一次线程池线上故障复盘：四层防线如何避免数据丢失

26年七月13号，也即是昨天，钉钉告警群突然开始疯狂刷屏。

订单同步响应时间持续上涨，退款同步开始延迟，业务同事也陆续反馈第三方订单迟迟没有同步到下游系统。一开始我以为只是第三方接口慢了，但排查后，发现真正的问题出在我们自己的线程池。

原来是我们这边的thirdparty微服务里，订单同步、退款单同步、订单状态同步这3个方法共用同一个线程池。当天订单状态同步的流量陡增，线程池队列（容量1000）很快被打满，工作线程全部处于忙碌状态。后续提交的退款单同步和订单同步任务开始触发拒绝策略。

共享线程池 = 共享故障域。

一个非核心业务（订单状态同步）的流量峰值，把核心业务（订单同步）全部拖垮。下游系统大面积数据延迟。

当时我没有任何办法，赶紧重启服务，虽然队列里的任务全部都丢失了，好在当前写这块代码的程序员，是有将请求先落地到数据库后，再去执行程序的。

因此我可以从数据库里找到这些记录，并根据日志系统里的请求参数进行比对，再次重新把数据补充推送。

紧急bug肯定是必须当天处理的，我立刻改程序上线，杜绝这样的事情再次发生。

用四层防线把这个问题彻底解决，如下图：

第一层防线：线程池隔离

改造前，3个方法共用1个线程池：

Java 复制代码

private final ThreadPoolUtils pool = new ThreadPoolUtils(5, 20, 1000, "业务同步线程池");

订单状态同步的流量把队列打满后，其他业务全部排队或被拒绝。改造是按业务维度拆成3个独立池：

Java 复制代码

private final ThreadPoolUtils orderSyncPool = new ThreadPoolUtils(5, 20, 1000, "订单同步线程池");
private final ThreadPoolUtils refundOrderSyncPool = new ThreadPoolUtils(3, 10, 1000, "退款单同步线程池");
private final ThreadPoolUtils orderStatusSyncPool = new ThreadPoolUtils(5, 15, 1000, "订单状态同步线程池");

效果：非核心业务的流量再大，也不会影响核心业务。故障被隔离在单个业务线内，不会扩散。

不过，这时候还有一个问题。如果某个池的队列也被打满了呢？任务会被拒绝策略处理。

第二层防线：CallerRunsPolicy + 结构化告警

原来的线程池配置了一个自定义的拒绝策略，但这个策略有个致命问题：它只打日志，不抛异常，也不执行任务。

Java 复制代码

// 原拒绝策略：只log，不执行任务
public void rejectedExecution(Runnable r, ThreadPoolExecutor e) {
    log.warn("线程池队列已满，任务被拒绝");
    // 没有 super.rejectedExecution(r, e);
    // 任务直接丢弃，调用方无感知
}

队列满时，任务被静默丢弃。调用方（HTTP接口或Dubbo RPC）已经返回了接收成功的响应，但实际上订单数据根本没有处理。数据丢了，没人知道。

比任务执行失败更麻烦的是，调用方根本不知道它失败了。

我把它换成了CallerRunsPolicy：队列满时，由提交任务的线程（HTTP线程或Dubbo线程）同步执行这个任务。任务不会被丢弃，数据不会丢失。

Java 复制代码

// 自定义CallerRunsPolicy：先打ERROR日志，再同步执行任务
public class CustomCallerRunsPolicy extends ThreadPoolExecutor.CallerRunsPolicy {
    private final AtomicInteger callerRunsCount = new AtomicInteger(0);

    @Override
    public void rejectedExecution(Runnable r, ThreadPoolExecutor e) {
        int count = callerRunsCount.incrementAndGet();
        // 输出结构化告警日志
        StructuredLog.error(log)
            .moduleCode("THREAD_POOL")
            .moduleName(poolName)
            .eventCode("POOL_FULL")
            .eventName("线程池队列已满，由调用线程同步执行")
            .put("activeThreads", e.getActiveCount())
            .put("queueSize", e.getQueue().size())
            .put("callerRunsCount", count)
            .status("error")
            .log();
        // 调用父类方法，由调用线程同步执行任务
        super.rejectedExecution(r, e);
    }
}

队列满时，这条ERROR级别的日志会立刻输出，包含线程池名称、当前活跃线程数、队列大小、累计触发次数。调用方线程被阻塞去执行任务，响应时间变长，但数据不丢。

代价是系统开始向调用方施加背压。调用线程需要自己执行任务，因此接口RT会变长。但这也是一种主动限流机制：系统处理不过来，就让上游慢下来，而不是继续接收请求导致数据丢失。

我们这个场景下，数据不丢比响应快更重要，因为第三方SaaS系统只会推送一次。而且线程池已经做了隔离，一个池的压力不会传导到其他池，影响范围可控。

CallerRunsPolicy保证了数据不丢，结构化日志记录了告警信息。

不过，这时候还有一个问题。如果没人盯着日志平台，告警信息就沉在海量日志里了。

第三层防线：钉钉独立告警群（分钟级）

我这边为thirdparty这个模块建了一个独立的钉钉告警群，专门用来接收线程池相关的告警。

链路是这样的：线程池队列满 → CustomCallerRunsPolicy输出ERROR级别结构化日志 → 日志平台采集 → 配置告警规则，匹配POOL_FULL事件 → 钉钉机器人推送告警群。

从事件发生到钉钉收到告警，不超过1分钟。

告警消息里包含关键信息：哪个线程池满了、当前活跃线程数、队列大小、累计触发次数。开发人员收到告警后可以立即判断：是需要扩容、限流、还是等流量自然回落。

这样开发至少第一时间能知道出了问题。由于钉钉是有公司和名字水印的，我不好直接贴出，画一张示意图：

到这里，其实正常情况下的问题已经处理得差不多了。不过还有一种情况没覆盖：服务器重启。

第四层防线：数据补偿工具

ArrayBlockingQueue是JVM内存队列，不持久化。如果服务器在队列有积压时重启，队列里所有未处理的任务全部丢失。

CallerRunsPolicy在这种情况下也帮不上忙。

上文提到过，每次请求到达Controller之前，拦截器会把完整的请求参数写入数据库，对应的表是third_docs_record：

Java 复制代码

// 拦截器预持久化：请求参数先落库，再进入业务逻辑
if (flag) {
    ThirdDocsRecordDTO record = ThirdDocsRecordDTO.builder()
        .businessNo(extractBusinessNo(params))
        .servletPath(servletPath)
        .param(requestBody)  // 完整请求JSON
        .nonce(nonce)
        .build();
    thirdDocsRecordService.save(record);
    return true;
}

这张表记录了每一次请求的完整参数。基于它，我们构建了一个数据补偿工具类：

Java 复制代码

// 数据补偿工具：按时间范围 + 单据号列表，重新推送未处理的单据
public void compensate(Date startTime, Date endTime, List<String> docsNoList) {
    // 1. 查询该时间范围内、且单据号在列表中的third_docs_record记录
    List<ThirdDocsRecordPO> records = recordMapper.selectByTimeRangeAndDocsNos(startTime, endTime, docsNoList);
    
    // 2. 逐条检查下游系统是否已收到
    for (ThirdDocsRecordPO record : records) {
        if (isAlreadySynced(record.getBusinessNo())) {
            continue;  // 已处理，跳过
        }
        // 3. 未处理的，重新调用同步方法
        replaySync(record.getParam());
    }
}

输入时间范围和单据号列表，工具会查询该时间段内指定单据号的记录，逐条检查下游系统是否已经收到。未收到的，重新调用同步方法推送。

幂等性由下游系统的查重逻辑保证：订单同步和退款单同步在入库前都会检查单据号是否已存在，重复推送不会造成数据重复。

即使服务器重启导致内存队列里的任务全部丢失，也可以通过补偿工具把数据重新推回去。

小结

后续你们也用线程池的时候，也多问问自己几个问题：

一个业务崩了，会不会拖垮其他业务？
队列满了，数据会不会丢？
出问题以后，我能不能第一时间知道？
就算真的丢了，能不能补回来？

这四个问题，也就是这次事故之后留下来的四层防线：

线程池隔离：非核心业务的流量峰值不会影响核心业务
CallerRunsPolicy：队列满时任务不丢，由调用线程同步执行
钉钉分钟级告警：故障发生1分钟内，开发人员就会收到通知
数据补偿工具：极端情况下数据丢失，当天可以通过补偿工具恢复

改造后的运维体验：故障发生时立刻知道（钉钉告警），当天可以处理完毕（补偿工具兜底）。