项目背景

基于k8s的容器化kafka PaaS管理平台，业务团队申请kafka，通过一系列操作，封装crd，调用operator创建集群，当然还包括其他功能、topic管理、group管理、监控告警、集群扩容、分区管理等等。

后台会对每个集群启动定时任务，扫描kafka的元数据变化，主要是使用zk客户端Curator。

问题初现

在集群增长到一定数量后，有一天，突然再访问PaaS平台就报错了，报错信息竟然是OOM：unable to create new native thread

原因可能是：

线程数过多，无法再申请新的线程
线程数超过机器每个对进程的线程数的限制

问题排查

首先查看程序占用的线程数

由于种种原因，用了比较笨的方法：

jstack 1 | grep 'java.lang.Thread.State' | wc -l

得到的数量是2300+，而容器对每个pod的线程数限制为2000，这就是问题所在

通过观察之后，大部分线程都是以“Curator-”为前缀的，进一步过滤：

jstack 1 |grep  "Curator" |wc -l

得到的数量是1800+

所以可以定位到：这些线程，都是和zk客户端有关系。

问题定位

首先看是哪个地方创建的线程，根据一顿搜索，找到了创建线程池的代码，其中线程池核心数的取值是这样的：

Math.max(Runtime.getRuntime().availableProcessors(), 16)；

平平无奇，毫无波澜，但是这就是罪魁祸首

我们项目的Dockerfile如下：

FROM java:8
WORKDIR /
ADD target/xadd-kafka-console.jar app.jar
RUN bash -c 'cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && touch /app.jar'
ENTRYPOINT ["java","-Djava.security.egd=file:/dev/./urandom","-server","-Xms4096m","-Xmx4096m","-XX:NewSize=1500m","-XX:+UseConcMarkSweepGC","-XX:CMSInitiatingOccupancyFraction=70","-jar","/app.jar"]

没有指定具体的java版本，这么写，到容器内会拉取哪个版本呢？

root@xadd-consumer-bbb464c4-qp7q8:/# java -version
openjdk version "1.8.0_111"
OpenJDK Runtime Environment (build 1.8.0_111-8u111-b14-2~bpo8+1-b14)
OpenJDK 64-Bit Server VM (build 25.111-b14, mixed mode)
root@xadd-consumer-bbb464c4-qp7q8:/# 
root@xadd-consumer-bbb464c4-qp7q8:/#

答案是较低版本的：1.8.0_111

低版本的jdk对容器环境支持并不友好，使用代码Runtime.getRuntime().availableProcessors()获取到的CPU数量是宿主机的真实核数，而不是pod所分配的核数，我们K8S node节点的CPU核数为100左右，所以导致线程池的核心线程数是100（这是一个很大的坑，并不容易发现）

这个问题解决了，还有一个问题：为什么线程数会一直不断上涨呢？

查看项目代码：
在这里插入图片描述
通过查看项目代码发现，每个Curator客户端都需要一个线程池作为参数，也就是每次有新的集群创建，都会创建一个新的线程池，这个无法避免，但是可以将核心线程数改小，保证线程数的增长在可控范围内