“ 1分钟发现-5分钟响应-10分钟恢复,是定义故障处理的时效性目标。在阿里巴巴内部经过多年的实践,这也早已成为各个业务稳定性、基础设施稳定性以及大促保障的重要牵引指标。对于故障,最难的往往不是排查解决,而是保证上述1-5-10时效性。程序摄像头Trace Profiling直击排障痛点,期望帮助用户在分钟级以标准化步骤定位全资源种类的故障根因。”
1. 常规排障痛点
当生产环境CPU使用率过高时,我们的常规思路是,登录上机器:
-
排查占用CPU的进程
-
找出实际占用最高CPU的线程
-
用jstack获取对应线程的堆栈信息,找出耗CPU的代码位置对应修复
此举易行,但是这一套操作下来,很花时间,而且如果CPU一会高,一会正常该怎么排查?比如:对象序列化、反序列化是开发的超高频操作,但是很多小伙伴可能不知道,这是很费CPU的。尤其在对象很大的时候,在生产环境就容易引起CPU飙高,但持续时间又很短,难以捕捉的情况,这种无法稳定复现的该怎么排查?
2.案例说明
我们模拟了上述场景,对一个6M大小的对象用不同的序列化框架进行序列化操作,并捕捉了请求Trace,耗时如下:
-
Fastjson:285.00ms
-
Jackson:255.29ms
-
Gson :283.08ms
-
net.sf.json