
 {
 DbConnectionInternal dbConnectionInternal = ;
 Transaction transaction = ;

 if (HasTransactionAffinity)
 {
 dbConnectionInternal = GetFromTransactedPool(out transaction);
 }
 if (dbConnectionInternal == )
 {
 Interlocked.Increment(ref _waitCount);
 do
 {
 num = WaitHandle.WaitAny(_waitHandles.GetHandles(allowCreate), (int)waitForMultipleObjectsTimeout);

 } while (dbConnectionInternal == );
 }
 }

 private DbConnectionInternal GetFromTransactedPool(out Transaction transaction)
 {
 transaction = ADP.GetCurrentTransaction();
 DbConnectionInternal dbConnectionInternal = ;
 if ( != transaction && _transactedConnectionPool != )
 {
 dbConnectionInternal = _transactedConnectionPool.GetTransactedObject(transaction);
 //....
 }
 return dbConnectionInternal;
 }
 
 internal DbConnectionInternal GetTransactedObject(Transaction transaction)
 {
 lock (_transactedCxns)
 {
 flag = _transactedCxns.TryGetValue(transaction, outvalue);
 }
 if (flag)
 {
 lock (value)
 {
 int num = value.Count - 1;
 if (0 <= num)
 {
 dbConnectionInternal = value[num];
 value.RemoveAt(num);
 }
 }
 }
 return dbConnectionInternal;
 }

从卦中源码看是 _transactedCxns 返回 所致，看样子是_transactedCxns中的Conenction耗尽，接下来使用 !dso 从 DbConnectionPool 字段中去挖，输出如下：

0:298> !dso
OS Thread Id: 0x42c0 (298)
 SP/REG Object Name
 0005c087d020 0003ffc79528 Microsoft.Data.ProviderBase.DbConnectionPool

0:298> !do0003ffc79528
Name: Microsoft.Data.ProviderBase.DbConnectionPool
MethodTable: 000007fe8dd714c8
EEClass: 000007fe8dd65438
Tracked Type: false
Size: 176(0xb0) bytes
File: D:\APP\EnergyDotNet\runtimes\win\lib\net6.0\Microsoft.Data.SqlClient.dll
Fields:
 MT Field Offset Type VT Attr Value Name
000007fe8dd71370 40001a7 8c System.Int32 1 instance 1 _state
...
000007fe8cd994b0 40001ad 94 System.Int32 1 instance 143 _waitCount
000007fe8e012c68 40001b4 78 ...tedConnectionPool 0 instance 00000003ffc7a3e8 _transactedConnectionPool
...
000007fe8cd994b0 40001b6 9c System.Int32 1 instance 100 _totalObjects
...

0:298> !DumpObj /d 00000003ffc7a520
Name: System.Collections.Generic.Dictionary`2[[System.Transactions.Transaction, System.Transactions.Local],[Microsoft.Data.ProviderBase.DbConnectionPool+TransactedConnectionList, Microsoft.Data.SqlClient]]
MethodTable: 000007fe8e0146a0
EEClass: 000007fe8cd8af30
Tracked Type: false
Size: 80(0x50) bytes
File: C:\Program Files\dotnet\shared\Microsoft.NETCore.App\6.0.22\System.Private.CoreLib.dll
Fields:
 MT Field Offset Type VT Attr Value Name
000007fe8cda8480 4002065 8 System.Int32[] 0 instance 0000000000000000 _buckets
000007fe8e3255d8 4002066 10 ...ivate.CoreLib]][] 0 instance 0000000000000000 _entries
000007fe8cd9ca08 4002067 30 System.UInt64 1 instance 0 _fastModMultiplier
000007fe8cd994b0 4002068 38 System.Int32 1 instance 0 _count
000007fe8cd994b0 4002069 3c System.Int32 1 instance 0 _freeList
000007fe8cd994b0 400206a 40 System.Int32 1 instance 0 _freeCount
000007fe8cd994b0 400206b 44 System.Int32 1 instance 0 _version
000007fe8cdb7900 400206c 18 ...Private.CoreLib]] 0 instance 0000000000000000 _comparer
000007fe8da70c90 400206d 20 ...Private.CoreLib]] 0 instance 0000000000000000 _keys
000007fe8d2a1c60 400206e 28 ...Private.CoreLib]] 0 instance 0000000000000000 _values

从上面的卦中数据可知三点信息：

1. 100 _totalObjects 当前的线程池存着100个Connection。
2. 0 _count 当前100个Connection全部耗尽。
3. 143 _waitCount 表示当前有 143 个线程在获取 Connection 上进行等待。

3. 池中之物都去了哪里

要想找到这个答案，继续观察线程栈，比如搜索TDS传输层方法 Microsoft.Data.SqlClient.TdsParserStateObject.TryReadByte ，可以看到刚好是 100 个，上层大多是 xxxx.GetRoomNosInDltParams 方法，截图如下：

挖掘各个线程栈，大概都是下面的sql，格式化如下：

SELECT [HotelId],
 [RoomId],
 [SubRoomId],
 [SupplierId],
 [RoomNo],
 [RoomCategory],
 [SellPrice],
 [RoomNoState],
 [CheckInDate]
FROM [xxx]
WHERE ((((((([RoomId] IN (673,674)) AND( [SellPrice] > @SellPrice1 ))
 AND ( [CheckInDate] >= @CheckInDate2 ))
 AND ( [CheckInDate] <= @CheckInDate3 ))
 AND ( [RoomCategory] <=@constant5))
 AND ( [RoomNoState] =@constant7))
 ANDNOT ([RoomNo] LIKE @MethodConst8+'%') )

反编译源码发现有一个 useCached 字段形同虚设，导致每次都是从 数据库 读取，截图如下：

到这里基本上就能推测出来的，程序的卡死主要是 Connection 耗尽，优化建议如下：

1. SQL 加上 nolock，避免锁问题。
2. GetRoomNosInDltParams 方法尽量使用缓存。
3. 观察数据库层的锁和负载情况。
4. 设置更大的数据库连接池。

三：总结

这次卡死的生产事故，是大量数据库的慢请求导致SDK侧的数据库连接池(100)耗尽所致，如果有数据库侧的监控工具，我想一眼就能找到答案。