15种线上Bug梳理，这坑我算是踩全了！

软件测试面试刷题，这个小程序（永久刷题），靠它可以快速找到工作！https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502编辑https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502https://blog.csdn.net/AI_Green/article/details/134931243?spm=1001.2014.3001.5502

在我们日常的开发过程中，我们都会时不时地遇到问题。最常见的一句话是“本地运行安全吗？”在测试环境中运行一切正常吗？在预发布环境中这正常吗？

为什么我有时会看到一些有关生产的早期警告？

一般来说，这种情况最常是由特定条件或多种因素引起的“偶然问题”引起的。

后来，由于这种幼稚、幻想的想法，我遭受了一些损失，但与能够稳定重现的bug相比，“偶尔出现的问题”更为致命，我开始越来越意识到，这往往可以是毁灭性的打击。

我在网上看到一篇相关的总结文章，觉得写得很好，所以分享给大家，以提醒我也遇到过的坑。

我将总结过去几年中不时出现的一些问题。

偶发问题具有一定的隐秘性，我们需要有精神，即使偶发问题也作为问题去探究。

如果您在上线前没有确定偶尔出现问题的原因，那么上线后排除故障就会变得更加困难。

您的环境可能与我们不同，因此我们常常无法模拟和重现该问题，但过去几年我们遇到过很多这样的场景，最近我已经整理出来了。

这篇文章的结构安排如下。第一部分列出场景，第二部分列出案例。

一 场景罗列

偶尔出现的问题可能是高概率或低概率的问题，可能只发生一次，也可能最初不发生，可能在运行一段时间后才发生。

大多数问题都是由松散的编码甚至低级错误引起的。

第一类：并发访问、异步编程、资源竞争

第二类：缓存相关，缓存一致性

数据库、本地缓存和分布式缓存数据是一个常见问题，由于编码考虑不周，它会给企业带来问题。

请注意，由于缓存不一致持续的时间很短，因此缓存一致性常常被忽略，从而导致杂散调查和更长的调查时间。

第三类：脏数据、数据倾斜

脏数据通常会导致异常行为，并且是偶发问题的常见区域。现在我们切换到脏数据可能性更大的场景。

脏数据会引发异常。常见情况：selectOne，但是查询找到两个结果。

第四类：边界值、超时、限流

上游业务链路较长，异常情况需要翻译，导致故障排查难度加大。

第五类：服务器、硬件

第六类：程序代码

不兼容的数据结构、不兼容的请求参数、不兼容的方法等。程序尚未发布兼容性，尚未完全关闭，正在中断正在处理的任务。像这样的发布是一场灾难。

第七类：网络等其他

二 案例描述

非线程安全集合类

非线程安全的集合类用于并行流中，集合对象返回的结果可能不正确。

当数据量较小时，问题很难发现，当数据量较大时，问题更加明显。

ListXXXDO dataList=从数据库获取结果集合

//非线程安全集合

ListXXXDO successList=new ArrayList();

ListXXXDO 失败列表=new ArrayList();

//ParallelStream 在并行流中使用不安全集合

dataList.ParallelStream().forEach(

沃-{

……

if (执行成功) {

successList.add(vo);

} 除此之外{

失败列表.add(vo);

}

}

）；

它以流的形式开始，没有任何问题。

当数据量较大时，我进行了优化，将流改为ParallelStream，但是当线上数据量较大时，由于数据量较小，我无法发现问题。

ThreadLocal

使用ThreadLocal 时，remove 方法无法正确执行。这可能是由于抛出异常造成的。特殊情况下会复用线程，ThreadLocal中的数据符合预期。

注意：这是由松散的编码引起的。

//一般情况下，可以执行remove。

尝试{

.

} 最后{

threadLocalUser.remove();

}

由于不严格，所以不执行删除操作。

//错误用法

尝试{

.

//业务异常。执行删除失败。

threadLocalUser.remove();

} catch（异常异常）{

.

}

ThreadLocal其实有很多应用场景，但是用完后要记得去掉。它重复使用线程，使得故障排除变得困难。

修改成员变量

从配置中心读取配置信息，实例运行时将数据作为带有占位符的模板，通过上下文参数解析占位符。比如发送短信、卡片等。

{

“已批准”:{

\’themeHeader\’:\’分发许可协议\’,

\’contentDesc\’:\’交付工程师： ($userName$) 正在请求您的交付许可\’,

\’keyNote\’:\’特别注意：如果您不签收，交付工程师将无法交付\’,

\’redirectLinkText\’:\’立即进行身份验证\’,

\’tenantId\’:\’您的组织“$tenantId$”具有以下需要批准的权限： \’

}

}

这是一段模板数据，其中占位符被上下文替换。

//从配置中心读取配置并与成员变量一起保存

公共类CardSceneParamConfig 实现XXXDataCallback {;

//从nacos配置中读取初始化模板数据

私有MapString, AuthorizedCardParamVO CardParamVO=new HashMap();

.

//获取配置模板

公共AuthorizedCardParamVO getAuthorizedCardParamVO（字符串场景代码）{

返回卡ParamVO.get(场景代码);

}

}

//获取模板对象并修改模板中的占位符。

私人AuthorizedCardParamVO xxx（AuthorizedCardParamVO稳定，MapString，字符串参数）{

.

最终字符串contentDescStr=Optional.ofNullable(stable.getContentDesc())

.map(contentDesc – contentDesc.replace(\’$userName$\’, params.get(\’userName\’)))

.orElse(stable.getContentDesc());

//改变成员变量

stable.setContentDesc(contentDescStr);

……

动态返回。

}

stable.setContentDesc(contentDescStr); \’contentDesc\’:\’ 交付工程师： ($userName$) 已向您请求交付许可，因为成员变量已更改。

这将更改为特定值“contentDesc”:“交付工程师： (XXXX) 请求交付许可”。

如果用户名是同一个人或者初始请求是针对不同的机器，则没有问题。如果没有，你就有麻烦了。

修改成员变量时必须特别小心。改变成员变量的情况多次发生。需要保持警惕。

异步依赖

它使用线程池运行，但将结果添加到列表是异步的。即使代码运行，列表结果集合也可能不包含任何数据。异步依赖。

ListXXXDO dataList=从数据库获取结果集合

//非线程安全集合

ListXXXDO successList=new ArrayList();

ListXXXDO 失败列表=new ArrayList();

for (XXXDO vo : 数据列表) {

ThreadUtil.execute(() – {

//API操作vo

……

if (执行成功) {

successList.add(vo);

} 除此之外{

失败列表.add(vo);

}

});

}

//可能没有获取到就返回执行结果。

这是一个低级错误，需要异步等待，但由于数据量较小，因此没有注意到该问题。如果数据量很大，很容易泄露。

很久以前，我从前伴侣那里继承了一个密码，现在我相信这是一个陷阱。

上传Excel数据，在服务器上进行分析，并将分析结果上传到Redis。这个解析过程也是一个异步操作。

客户端完成上传后，点击“发送数据”即可从redis中检索数据并保存到DB中。

如果数据很大，您会注意到没有数据被插入到数据库中。

主要有两个原因。

提交时Redis中没有数据，因为解析不完整。

提交按钮慢并且redis解析的数据过期

如果数据量较小，则该特征不常用，因此如果数据量较大，则很难发现。

并发性修改

在以下情况下，counter++ 上的操作不是原子的并且同时发生变化：周期太少可能不会导致问题。

循环计数计数器不符合预期。

公共类UnsafeConcurrencyExample {

私有静态int 计数器=0；

公共静态无效主（字符串[] args）{

线程thread1=新线程(() – {

for (int i=0; i 1000; i++) {

计数器++；

}

});

线程thread2=新线程(() – {

for (int i=0; i 1000; i++) {

计数器++；

}

});

线程1.start();

线程2.start();

尝试{

线程1.join();

thread2.join();

} catch (InterruptedException e) {

e.printStackTrace();

}

System.out.println(\’Counter:\’ + 计数器);

}

}

数据不一致

第一次运行此代码时，将从数据库检索数据并将其放入缓存中。

如果10分钟内再次运行该代码，将直接从缓存中获取数据，而无需再次访问数据库。只有当缓存过期时，才会再次从数据库中检索新数据。

公共类CacheExample {

//创建缓存

私有静态CacheString，对象缓存=CacheBuilder.newBuilder()

.expireAfterWrite(10, TimeUnit.MINUTES) //设置缓存过期时间为10分钟

。建造（）;

公共静态无效主（字符串[] args）{

String key=\’data\’ //缓存的键

//从缓存中获取数据。如果缓存中不存在该数据，则会从数据库中检索。

对象数据=cache.get(key, () – fetchDataFromDB());

System.out.println(\’Data:\’ + data);

}

//模拟从数据库中检索数据

私有静态对象fetchDataFromDB() {

//从数据库获取数据的逻辑

System.out.println(\’正在从数据库中检索数据.\’);

返回“来自数据库的数据”。

}

}

由于缓存过长，有些部分更新了，有些部分仍然陈旧，导致数据性能不稳定。

由于数据一致性问题，对不同服务器节点的请求效果不同。

未考虑优雅关闭

如果提交到线程池的任务没有正确关闭，极端情况下可能会出现脏数据，从而出现偶发性问题。

下面是一个使用线程池的简单示例，但是下面的线程池并没有考虑到正常关闭。

公共类SimpleThreadPool {

私有ExecutorService执行器。

公共SimpleThreadPool(int 线程) {

executor=Executors.newFixedThreadPool(线程);

}

公共voidexecute（可执行任务）{

执行器.execute(任务);

}

公共无效关闭（）{

执行器.shutdown();

}

}

使用execute、reissue、restart、异常中断等执行任务时任务执行中断，产生脏数据。

脏数据导致查询结果多条

我使用selectOne 方法查询数据库中的数据但找到多个条目

com.baomidou.mybatisplus.core.Exceptions.MybatisPlusException: 期望一条记录，但查询结果是多条记录] 有根本原因

边界值触发限流

许多年前发生过一件事。

需求场景是批量向IM群发送卡片。由于特定场景，满足场景的卡数据量较大，在300条左右，触发限流。

经过多次服务将原始错误转化为一般异常，这也增加了故障排除的成本。

限流异常错误不予考虑，统一处理并转换为切面级别的系统异常。

边界值有时会引起问题，尤其是无法模拟真实客户场景时，原始错误信息的丢失增加了故障排除难度。

数据量带来的限流问题有很多。由于原始错误异常转化为链路上的其他异常的情况很常见，因此应进一步考虑这种情况，以增加系统的健壮性。系统。

机器中存在机器异常

批量发布时机器未正常下线。

该IP不会因为节点不健康而被删除。

这可能会导致以下问题：

下游RPC请求异常。服务依赖方异常。

本机请求异常

MQ消费异常

……

集群健康状况非常重要。

因为磁盘打满而出现机器挂了

服务已关闭：您的设备上没有可用空间

集群中某台机器磁盘满了，挂起，路由到这台机器超时。其他机器可以正常访问它。

需要检查集群，发现异常立即删除机器。

数据不在同一个事务内

例如，updateBalance是一个独立的事务，因此帐户A可能会耗尽余额并遇到麻烦，从而导致异常。

//假设这是一个转账操作，将钱从账户A 发送到账户B。

updateBalance(connection, \’B\’, 100); //给B账户添加100元

//A账户资金不足

updateBalance(connection, \’A\’, -100); //A账户减去100元

网络入口带宽不足

这是一个小作坊里的故事。我在开发阶段购买了阿里云服务器。当时的网络带宽是1M，在测试阶段这不是问题。

随着用户数量的增加，发现部分客户请求不断超时，最终确定问题是由于网络带宽不足造成的。

压力测试和网络监控非常重要

DDos攻击等导致正常用户异常

存在正常用户异常。带宽资源被抢占。

rpc 超时

假设客户端向服务器发送请求以检索用户信息，并将超时设置为5 秒。

客户端期望在5秒内收到服务器返回的用户信息。然而，在某些情况下，由于网络延迟，服务器端响应可能要等到超时时间过后才能到达客户端。

服务器端由于运行时间较长，也可能存在性能问题。

内存泄漏

尽管这个故事发生在很多年前，但对我来说，它仍然是一个所有16 台在线机器突然出现内存峰值的事件。

生意是通行证

过计件算工资；程序是输入表达式运算结果。

服务刚上线， 测试边界值，因为输入一个很大的值，导致类型溢出；是计算工资的方法，程序设置了出错重试。

本来是单例的对象，但是却在每次执行方法时被创建
因为错误发生，这个方法被发送到 mq 进行重试
但是 mq 未设置最大重试次数
因为集群机器都监听这个 mq，导致错误被不断地发送到 mq，形成了死循环。对象被无限创建，导致集群机器内存全部飙高。

历历在目的例子……

三 总结

场景还远远不止上面罗列的这些，但根据这些场景也总结了一些经验：

合理的代码编写，很多问题都是编码导致，甚至还有很多低级错误
多考虑边界值，边界值常常因为不会发生而被忽略
合理的日志，方便排查，没有日志的异常增加排查难度
别随便转换异常，做好异常处理
压测，数据大会提前暴露并发相关问题
别吞掉异常，否则出现错误时不容易排查，偶发性问题就变成灵异事件了
机器一定要有完善的监控。包括上下游的监控，否则其中 1 个节点出现问题，整个链路都会因为这个节点出现偶发性的问题。
做好优雅关闭等

很多偶现的问题排查也十分困难，遇到了就是一个很好的训练机会，当排查问题多了，经验就足了，再遇到相似问题就能轻轻搞定了。像网络问题排查比较麻烦，平时多学习工具，技多不压身。

最后： 下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取【保证100%免费】

​

​​​软件测试面试文档

我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

​

​

​
#以上关于15种线上Bug梳理，这坑我算是踩全了！的相关内容来源网络仅供参考，相关信息请以官方公告为准！