Linux 如何迅速分析定位CPU性能瓶颈

CPU的性能指标那么多，CPU性能分析工具也是一抓一大把，换成实际的工作场景，我又该观察什么指标、选择哪个性能工具呢? 不要担心，今天我就以多年的性能优化经验，给你总结出一个"又快又准"的瓶颈定位套路，告诉你在不同场景下，指标工具怎么选，性能瓶颈怎么找。

 

CPU性能指标

---

描述 CPU的性能指标都有哪些 ？

首先，最容易想到的应该是CPU 使用率，这也是实际环境中最常见的一个性能指标。CPU使用率描述了非空闲时间占总CPU时间的百分比，根据CPU上运行任务的不同，又被分为用户CPU、系统 CPU、等待 I/O CPU、软中断和硬中断等。

● 用户CPU 使用率，包括用户态 CPU使用率（user）和低优先级用户态 CPU使用率（nice），表示CPU在用户态运行的时间百分比。用户CPU使用率高，通常说明有应用程序比较繁忙。

● 系统CPU使用率，表示CPU在内核态运行的时间百分比（不包括中断）。系统CPU 使用率高，说明内核比较繁忙。

● 等待I/O的CPU使用率，通常也称为 iowait，表示等待I/O的时间百分比。iowait高，通常说明系统与硬件设备的I/O 交互时间比较长。

● 软中断和硬中断的CPU使用率，分别表示内核调用软中断处理程序、硬中断处理程序的时间百分比。它们的使用率高，通常说明系统发生了大量的中断。

●  除了上面这些，还有在虚拟化环境中会用到的窃取CPU使用率(steal）和客户CPU使用率（guest），分别表示被其他虚拟机占用的CPU时间百分比，和运行客户虚拟机的CPU时间百分比。

第二个比较容易想到的，应该是平均负载（Load Average），也就是系统的平均活跃进程数。它反应了系统的整体负载情况，主要包括三个数值，分别指过去1分钟、过去5分钟和过去15 分钟的平均负载。

理想情况下，平均负载等于逻辑 CPU个数，这表示每个CPU都恰好被充分利用。如果平均负载大于逻辑 CPU 个数，就表示负载比较重了。

第三个，也是在专栏学习前你估计不太会注意到的，进程上下文切换，包括

● 无法获取资源而导致的自愿上下文切换

● 被系统强制调度导致的非自愿上下文切换。

上下文切换，本身是保证 Linux 正常运行的一项核心功能。但过多的上下文切换，会将原本运行进程的CPU时间，消耗在寄存器、内核栈以及虚拟内存等数据的保存和恢复上，缩短进程真正运行的时间，成为性能瓶颈。

除了上面几种，还有一个指标，CPU缓存的命中率。由于CPU发展的速度远快于内存的发展，CPU的处理速度就比内存的访问速度快得多。这样，CPU在访问内存的时候，免不了要等待内存的响应。为了协调这两者巨大的性能差距，CPU缓存（通常是多级缓存）就出现了。

就像上面这张图显示的，CPU 缓存的速度介于CPU和内存之间，缓存的是热点的内存数据。根据不断增长的热点数据，这些缓存按照大小不同分为L1、L2、L3等三级缓存，其中L1和L2 常用在单核中，L3则用在多核中。

从L1到L3，三级缓存的大小依次增大，相应的，性能依次降低（当然比内存还是好得多）。而它们的命中率，衡量的是CPU缓存的复用情况，命中率越高，则表示性能越好。

这些指标都很有用，总结成了一张图，帮你分类和记忆。你可以保存打印下来，随时查看复习，也可以当成CPU性能分析的"指标筛选"清单。

 

性能工具

---

掌握了CPU的性能指标，我们还需要知道，怎样去获取这些指标，也就是工具的使用。这里我们也一起回顾一下CPU性能工具。

首先，平均负载的案例。我们先用uptime，查看了系统的平均负载，而在平均负载升高后，又用mpstat和 pidstat，分别观察了每个CPU和每个进程CPU的使用情况，进而找出了导致平均负载升高的进程，也就是我们的压测工具 strss

第二个，上下文切换的案例。我们先用 vmstat，查看了系统的上下文切换次数和中断次数，然后通过 pidstat，观察了进程的自愿上下文切换和非自愿上下文切换情况;最后通过 pidstat，观察了线程的上下文切换情况，找出了上下文切换次数增多的根源，也就是我们的基准测试工具sysbench。

第三个，进程 CPU使用率升高的案例。我们先用 top，查看了系统和进程的CPU 使用情况，发现 CPU使用率升高的进程是 php-fpm;再用 perf top，观察 php-fpm的调用链，最终找出 CPU升高的根源，也就是库函数 sqrt（）。

第四个，系统的CPU使用率升高的案例。我们先用 top观察到了系统CPU升高，但通过 top 和 pidstat，却找不出高CPU使用率的进程。于是，我们重新审视 top的输出，又从CPU使用率不高但处于Running状态的进程入手，找出了可疑之处，最终通过 perf record和 perf report，发现原来是短时进程在捣鬼。

第五个，不可中断进程和僵尸进程的案例。我们先用 top观察到了iowait 升高的问题，并发现了大量的不可中断进程和僵尸进程;接着我们用 dstat 发现是这是由磁盘读导致的，于是又通过pidstat 找出了相关的进程。但我们用 strace 查看进程系统调用却失败了，最终还是用perf分析进程调用链，才发现根源在于磁盘直接 /O。

最后一个，软中断的案例。我们通过 top观察到，系统的软中断CPU使用率升高;接着查看/proc/softirqs，找到了几种变化速率较快的软中断;然后通过 sar命令，发现是网络小包的问题，最后再用 tcpdump，找出网络帧的类型和来源，确定是一个SYN FLOOD攻击导致的。到这里，估计你已经晕了吧，原来短短几个案例，我们已经用过十几种CPU性能工具了，而且每种工具的适用场景还不同呢!这么多的工具要怎么区分呢?在实际的性能分析中，又该怎么选择呢?

我的经验是，从两个不同的维度来理解它们，做到活学活用。

另外，对于短时进程，我还介绍了一个专门的工具 execsnoop，它可以实时监控进程调用的外部命令。

活学活用，把性能指标和性能工具联系起来

第一个维度，从CPU的性能指标出发。也就是说，当你要查看某个性能指标时，要清楚知道哪些工具可以做到。

根据不同的性能指标，对提供指标的性能工具进行分类和理解。这样，在实际排查性能问题时，你就可以清楚知道，什么工具可以提供你想要的指标，而不是毫无根据地挨个尝试，撞运气。其实，我在前面的案例中已经多次用到了这个思路。比如用 top发现了软中断CPU使用率高后，下一步自然就想知道具体的软中断类型。那在哪里可以观察各类软中断的运行情况呢?当然是proc 文件系统中的/proc/softiras 这个文件。

紧接着，比如说，我们找到的软中断类型是网络接收，那就要继续往网络接收方向思考。系统的网络接收情况是什么样的?什么工具可以查到网络接收情况呢?在我们案例中，用的正是dstat。

虽然你不需要把所有工具背下来，但如果能理解每个指标对应的工具的特性，一定更高效、更灵活地使用。这里，我把提供CPU性能指标的工具做成了一个表格，方便你梳理关系和理解记忆，当然，你也可以当成一个"指标工具"指南来使用。

 

下面，我们再来看第二个维度。

第二个维度，从工具出发。也就是当你已经安装了某个工具后，要知道这个工具能提供哪些指标。

这在实际环境特别是生产环境中也是非常重要的，因为很多情况下，你并没有权限安装新的工具包，只能最大化地利用好系统中已经安装好的工具，这就需要你对它们有足够的了解。具体到每个工具的使用方法，一般都支持丰富的配置选项。不过不用担心，这些配置选项并不用背下来。你只要知道有哪些工具、以及这些工具的基本功能是什么就够了。真正要用到的时候，通过 man 命令，查它们的使用手册就可以了。

同样的，我也将这些常用工具汇总成了一个表格，方便你区分和理解，自然，你也可以当成一个"工具指标"指南使用，需要时查表即可。

 

如何迅速分析 CPU的性能瓶颈

---

我相信到这一步，你对CPU的性能指标已经非常熟悉，也清楚每种性能指标分别能用什么工具来获取。

那是不是说，每次碰到CPU的性能问题，你都要把上面这些工具全跑一遍，然后再把所有的CPU 性能指标全分析一遍呢?

你估计觉得这种简单查找的方式，就像是在傻找。不过，别笑话，因为最早的时候我就是这么做的。把所有的指标都查出来再统一分析，当然是可以的，也很可能找到系统的潜在瓶颈。但是这种方法的效率真的太低了! 耗时耗力不说，在庞大的指标体系面前，你一不小心可能就忽路了某个细节，导致白干一场。我就吃过好多次这样的苦。

所以，在实际生产环境中，我们通常都希望尽可能快地定位系统的瓶颈，然后尽可能快地优化性能，也就是要又快又准地解决性能问题。

那有没有什么方法，可以又快又准找出系统瓶颈呢?答案是肯定的。

虽然CPU的性能指标比较多，但要知道，既然都是描述系统的CPU性能，它们就不会是完全孤立的，很多指标间都有一定的关联。想弄清楚性能指标的关联性，就要通晓每种性能指标的工作原理。这也是为什么我在介绍每个性能指标时，都要穿插讲解相关的系统原理，希望你能记住这一点。

举个例子，用户CPU使用率高，我们应该去排查进程的用户态而不是内核态。因为用户CPU 使用率反映的就是用户态的CPU 使用情况，而内核态的CPU使用情况只会反映到系统CPU使用率上。

你看，有这样的基本认识，我们就可以缩小排查的范围，省时省力。

所以，为了缩小排查范围，我通常会先运行几个支持指标较多的工具，如top、vmstat 和pidstat。为什么是这三个工具呢?仔细看看下面这张图，你就清楚了。

这张图里，我列出了 top、vmstat和pidstat 分别提供的重要的CPU指标，并用虚线表示关联关系，对应出了性能分析下一步的方向。

通过这张图你可以发现，这三个命令，几乎包含了所有重要的CPU性能指标比如∶

● 从 top的输出可以得到各种CPU使用率以及僵尸进程和平均负载等信息。

● 从vmstat的输出可以得到上下文切换次数、中断次数、运行状态和不可中断状态的进程数。

● 从 pidstat的输出可以得到进程的用户CPU使用率、系统CPU使用率、以及自愿上下文切换和非自愿上下文切换情况。

另外，这三个工具输出的很多指标是相互关联的，所以，我也用虚线表示了它们的关联关系，举几个例子你可能会更容易理解。

第一个例子，pidstat 输出的进程用户CPU使用率升高，会导致 top输出的用户 CPU使用率升高。所以，当发现 top输出的用户CPU使用率有问题时，可以跟 pidstat的输出做对比，观察是否是某个进程导致的问题。

而找出导致性能问题的进程后，就要用进程分析工具来分析进程的行为，比如使用 strace 分析系统调用情况，以及使用 perf分析调用链中各级函数的执行情况。

第二个例子，top输出的平均负载升高，可以跟 vmstat输出的运行状态和不可中断状态的进程数做对比，观察是哪种进程导致的负载升高。

● 如果是不可中断进程数增多了，那么就需要做I/O的分析，也就是用dstat或sar等工具，进一步分析I/0的情况。

● 如果是运行状态进程数增多了，那就需要回到 top和 pidstat，找出这些处于运行状态的到底是什么进程，然后再用进程分析工具，做进一步分析。

最后一个例子，当发现 top输出的软中断 CPU使用率升高时，可以查看/proc/softirqs 文件中各种类型软中断的变化情况，确定到底是哪种软中断出的问题。比如，发现是网络接收中断导致的问题，那就可以继续用网络分析工具 sar和 tcpdump 来分析。

注意，我在这个图中只列出了最核心的几个性能工具，并没有列出所有。这么做，一方面是不想用大量的工具列表吓到你。在学习之初就接触所有或核心或小众的工具，不见得是好事。另一方面，是希望你能先把重心放在核心工具上，毕竟熟练掌握它们，就可以解决大多数问题。所以，你可以保存下这张图，作为CPU性能分析的思路图谱。从最核心的这几个工具开始，通过我提供的那些案例，自己在真实环境里实践，拿下它们。

 

小结

---

今天，我带你回忆了常见的CPU性能指标，梳理了常见的CPU性能观测工具，最后还总结了快速分析 CPU性能问题的思路。

虽然CPU 的性能指标很多，相应的性能分析工具也很多，但熟悉了各种指标的含义之后，你就会发现它们其实都有一定的关联。顺着这个思路，掌握常用的分析套路并不难。