CPU & Load又极速飙升,系统性能问题如何排查?

雍雍 2022-01-11 16:32:09

导读:压测时或多或少都收到过CPU或者Load高的告警,如果是单机偶发性的,经常会认为是“宿主机抢占导致的”,那事实是否真是如此呢?是什么引起了这些指标的飙高?网络、磁盘还是高并发?有什么工具可以定位?TOP、PS还是vmstat?CPU高&Load高和CPU低&Load高,不同的表征又代表着什么?

 

图片

 

一、背景知识

 

 
1、LINUX进程状态

 

LINUX 2.6以后的内核中,进程一般存在7种基础状态:D-不可中断睡眠、R-可执行、S-可中断睡眠、T-暂停态、t-跟踪态、X-死亡态、Z-僵尸态,这几种状态在PS命令中有对应解释。

 

图片

 

  • D (TASK_UNINTERRUPTIBLE),不可中断睡眠态。顾名思义,位于这种状态的进程处于睡眠中,并且不允许被其他进程或中断(异步信号)打断。因此这种状态的进程,是无法使用kill -9杀死的(kill也是一种信号),除非重启系统(没错,就是这么头硬)。不过这种状态一般由I/O等待(比如磁盘I/O、网络I/O、外设I/O等)引起,出现时间非常短暂,大多很难被PS或者TOP命令捕获(除非I/O HANG死)。SLEEP态进程不会占用任何CPU资源。

 

  • R (TASK_RUNNING),可执行态。这种状态的进程都位于CPU的可执行队列中,正在运行或者正在等待运行,即不是在上班就是在上班的路上。

 

  • S (TASK_INTERRUPTIBLE),可中断睡眠态。不同于D,这种状态的进程虽然也处于睡眠中,但是是允许被中断的。这种进程一般在等待某事件的发生(比如socket连接、信号量等),而被挂起。一旦这些时间完成,进程将被唤醒转为R态。如果不在高负载时期,系统中大部分进程都处于S态。SLEEP态进程不会占用任何CPU资源。

 

  • T&t (__TASK_STOPPED & __TASK_TRACED),暂停or跟踪态。这种两种状态的进程都处于运行停止的状态。不同之处是暂停态一般由于收到SIGSTOP、SIGTSTP、SIGTTIN、SIGTTOUT四种信号被停止,而跟踪态是由于进程被另一个进程跟踪引起(比如gdb断点)。暂停态进程会释放所有占用资源。

 

  • Z (EXIT_ZOMBIE), 僵尸态。这种状态的进程实际上已经结束了,但是父进程还没有回收它的资源(比如进程的描述符、PID等)。僵尸态进程会释放除进程入口之外的所有资源。

 

  • X (EXIT_DEAD), 死亡态。进程的真正结束态,这种状态一般在正常系统中捕获不到。

 

 
2、Load Average & CPU使用率

 

谈到系统性能,Load和CPU使用率是最直观的两个指标,那么这两个指标是怎么被计算出来的呢?是否能互相等价呢?

 

1)Load Average

 

不少人都认为,Load代表正在CPU上运行&等待运行的进程数,即

 

图片

 

但Linux系统中,这种描述并不完全准确。

 

以下为Linux内核源码中Load Average计算方法,可以看出来,因此除了可执行态进程,不可中断睡眠态进程也会被一起纳入计算,即:

 

图片

 

  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
602staticunsignedlongcount_active_tasks(void)603 {604structtask_struct*p;605unsignedlongnr=0;606607read_lock(&tasklist_lock);608for_each_task(p) {609if ((p->state==TASK_RUNNING610 (p->state&TASK_UNINTERRUPTIBLE)))611nr+=FIXED_1;612 }613read_unlock(&tasklist_lock);614returnnr;615 }......625staticinlinevoidcalc_load(unsignedlongticks)626 {627unsignedlongactive_tasks; /* fixed-point */628staticintcount=LOAD_FREQ;629630count-=ticks;631if (count<0) {632count+=LOAD_FREQ;633active_tasks=count_active_tasks();634CALC_LOAD(avenrun[0], EXP_1, active_tasks);635CALC_LOAD(avenrun[1], EXP_5, active_tasks);636CALC_LOAD(avenrun[2], EXP_15, active_tasks);637 }638 }

 

在前文 Linux进程状态 中有提到过,不可中断睡眠态的进程(TASK_UNINTERRUTED)一般都在进行I/O等待,比如磁盘、网络或者其他外设等待。由此我们可以看出,Load Average在Linux中体现的是整体系统负载,即CPU负载 + Disk负载 + 网络负载 + 其余外设负载,并不能完全等同于CPU使用率(这种情况只出现在Linux中,其余系统比如Unix,Load还是只代表CPU负载)。

 

2)CPU使用率

 

CPU的时间分片一般可分为4大类:用户进程运行时间 - User Time, 系统内核运行时间 - System Time, 空闲时间 - Idle Time, 被抢占时间 - Steal Time。除了Idle Time外,其余时间CPU都处于工作运行状态。

 

图片

 

通常而言,我们泛指的整体CPU使用率为User Time 和 Systime占比之和(例如tsar中CPU util),即:

 

图片

 

为了便于定位问题,大多数性能统计工具都将这4类时间片进一步细化成了8类,如下为TOP对CPU时间片的分类。

 

图片

 

  • us:用户进程空间中未改变过优先级的进程占用CPU百分比
     

  • sy:内核空间占用CPU百分比

 

  • ni:用户进程空间内改变过优先级的进程占用CPU百分比

 

  • id:空闲时间百分比

 

  • wa:空闲&等待I/O的时间百分比

 

  • hi:硬中断时间百分比

 

  • si:软中断时间百分比

 

  • st:虚拟化时被其余VM窃取时间百分比

 

这8类分片中,除wa和id外,其余分片CPU都处于工作态。

 

二、资源&瓶颈分析

 

从上文我们了解到,Load Average和CPU使用率可被细分为不同的子域指标,指向不同的资源瓶颈。总体来说,指标与资源瓶颈的对应关系基本如下图所示。

 

图片

 

 
1、Load高 & CPU高

 

这是我们最常遇到的一类情况,即load上涨是CPU负载上升导致。根据CPU具体资源分配表现,可分为以下几类:

 

1)CPU sys高

 

这种情况CPU主要开销在于系统内核,可进一步查看上下文切换情况。

 

  • 如果非自愿上下文切换较多,说明CPU抢占较为激烈,大量进程由于时间片已到等原因,被系统强制调度,进而发生的上下文切换。

 

  • 如果自愿上下文切换较多,说明可能存在I/O、内存等系统资源瓶颈,大量进程无法获取所需资源,导致的上下文切换。

 

2)CPU si高

 

这种情况CPU大量消耗在软中断,可进一步查看软中断类型。一般而言,网络I/O或者线程调度引起软中断最为常见:

 

  • NET_TX & NET_RX。NET_TX是发送网络数据包的软中断,NET_RX是接收网络数据包的软中断,这两种类型的软中断较高时,系统存在网络I/O瓶颈可能性较大。

 

  • SCHED。SCHED为进程调度以及负载均衡引起的中断,这种中断出现较多时,系统存在较多进程切换,一般与非自愿上下文切换高同时出现,可能存在CPU瓶颈。

 

3)CPU us高

 

这种情况说明资源主要消耗在应用进程,可能引发的原因有以下几类:

 

  • 死循环或代码中存在CPU密集计算。这种情况多核CPU us会同时上涨。

 

  • 内存问题,导致大量FULLGC,阻塞线程。这种情况一般只有一核CPU us上涨。

 

  • 资源等待造成线程池满,连带引发CPU上涨。这种情况下,线程池满等异常会同时出现。

 

4)Load高 & CPU低

 

这种情况出现的根本原因在于不可中断睡眠态(TASK_UNINTERRUPTIBLE)进程数较多,即CPU负载不高,但I/O负载较高。可进一步定位是磁盘I/O还是网络I/O导致。

 

三、排查策略

 

利用现有常用的工具,我们常用的排查策略基本如下图所示:

 

图片

 

从问题发现到最终定位,基本可分为四个阶段:

 

 
1、资源瓶颈定位

 

这一阶段通过全局性能检测工具,初步定位资源消耗异常位点。

 

常用的工具有:

 

  • top、vmstat、tsar(历史)

 

  • 中断:/proc/softirqs、/proc/interrupts

  • I/O:iostat、dstat

 

 
2、热点进程定位

 

定位到资源瓶颈后,可进一步分析具体进程资源消耗情况,找到热点进程。

 

常用工具有:

 

  • 上下文切换:pidstat -w

 

  • CPU:pidstat -u

 

  • I/O:iotop、pidstat -d

 

  • 僵尸进程:ps

 

 
3、线程&进程内部资源定位

 

找到具体进程后,可细化分析进程内部资源开销情况。

 

常用工具有:

 

  • 上下文切换:pidstat -w -p [pid]

 

  • CPU:pidstat -u -p [pid]

 

  • I/O: lsof

 

 
4、热点事件&方法分析

 

获取到热点线程后,我们可用trace或者dump工具,将线程反向关联,将问题范围定位到具体方法&堆栈。

 

常用的工具有:

 

  • perf:Linux自带性能分析工具,功能类似hotmethod,基于事件采样原理,以性能事件为基础,支持针对处理器相关性能指标与操作系统相关性能指标的性能剖析。

 

  • jstack

 

  • 结合ps -Lp或者pidstat -p一起使用,可初步定位热点线程。

  • 结合zprofile-threaddump一起使用,可统计线程分布、等锁情况,常用与线程数增加分析。

 

  • strace:跟踪进程执行时的系统调用和所接收的信号。

 

  • tcpdump:抓包分析,常用于网络I/O瓶颈定位。

 

>>>>

参考资料

 

  • Linux Load Averages: Solving the Mystery

    http://www.brendangregg.com/blog/2017-08-08/linux-load-averages.html

  • What exactly is a load average?

    http://linuxtechsupport.blogspot.com/2008/10/what-exactly-is-load-average.html

 

作者丨雍雍
来源丨公众号:阿里技术(ID:ali_tech)
dbaplus社群欢迎广大技术人员投稿,投稿邮箱:editor@dbaplus.cn
最新评论
访客 2024年04月08日

如果字段的最大可能长度超过255字节,那么长度值可能…

访客 2024年03月04日

只能说作者太用心了,优秀

访客 2024年02月23日

感谢详解

访客 2024年02月20日

一般干个7-8年(即30岁左右),能做到年入40w-50w;有…

访客 2023年08月20日

230721

活动预告