|
標簽：聯(lián)想服務(wù)器，
平常的工作中，在衡量服務(wù)器的性能時，經(jīng)常會涉及到幾個指標，load、cpu、mem、qps、rt等。每個指標都有其獨特的意義，很多時候在線上出現(xiàn)問題時，往往會伴隨著某些指標的異常。大部分情況下，在問題發(fā)生之前，某些指標就會提前有異常顯示。
對于這些指標的理解和查看、異常解決等，是程序員們重要的必備技能。本文，主要來介紹一下一個比較重要的指標——機器負載(Load)，主要涉及負載的定義、查看負載方式、負載飆高排查思路等。
什么是負載
負載(load)是linux機器的一個重要指標，直觀了反應(yīng)了機器當(dāng)前的狀態(tài)。
來看下負載的定義是怎樣的：
In UNIX computing, the system load is a measure of the amount of computational work that a computer system performs. The load average represents the average system load over a period of time. It conventionally appears in the form of three numbers which represent the system load during the last one-, five-, and fifteen-minute periods.(wikipedia)
簡單解釋一下：在UNIX系統(tǒng)中，系統(tǒng)負載是對當(dāng)前CPU工作量的度量，被定義為特定時間間隔內(nèi)運行隊列中的平均線程數(shù)。load average 表示機器一段時間內(nèi)的平均load。這個值越低越好。負載過高會導(dǎo)致機器無法處理其他請求及操作，甚至導(dǎo)致死機。
Linux的負載高，主要是由于CPU使用、內(nèi)存使用、IO消耗三部分構(gòu)成。任意一項使用過多，都將導(dǎo)致服務(wù)器負載的急劇攀升。
查看機器負載
在Linux機器上，有多個命令都可以查看機器的負載信息。其中包括uptime、top、w等。
uptime命令
uptime命令能夠打印系統(tǒng)總共運行了多長時間和系統(tǒng)的平均負載。uptime命令可以顯示的信息顯示依次為：現(xiàn)在時間、系統(tǒng)已經(jīng)運行了多長時間、目前有多少登陸用戶、系統(tǒng)在過去的1分鐘、5分鐘和15分鐘內(nèi)的平均負載。
? ~ uptime 13:29 up 23:41, 3 users, load averages: 1.74 1.87 1.97
這行信息的后半部分，顯示"load average"，它的意思是"系統(tǒng)的平均負荷"，里面有三個數(shù)字，我們可以從中判斷系統(tǒng)負荷是大還是小。
1.74 1.87 1.97 這三個數(shù)字的意思分別是1分鐘、5分鐘、15分鐘內(nèi)系統(tǒng)的平均負荷。我們一般表示為load1、load5、load15。
w命令
w命令的主要功能其實是顯示目前登入系統(tǒng)的用戶信息。但是與who不同的是，w命令功能更加強大，w命令還可以顯示：當(dāng)前時間，系統(tǒng)啟動到現(xiàn)在的時間，登錄用戶的數(shù)目，系統(tǒng)在最近1分鐘、5分鐘和15分鐘的平均負載。然后是每個用戶的各項數(shù)據(jù)，項目顯示順序如下：登錄帳號、終端名稱、遠 程主機名、登錄時間、空閑時間、JCPU、PCPU、當(dāng)前正在運行進程的命令行。
? ~ w 14:08 up 23:41, 3 users, load averages: 1.74 1.87 1.97 USER TTY FROM LOGIN@ IDLE WHAT hollis console - 六14 23:40 - hollis s000 - 六14 20:24 -zsh hollis s001 - 六15 - w
從上面的w命令的結(jié)果可以看到，當(dāng)前系統(tǒng)時間是14:08，系統(tǒng)啟動到現(xiàn)在經(jīng)歷了23小時41分鐘，共有3個用戶登錄。系統(tǒng)在近1分鐘、5分鐘和15分鐘的平均負載分別是1.74 1.87 1.97。這和uptime得到的結(jié)果相同。 下面還打印了一些登錄的用戶的各項數(shù)據(jù)，不詳細介紹了。
top命令
top命令是Linux下常用的性能分析工具，能夠?qū)崟r顯示系統(tǒng)中各個進程的資源占用狀況，類似于Windows的任務(wù)管理器。
? ~ top Processes: 244 total, 3 running, 9 stuck, 232 sleeping, 1484 threads 14:16:01 Load Avg: 1.74, 1.87, 1.97 CPU usage: 8.0% user, 6.79% sys, 85.19% idle SharedLibs: 116M resident, 16M data, 14M linkedit. MemRegions: 66523 total, 2152M resident, 50M private, 930M shared. PhysMem: 7819M used (1692M wired), 370M unused. VM: 682G vsize, 533M framework vsize, 6402060(0) swapins, 7234356(0) swapouts. Networks: packets: 383006/251M in, 334448/60M out. Disks: 1057821/38G read, 350852/40G written. PID COMMAND %CPU TIME #TH #WQ #PORT MEM PURG CMPRS PGRP PPID STATE BOOSTS %CPU_ME %CPU_OTHRS UID FAULTS COW MSGSENT MSGRECV SYSBSD SYSMACH CSW 30845 top 3.0 00:00.49 1/1 0 21 3632K 0B 0B 30845 1394 running *0[1] 0.00000 0.00000 0 3283+ 112 203556+ 101770+ 8212+ 119901+ 823+ 30842 Google Chrom 0.0 00:47.39 17 0 155 130M 0B 0B 1146 1146 sleeping *0[1] 0.00000 0.00000 501 173746 2697 117678 37821 364228 444830 310043
上面的輸出結(jié)果中，Load Avg: 1.74, 1.87, 1.97顯示的就是負載信息。
機器正常負載范圍
對于機器的Load到底多少算正常的問題，一直都是很有爭議的，不同人有著不同的理解。對于單個CPU，有人認為如果Load超過0.7就算是超出正常范圍了。也有人認為只要不超過1都沒問題。也有人認為，單個CPU的負載在2以下都可以接受。
為什么會有這么多不同的理解呢，是因為不同的機器除了CPU影響之外還有其他因素的影響，運行的程序、機器內(nèi)存、甚至是機房溫度等都有可能有區(qū)別。
比如，有些機器用于定時執(zhí)行大量的跑批任務(wù)，這個時間段內(nèi)，Load可能會飆的比較高。而其他時間可能會比較低。那么這段飆高時間我們要不要去排查問題呢?
我的建議是，最好根據(jù)自己機器的實際情況，建立一個指標的基線(如近一個月的平均值)，只要日常的load在基線上下范圍內(nèi)不太大都可以接收，如果差距太多可能就要人為介入檢查了。
但是，總要有個建議的閾值吧，關(guān)于這個值。阮一峰在自己的博客中有過以下建議：
當(dāng)系統(tǒng)負荷持續(xù)大于0.7，你必須開始調(diào)查了，問題出在哪里，防止情況惡化。
當(dāng)系統(tǒng)負荷持續(xù)大于1.0，你必須動手尋找解決辦法，把這個值降下來。
當(dāng)系統(tǒng)負荷達到5.0，就表明你的系統(tǒng)有很嚴重的問題，長時間沒有響應(yīng)，或者接近死機了。你不應(yīng)該讓系統(tǒng)達到這個值。
以上指標都是基于單CPU的，但是現(xiàn)在很多電腦都是多核的。所以，對一般的系統(tǒng)來說，是根據(jù)cpu數(shù)量去判斷系統(tǒng)是否已經(jīng)過載(Over Load)的。如果我們認為0.7算是單核機器負載的安全線的話，那么四核機器的負載最好保持在3(4*0.7 = 2.8)以下。
還有一點需要提一下，在Load Avg的指標中，有三個值，1分鐘系統(tǒng)負荷、5分鐘系統(tǒng)負荷，15分鐘系統(tǒng)負荷。我們在排查問題的時候也是可以參考這三個值的。
一般情況下，1分鐘系統(tǒng)負荷表示最近的暫時現(xiàn)象。15分鐘系統(tǒng)負荷表示是持續(xù)現(xiàn)象，并非暫時問題。如果load15較高，而load1較低，可以認為情況有所好轉(zhuǎn)。反之，情況可能在惡化。
如何降低負載
導(dǎo)致負載高的原因可能很復(fù)雜，有可能是硬件問題也可能是軟件問題。
如果是硬件問題，那么說明機器性能確實就不行了，那么解決起來很簡單，直接換機器就可以了。
前面我們提過，CPU使用、內(nèi)存使用、IO消耗都可能導(dǎo)致負載高。如果是軟件問題，有可能由于Java中的某些線程被長時間占用、大量內(nèi)存持續(xù)占用等導(dǎo)致。建議從以下幾個方面排查代碼問題：
1、是否有內(nèi)存泄露導(dǎo)致頻繁GC
2、是否有死鎖發(fā)生
3、是否有大字段的讀寫
4、會不會是數(shù)據(jù)庫操作導(dǎo)致的，排查SQL語句問題。
這里還有個建議，如果發(fā)現(xiàn)線上機器Load飆高，可以考慮先把堆棧內(nèi)存dump下來后，進行重啟，暫時解決問題，然后再考慮回滾和排查問題。
Java Web應(yīng)用Load飆高排查思路
1、使用uptime查看當(dāng)前l(fā)oad，發(fā)現(xiàn)load飆高。
? ~ uptime 13:29 up 23:41, 3 users, load averages: 10 10 10
2、使用top命令，查看占用CPU較高的進程ID。
? ~ top PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND 1893 admin 20 0 7127m 2.6g 38m S 181.7 32.6 10:20.26 java
發(fā)現(xiàn)PID為1893的進程占用CPU 181%。而且是一個Java進程，基本斷定是軟件問題。
3、使用 top命令，查看具體是哪個線程占用率較高
? ~ top -Hp 1893 PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND 4519 admin 20 0 7127m 2.6g 38m R 18.6 32.6 0:40.11 java
4、使用printf命令查看這個線程的16進制
? ~ printf %x 4519 11a7
5、使用jstack命令查看當(dāng)前線程正在執(zhí)行的方法。(Java命令學(xué)習(xí)系列(二)——Jstack)
? ~ jstack 1893 |grep -A 200 11a7 "thread-5" #500 daemon prio=10 os_prio=0 tid=0x00007f632314a800 nid=0x11a2 runnable [0x000000005442a000] java.lang.Thread.State: RUNNABLE at sun.misc.URLClassPath$Loader.findResource(URLClassPath.java:684) at sun.misc.URLClassPath.findResource(URLClassPath.java:188) at java.net.URLClassLoader$2.run(URLClassLoader.java:569) at java.net.URLClassLoader$2.run(URLClassLoader.java:567) at java.security.AccessController.doPrivileged(Native Method) at java.net.URLClassLoader.findResource(URLClassLoader.java:566) at org.hibernate.validator.internal.xml.ValidationXmlParser.getInputStreamForPath(ValidationXmlParser.java:248) at com.hollis.test.util.BeanValidator.validate(BeanValidator.java:30)
從上面的線程的棧日志中，可以發(fā)現(xiàn)，當(dāng)前占用CPU較高的線程正在執(zhí)行我代碼的com.hollis.test.util.BeanValidator.validate(BeanValidator.java:30) 類。那么就可以去排查這個類是否用法有問題了。
6、還可以使用jstat(Java命令學(xué)習(xí)系列(四)——jstat)來查看GC情況，看看是否有頻繁FGC，然后再使用jmap(Java命令學(xué)習(xí)系列(三)——Jmap)來dump內(nèi)存，查看是否存在內(nèi)存泄露。
|
