Nacos 迁移引发 Full GC 问题深度分析

Nacos 迁移引发 Full GC 问题深度分析

文档背景 ：搜索服务 将配置从本地 application.yaml 迁移到 Nacos 后，生产环境运行一段时间后出现 Full GC 频繁，CPU 和内存飙升，接口 P99 超时严重。本文档结合生产 GC 日志（-search-prod-sbwj9_gc.log）与代码 Review 进行深度根因分析，并给出解决方案。

---

一、问题现象

1.1 生产故障时间线（来自 GC 日志）

时间	事件
2026-06-03 16:23	服务启动，JDK 21 G1GC，堆 8GB 固定，Old 区仅 1 region（4MB）
16:23 ~ 17:20	Young GC 正常，Old 区快速增长至 309 regions（1236MB）
22:17	首次 Evacuation Failure，堆使用 8033M，GC 无法移动对象
23:05 ~ 00:58	EF 持续出现，约每 30 分钟一次，Old 区累计增长至 653 regions
01:12	严重 Evacuation Failure，单次 STW 暂停 328ms
2026-06-04 08:35	Old 区增至 890 regions（3560MB），占堆 43%
14:45	Old 区急剧增至 1699 regions（6796MB），占堆 83%
16:15	连环 Evacuation Failure 爆发（见下方详情）
16:17:16	触发 Full GC（G1 Compaction Pause），STW 暂停 6.23 秒！

1.2 Full GC 爆发前的连环 Evacuation Failure（16:15~16:17）

GC(1472) Evacuation Failure  8151M->7748M  18ms
GC(1475) Evacuation Failure  8190M->7884M  23ms
GC(1476) Evacuation Failure  8180M->8144M  12ms   ← 几乎没回收
GC(1477) Evacuation Failure  8180M->8138M   6ms   ← 堆几乎全满
...连续多次 EF（约10次）...
GC(1494) Evacuation Failure  8187M->8187M   7ms   ← 完全没回收！
​
GC(1495) Pause Full (G1 Compaction Pause) 8187M->7475M(8192M) 6230.739ms

• Full GC 停顿 6.2 秒，所有业务线程完全暂停，是 P99 接口超时的直接原因。
• Full GC 后依然有 7475M 存活对象，说明 Old 区对象完全无法释放------这是内存泄漏的铁证。

1.3 Old 区单调增长趋势（内存泄漏特征）

16:23（启动）  Old:    1 regions  (    4 MB)
17:20          Old:  309 regions  ( 1236 MB)  ← 1小时涨1232MB！
22:23          Old:  653 regions  ( 2612 MB)
03:16（次日）  Old:  721 regions  ( 2884 MB)
08:35          Old:  890 regions  ( 3560 MB)
14:45          Old: 1699 regions  ( 6796 MB)  ← 严重
16:17          Old: 1878 regions  ( 7512 MB)  ← 接近上限（2048 regions = 8192MB）

Mixed GC 每次仅能回收 1~2 个 Old region，说明 Old 区对象大量存活、无法被回收。这是内存泄漏而非正常晋升。

1.4 Humongous 大对象问题

GC 日志中频繁出现 G1 Humongous Allocation 触发 Concurrent Start，Humongous regions 峰值达 110+ regions（440MB+）。Humongous 对象（>2MB）直接分配到 Old 区，加速 Old 区填满。

---

二、@NacosValue autoRefreshed = true 的原理

2.1 Nacos SDK 的注入机制

@NacosValue(autoRefreshed = true) 由 Nacos Spring 扩展（nacos-spring-context）实现，核心原理：

Nacos 配置中心
    │
    ▼ 配置变更推送
NacosValueAnnotationBeanPostProcessor（BeanPostProcessor）
    │  ─── 在每个 Bean 初始化后，扫描其 @NacosValue 字段
    │  ─── 将 bean 实例引用注册到内部 Map 中
    │
    ▼ 配置刷新时
    遍历 Map，通过反射将新值写入所有注册的 bean 字段

2.2 关键数据结构（Nacos SDK 源码）

// NacosValueAnnotationBeanPostProcessor 内部
Map<String, List<NacosValueTarget>> placeholderNacosValueTargetMap;
// key:   "${browser..result-rank.url}"
// value: List<{ Object beanInstance（强引用！）, Field field }>

2.3 Prototype Bean 注册时机与问题根源

Spring 每次创建 prototype bean 时：

0. 实例化 → 依赖注入 → BeanPostProcessor.postProcessAfterInitialization()
1. NacosValueAnnotationBeanPostProcessor 扫描 @NacosValue 字段
2. 将 bean 实例强引用追加到 placeholderNacosValueTargetMap
3. Prototype bean 生命周期结束，Spring 不回调销毁方法，也不从 Nacos 注册表移除

结果：每一个 prototype bean 实例都被 Nacos 的 Map 强引用，永远无法被 GC。

---

三、内存泄漏根因分析（结合 GC 日志数据验证）

3.1 泄漏路径

每次 HTTP 请求到达 SearchController.search()
    │
    ▼ SearchService.search()
    ├── applicationContext.getBean("SearchReq")      ← prototype bean 创建
    ├── applicationContext.getBean(InnerRequest.class)  ← prototype bean 创建
    └── graph.run() → DAG 执行以下 prototype beans：
        ├── SearchThreeOptimizeRank              ← @NacosValue rerankUrl
        ├── VideoTitleVectorRecallBuilder         ← @NacosValue 2个字段
        ├── NewsTitleVectorRecallBuilder          ← @NacosValue 2个字段
        ├── HotTitleVectorRecallBuilder           ← @NacosValue 2个字段
        ├── VideoI2iVectorRecallBuilder           ← @NacosValue 5个字段
        ├── NewsI2iVectorRecallBuilder            ← @NacosValue 5个字段
        ├── SearchAbstractRecallBuilder           ← @NacosValue 2个字段
        └── ~30+ 其他 RecallBuilder/Recall 类       ← 各含 @NacosValue 字段

每个 @NacosValue 字段 → Nacos 注册表追加一条强引用
请求结束 → bean 无法被 GC（Nacos Map 持有强引用）

3.2 GC 日志数据验证泄漏速率

时段	Old 区增量	时长	泄漏速率
16:23 → 17:20	+1232 MB	57 min	~21 MB/min
17:20 → 22:23	+1376 MB	303 min	~4.5 MB/min
22:23 → 08:35	+948 MB	612 min	~1.5 MB/min
08:35 → 14:45	+3236 MB	370 min	~8.7 MB/min（流量高峰）

启动初期泄漏速率最高（21 MB/min），与服务刚上线流量集中、每次请求创建大量 prototype bean 完全吻合。夜间低峰泄漏速率降低，白天高峰再次飙升。

3.3 Mixed GC 无效的原因

G1 的 Mixed GC 用于回收 Old 区存活率低的 region。正常服务中，Old 区对象会随请求完成而死亡，Mixed GC 能有效回收。

本案例中，Old 区 prototype bean 实例被 Nacos 强引用，对象全部存活，Mixed GC 扫描后发现无可回收对象，回收量趋近于 0，无法阻止 Old 区持续增长。

3.4 受影响的 Prototype Bean 完整清单

以下类均存在 @Scope(PROTOTYPE) + @NacosValue(autoRefreshed=true) 组合，每次请求均会泄漏：

类名	@NacosValue 字段数	影响等级
SearchThreeOptimizeRank	1（rerankUrl）	高
VideoI2iVectorRecallBuilder	5（ragTimeout, k, numCandidates, similarity, embeddingTimeout）	高
NewsI2iVectorRecallBuilder	5（同上）	高
VideoTitleVectorRecallBuilder	2（vectorStageTimeout, ragTimeout）	高
NewsTitleVectorRecallBuilder	2（同上）	高
HotTitleVectorRecallBuilder	2（同上）	高
SearchAbstractRecallBuilder	2（ragTimeout, browserTimeout）	高
IntentionResultLlmRecallBuilder	3（url, model, apikey）	中
IntentionDomainLlmRecallBuilder	3（url, model, apikey）	中
AiSearchDomainIntentionLlmRecallBuilder	3（url, model, apikey）	中
QueryListRecallBuilder	2（sugUrl, vectorStageTimeout）	中
SugGameRecallBuilder 等 30+ 个类	各 1~2 个	中

3.5 为什么迁移前没有问题

对比项	迁移前（@Value）	迁移后（@NacosValue autoRefreshed=true）
注入时机	Bean 创建时读一次，之后不维护引用	注册 bean 引用到全局 Map，持续持有
prototype bean 能否被 GC	✅ 可以，无外部强引用	❌ 不能，Nacos Map 持有强引用
配置动态刷新	❌ 不支持	✅ 支持
内存泄漏	无	有，每请求泄漏

---

四、Humongous 对象分析

GC 日志中频繁出现 Pause Young (Concurrent Start) (G1 Humongous Allocation)，说明有 >2MB 的大对象频繁分配，触发 Concurrent Mark。

疑似来源（结合代码）：

• 向量数据 ：titleVector_simbert、titleVector_bgelarge 等 Embedding 向量（float 列表，1024 维 × 4 bytes = 4KB，不构成 Humongous）
• 召回结果集 ：多路召回合并后的 List<ItemInfo>，每个 ItemInfo 含完整 VO 对象（含向量字段），多路汇总后可能超过 2MB
• JSON 序列化 ：GSON.toJson(itemListToCache) 序列化大结果集写入 Redis，产生大 String
• CompletableFuture 链：DAG 并行执行时多个 future 链持有中间结果对象

Humongous 对象直接分配到 Old 区，与内存泄漏叠加，双重加速 Old 区填满。

---

五、分析结论

主因（确认） ：@NacosValue(autoRefreshed = true) + @Scope(PROTOTYPE) 组合导致系统性内存泄漏。GC 日志中 Old 区从启动到崩溃 24 小时单调递增、Mixed GC 无效回收，是该结论的直接证据。

故障链路：

1. prototype bean 创建 → Nacos 强引用注册
2.     → Old 区持续增长（泄漏速率 ~1.5~21 MB/min）
3.     → Mixed GC 无效（对象全部存活）
4.     → Old 区占堆 >90%（7512MB/8192MB）
5.     → Evacuation Failure 连环触发
6.     → Full GC（G1 Compaction Pause，STW 6.23秒）
7.     → 业务线程全部暂停
8.     → P99 接口大量超时

受影响范围 ：50+ 个 prototype 类，其中 7 个核心 RecallBuilder/Rank 类单次请求共泄漏约 19 个 @NacosValue 注册条目。

触发时间规律 ：启动后约 68 小时 Old 区达到 50% 阈值开始触发 Concurrent Mark，约 1218 小时开始出现 Evacuation Failure，约 24 小时触发 Full GC。流量越大，爆发越快。

---

六、解决方案

方案一（推荐）：将 @NacosValue 收敛到 Singleton 配置类

核心思路 ：prototype bean 不直接持有 @NacosValue 字段，改为注入 singleton 配置类获取值。singleton 只注册一次，彻底消除泄漏，动态刷新能力完全保留。

Step 1：新建统一配置持有类

@Slf4j
@Component  // 默认 singleton，全局只注册一次到 Nacos
public class SearchNacosConfig {
​
    // 原 SearchThreeOptimizeRank 中的字段
    @NacosValue(value = "${browser..result-rank.url}", autoRefreshed = true)
    private String rerankUrl;
​
    // 原各 RecallBuilder 中的超时字段
    @NacosValue(value = "${.search.timeout.vector-stage:250}", autoRefreshed = true)
    private long vectorStageTimeoutMs;
​
    @NacosValue(value = "${elasticsearch.rag-cluster-query-timeout-ms:1000}", autoRefreshed = true)
    private long ragClusterQueryTimeoutMs;
​
    @NacosValue(value = "${elasticsearch.browser-cluster-query-timeout-ms:350}", autoRefreshed = true)
    private long browserClusterQueryTimeoutMs;
​
    @NacosValue(value = "${.search.i2i.k:20}", autoRefreshed = true)
    private int i2iK;
​
    @NacosValue(value = "${.search.i2i.num-candidates:50}", autoRefreshed = true)
    private int i2iNumCandidates;
​
    @NacosValue(value = "${.search.i2i.similarity:0.7}", autoRefreshed = true)
    private double i2iSimilarity;
​
    @NacosValue(value = "${.search.i2i.embedding-timeout-ms:200}", autoRefreshed = true)
    private long i2iEmbeddingTimeoutMs;
​
    // ... 其余所有 @NacosValue 字段
​
    public String getRerankUrl() { return rerankUrl; }
    public long getVectorStageTimeoutMs() { return vectorStageTimeoutMs; }
    public long getRagClusterQueryTimeoutMs() { return ragClusterQueryTimeoutMs; }
    public long getBrowserClusterQueryTimeoutMs() { return browserClusterQueryTimeoutMs; }
    // ...
}

Step 2：修改 SearchThreeOptimizeRank

@Slf4j
@Component("SearchThreeOptimizeRank")
@Scope(ConfigurableBeanFactory.SCOPE_PROTOTYPE)
public class SearchThreeOptimizeRank extends AbstractRank {

    // ❌ 删除（会泄漏）：
    // @NacosValue(value = "${browser..result-rank.url}", autoRefreshed = true)
    // private String rerankUrl;

    // ✅ 改为注入 singleton 配置类：
    @Resource
    private SearchNacosConfig nacosConfig;

    // 使用时：nacosConfig.getRerankUrl()
}

Step 3：对所有受影响的 prototype 类执行同样改造

所有含 @NacosValue 的 RecallBuilder / Recall / Rank prototype 类均按此方式改造，用 @Resource SearchNacosConfig nacosConfig 替换直接注解字段。

优点

• 彻底消除内存泄漏，Old 区将恢复正常 GC 回收
• 动态刷新完全保留（singleton 字段正常更新，所有 prototype 通过方法调用实时读取）
• 改动范围清晰，逐类迁移，不影响业务逻辑

方案二（辅助）：针对 Humongous 大对象优化

建议同步排查大对象来源，减少 Humongous 分配频率：

// 1. 召回结果集控制上限（各路召回已有 limit，确认执行到位）
// 例如 SearchThreeOptimizeRank.scoreSortMergeResults() 已有 limit(20)，确保生效

// 2. Redis 缓存序列化前控制大小
// saveDataToCache 前检查 json 大小，超过阈值（如 1MB）跳过缓存
if (jsonStr.length() < 1024 * 1024) {
    redisUtils.set(...);
}

# 3. G1 HeapRegionSize 调大，提高 Humongous 门槛
# 当前 HeapRegionSize=4MB（Humongous 门槛 2MB），可改为：
-XX:G1HeapRegionSize=8m   # Humongous 门槛提升到 4MB

方案三（应急缓解）：重启 + JVM 参数调整

不能根治，仅作紧急止血：

# 1. 立即重启 pod（清空泄漏的 Old 区）
​
# 2. 开启 OOM 时自动 Heap Dump，下次复现时捕获现场
-XX:+HeapDumpOnOutOfMemoryError
-XX:HeapDumpPath=/tmp/heap-dump.hprof
​
# 3. 降低 IHOP 阈值，让 G1 更早启动 Concurrent Mark，争取更多回收时间
-XX:InitiatingHeapOccupancyPercent=35   # 当前默认约 45%
​
# 4. 增加并发 GC 线程（当前 Concurrent Workers 仅 2，CPU 4核可调到 2~3）
-XX:ConcGCThreads=3

---

七、验证方案

7.1 修复前 Heap Dump 分析

在下次服务启动后约 2~4 小时（Old 区增长到约 500MB 时）执行：

jmap -dump:live,format=b,file=/tmp/heap.hprof <pid>

用 Eclipse MAT 打开，查看：

• NacosValueAnnotationBeanPostProcessor → placeholderNacosValueTargetMap 的 retained heap
• 按 retained heap 排序的 Top 10 对象：应能看到大量 SearchThreeOptimizeRank、VideoI2iVectorRecallBuilder 等 prototype bean 实例堆积

7.2 修复后的预期 GC 表现

对比当前 GC 日志，修复后应观察到：

指标	修复前（实测）	修复后（预期）
Old 区增长趋势	24h 从 4MB 增至 7512MB，无法回收	趋于稳定，Mixed GC 可有效回收
Evacuation Failure	22:17 起持续，约 30min 一次	消失
Full GC	运行约 24h 后触发，STW 6.23s	消失
Mixed GC 回收量	每次回收 1~2 个 Old region	每次回收数十个 Old region
P99 延迟	超时严重（6s+ STW）	恢复正常

7.3 压测验证方法

修复上线后，施加持续 QPS 压测（建议与生产峰值 QPS 相同）持续 30 分钟：

• 观察 Old 区是否保持平稳（不超过 20% 堆大小）
• 确认无 Evacuation Failure、无 Full GC

---

八、优先级与实施计划

优先级	动作	说明	时间
P0 立即	重启 pod，临时恢复服务	清空当前泄漏的 Old 区	今日
P0 立即	加 -XX:+HeapDumpOnOutOfMemoryError JVM 参数	下次复现时自动抓取现场	今日
P0 1天内	按方案一改造 SearchThreeOptimizeRank 及 6 个高频 RecallBuilder	覆盖最高频泄漏路径	1天内
P1 本周	全量排查 50+ prototype 类，完成所有 @NacosValue 迁移	彻底消除泄漏	本周
P1 本周	执行压测验证，确认 Old 区不再单调增长	验证修复有效性	本周
P2 下周	添加 JVM Old Gen 监控告警（Old Gen > 60% 预警，> 80% 紧急）	提前发现类似问题	下周
P2 下周	排查 Humongous 大对象来源，优化召回结果集大小控制	降低 Old 区分配压力	下周