1、最近一段时间(更换了预发机器后)我负责的一个应用的预发环境(线上稳定得像个婴儿~)特别不稳定，最先是应用频频的过几天就发现提供的接口不工作了，但容器Jetty还在跑得欢，于是jstack/jmap看，发现没有一个线程在跑我的war包中的程序，但是容器里个中间件的sar还跑得很欢(-_-|||)，dump出来的对象也没有一点蛛丝马迹，所有日志到04:03就什么也没有了。然后查发现一个中间件的sar(远程接口层)包刚好在那个时候升级了，这玩意用OSGI的CloassLoader来加载整个应用，自然就怀疑它怎么着把我的Class都卸载掉了。简单，回滚到前一版本试试。

    2、诡异的第二天还是4:03分，又发作了!排除了新sar的原因，就百思不和其解了，发现-XX:+CMSClassUnloadingEnabled开着，关掉。第二天还是一样！各种看代码都没有问题，在一个无穷循环的线程里打日志，各种招都用上还是老样子，连Servlet消失了，突然对哥掌握的Java知识产生了莫名其妙的怀疑…

    3、这个应用改过名字，上边2个应用的目录都存在的。发现老目录的log文件修改时间居然是当前时间,再PS一看，发现启的进程是老应用的！新老2个war变化非常大，之前验证的点在老war里都木有的，好，觉得终于找着原因了。删老目录，找PE查脚本，果然查到启老应用的脚本!停掉脚本。甚至把老的应用目录link到新应用，即使脚本改不干净也不致于把我应用杀掉，免受接口调用方骚扰啊。

    4、奇迹再一次发生了。应用在4:03准时消失了，老的确实也不起来了。

    因为是预发环境，线上完全无问题，怀疑是环境问题所以也就一直没花太多时间去查。PE也觉不再有脚本在跑了，好吧，决定好好查一下。

    首先，看系统日志，希望能找到SSH登录日志、命令执行日志或进程启动/终止日志，搜4点这个时间，wtmp/secure都没有发现。

    然后，找messages这个时间点，找到：

    Jun 20 04:05:14 ***.pre.cm3 kernel: : java invoked oom-killer: gfp_mask=0x201d2, order=0, oomkilladj=0

    Jun 20 04:05:14 ***.pre.cm3 kernel: :

    Jun 20 04:05:14 ***.pre.cm3 kernel: : Call Trace:

    Jun 20 04:05:14 ***.pre.cm3 kernel: : [] out_of_memory+0x8b/0x203

    ...

    Jun 20 04:05:18 ***.pre.cm3 kernel: : Mem-info:

    ...

    oom-killer，之前不知道有这个东西，想想JVM自己不可能发生OOM,因为即没OOM日志也没Crash Core日志，而且还每次都是同一时间点！应用中也木有这种定时任务。

    关于Linux OOM-killer机制——

    linux oom-killer是一种自我保护机制，当系统分配不出内存时(触发条件)会触发这个机制，由操作系统在己有进程中挑选一个占用内存较多，回收内存收益最大的进程kill掉来释放内存。

    系统为每个进程做评估(/proc//oom_score中数值最大的进程被kill掉)，参考这里。

    前面的问题，Java进程占用内存足够多，进程生存又比较短，正是OOM-killer的首选啊，所以中招。

/**

* badness - calculate a numeric value for how bad this task has been

* @p: task struct of which task we should calculate

* @uptime: current uptime in seconds

*

* The formula used is relatively simple and documented inline in the

* function. The main rationale is that we want to select a good task

* to kill when we run out of memory.

*

* Good in this context means that:

* 1) we lose the minimum amount of work done

* 2) we recover a large amount of memory

* 3) we don’t kill anything innocent of eating tons of memory

* 4) we want to kill the minimum amount of processes (one)

* 5) we try to kill the process the user expects us to kill, this

* algorithm has been meticulously tuned to meet the principle

* of least surprise … (be careful when you change it)

*/

    另外，Linux的malloc分配内存，也不是一次到位的真分配了指定大小的物理内存(Overcommit机制,另一篇也不错,这里Fenny一篇)，而是先承诺你，实际用到的时候才去系统分配，如果刚好那个时候内存不够了，就会触发oom-killer。

    Linux下有3种Overcommit的策略(参考内核文档：vm/overcommit-accounting)，可以在/proc/sys/vm/overcommit_memory配置。取0,1和2三个值，默认是0。

    0：启发式策略，比较严重的Overcommit将不能得逞，比如你突然申请了128TB的内存。而轻微的Overcommit将被允许。另外，root能Overcommit的值比普通用户要稍微多些。

    1：永远允许Overcommit，这种策略适合那些不能承受内存分配失败的应用，比如某些科学计算应用。

    2：永远禁止Overcommit，在这个情况下，系统所能分配的内存不会超过swap+RAM*系数(/proc/sys/vm/overcmmit_ratio，默认50%，你可以调整)，如果这么多资源已经用光，那么后面任何尝试申请内存的行为都会返回错误，这通常意味着此时没法运行任何新程序。

    我的机器为什么会触发OOM-killer——

    先查了下sar的日志：

12:00:01 AM       CPU     %user     %nice   %system   %iowait    %steal     %idle

04:00:01 AM       all      0.01      0.00      0.00      0.00      0.01     99.98

04:10:02 AM       all      0.55      0.00     20.71     37.97      0.06     40.71

04:20:01 AM       all      0.01      0.00      0.04      0.24      0.01     99.71

    system cpu占的比较多，应该是kernel OOM-killer执行所占掉的。再看没有启java进程情况下这个时间点的日志，CPU是正常的。

    cat /proc/sys/vm/overcommit_memory 值0，即启发式策略，允许Overcommit。

    再看这台机器上比较消耗内存的进程：

    

    总可用内存才2G(更换机器之前为4G，后面的配置是按4G来配的),JVM就申请了2G+，再加上nginx所占申请内存，远超实际物理内存2G+Swap 1G范围了，应用之所以正常是应用启动不久，实际用的内存并没用那么多，到晚上达到临界值，其实一个不相干的定时任务申请内存，刚好就触发了OOM-killer了。

    nginx和java应用线上长时间验证是稳定的，不存在内存泄露，至于机器上4:03启动了什么任务，其实都不那么重要了。

    参考资料：

    Linux系统日志管理

    How the Linux OOM killer works

    Taming the OOM killer

    When Linux Runs Out of Memory

    OOM Killer

    Linux下OOM Killer机制详解

    Linux 的 Out-of-Memory (OOM) Killer

    Memory overcommit in Linux