线上故障之load Average和cpu使用率的分析

         线上服务突然异常，一般就是峰值情况下机器某个维度或者多个维度出现负荷，我在项目中就几乎遇到过load飚高，cpu跑满，带宽打满，内存不够，磁盘写满，硬盘损坏，机房断电等各种情况，所以要保证线上服务的高可用，除了完善的监控系统外，我们自己对各种系统参数也一定要烂熟于胸，对这些参数的敏感度将有效帮助我们将可能的故障扼杀在襁褓中。

        

          CPU利用率，是对一个时间段内CPU使用状况的统计，通过这个指标可以看出在某一个时间段内CPU被占用的情况，如果CPU被占用时间很高，那么就需要考虑CPU是否已经处于超负荷运作，长期超负荷运作对于机器本身来说是一种损害，因此必须将CPU的利用率控制在一定的比例下，以保证机器的正常运作。
          Load Average是 CPU的Load，它所包含的信息不是CPU的使用率状况，而是在一段时间内CPU正在处理以及等待CPU处理的进程数之和的统计信息，也就是CPU使用队列的长度的统计信息。
          那么CPU利用率与Load Average对于性能测试的意义有什么区别呢？实际上，CPU利用率反映的是CPU被使用的情况，当CPU长期处于被使用而没有得到足够的时间休息间歇，那么对于CPU硬件来说是一种超负荷的运作，需要调整使用频度。而Load Average却从另一个角度来展现对于CPU使用状态的描述，Load Average越高说明对于CPU资源的竞争越激烈，CPU资源比较短缺。对于资源的申请和维护其实也是需要很大的成本，所以在这种高Average Load的情况下CPU资源的长期“热竞争”也是对于硬件的一种损害。