每次發現系統變慢時,我們通常做的第一件事,就是執行 top 或者 uptime 命令,來了解系統的負載情況。比如像下面這樣,我在命令行裏輸入了 uptime 命令,系統也隨即給出了結果。
$ uptime
02:34:03 up 2 days, 20:14, 1 user, load average: 0.63, 0.83, 0.88
我相信你對前面的幾列比較熟悉,它們分別是當前時間、系統運行時間以及正在登錄用戶數。
而最後三個數字呢,依次則是過去 1 分鐘、5 分鐘、15 分鐘的平均負載(Load Average)。
平均負載?
這個詞對很多人來說,可能既熟悉又陌生,我們每天的工作中,也都會提到這個詞,但你真正理解它背後的含義嗎?我猜一定有人會說,平均負載不就是單位時間內的 CPU 使用率嗎?上面的 0.63,就代表 CPU使用率是 63%。其實並不是這樣,如果你方便的話,可以通過執行 man uptime 命令,來了解平均負載的詳細解釋。
簡單來說,平均負載是指單位時間內,系統處於可運行狀態和不可中斷狀態的平均進程數,也就是平均活躍進程數,它和 CPU 使用率並沒有直接關係。這裏我先解釋下,可運行狀態和不可中斷狀態這倆詞兒。
所謂可運行狀態的進程,是指正在使用 CPU 或者正在等待 CPU 的進程,也就是我們常用 ps 命令看到的,處於 R 狀態(Running 或 Runnable)的進程。
不可中斷狀態的進程則是正處於內核態關鍵流程中的進程,並且這些流程是不可打斷的,比如最常見的是等待硬件設備的 I/O 響應,也就是我們在 ps 命令中看到的 D 狀態(Uninterruptible Sleep,也稱爲 Disk Sleep)的進程。比如,當一個進程向磁盤讀寫數據時,爲了保證數據的一致性,在得到磁盤迴復前,它是不能被其他進程或者中斷打斷的,這個時候的進程就處於不可中斷狀態。如果此時的進程被打斷了,就容易出現磁盤數據與進程數據不一致的問題。
所以,不可中斷狀態實際上是系統對進程和硬件設備的一種保護機制。
因此,你可以簡單理解爲,平均負載其實就是平均活躍進程數。平均活躍進程數,直觀上的理解就是單位時間內的活躍進程數,但它實際上是活躍進程數的指數衰減平均值。這個“指數衰減平均”的詳細含義你不用計較,這只是系統的一種更快速的計算方式,你把它直接當成活躍進程數的平均值也沒問題。
既然平均的是活躍進程數,那麼最理想的,就是每個 CPU 上都剛好運行着一個進程,這樣每個 CPU 都得到了充分利用。比如當平均負載爲 2 時,意味着什麼呢?
在只有 2 個 CPU 的系統上,意味着所有的 CPU 都剛好被完全佔用。
在 4 個 CPU 的系統上,意味着 CPU 有 50% 的空閒。
而在只有 1 個 CPU 的系統中,則意味着有一半的進程競爭不到 CPU。
平均負載爲多少時合理?
說完了什麼是平均負載,現在我們再回到最開始的例子,不知道你能否判斷出,在 uptime 命令的結果裏,那三個時間段的平均負載數,多大的時候能說明系統負載高?或是多小的時候就能說明系統負載很低呢?
我們知道,平均負載最理想的情況是等於 CPU 個數。所以在評判平均負載時,首先你要知道系統有幾個 CPU,這可以通過 top 命令或者從文件 /proc/cpuinfo 中讀取,比如:
# 關於 grep 和 wc 的用法請查詢它們的手冊或者網絡搜索
$ grep 'model name' /proc/cpuinfo | wc -l
2
有了 CPU 個數,我們就可以判斷出,當平均負載比 CPU 個數還大的時候,系統已經出現了過載。
不過,且慢,新的問題又來了。我們在例子中可以看到,平均負載有三個數值,到底該參考哪一個呢?
實際上,都要看。三個不同時間間隔的平均值,其實給我們提供了,分析系統負載趨勢的數據來源,讓我們能更全面、更立體地理解目前的負載狀況。
打個比方,就像初秋時北京的天氣,如果只看中午的溫度,你可能以爲還在 7 月份的大夏天呢。但如果你結合了早上、中午、晚上三個時間點的溫度來看,基本就可以全方位瞭解這一天的天氣情況了。
同樣的,前面說到的 CPU 的三個負載時間段也是這個道理。
如果 1 分鐘、5 分鐘、15 分鐘的三個值基本相同,或者相差不大,那就說明系統負載很平穩。
但如果 1 分鐘的值遠小於 15 分鐘的值,就說明系統最近 1 分鐘的負載在減少,而過去 15 分鐘內卻有很大的負載。
反過來,如果 1 分鐘的值遠大於 15 分鐘的值,就說明最近 1 分鐘的負載在增加,這種增加有可能只是臨時性的,也有可能還會持續增加下去,所以就需要持續觀察。一旦 1 分鐘的平均負載接近或超過了 CPU 的個數,就意味着系統正在發生過載的問題,這時就得分析調查是哪裏導致的問題,並要想辦法優化了。
這裏我再舉個例子,假設我們在一個單 CPU 系統上看到平均負載爲 1.73,0.60,7.98,那麼說明在過去 1 分鐘內,系統有 73% 的超載,而在 15 分鐘內,有 698% 的超載,從整體趨勢來看,系統的負載在降低。
那麼,在實際生產環境中,平均負載多高時,需要我們重點關注呢?
在我看來,當平均負載高於 CPU 數量 70% 的時候,你就應該分析排查負載高的問題了。一旦負載過高,就可能導致進程響應變慢,進而影響服務的正常功能。
但 70% 這個數字並不是絕對的,最推薦的方法,還是把系統的平均負載監控起來,然後根據更多的歷史數據,判斷負載的變化趨勢。當發現負載有明顯升高趨勢時,比如說負載翻倍了,你再去做分析和調查。
平均負載與 CPU 使用率
現實工作中,我們經常容易把平均負載和 CPU 使用率混淆,所以在這裏,我也做一個區分。
可能你會疑惑,既然平均負載代表的是活躍進程數,那平均負載高了,不就意味着 CPU 使用率高嗎?
我們還是要回到平均負載的含義上來,平均負載是指單位時間內,處於可運行狀態和不可中斷狀態的進程數。所以,它不僅包括了正在使用 CPU 的進程,還包括等待 CPU 和等待 I/O 的進程。
而 CPU 使用率,是單位時間內 CPU 繁忙情況的統計,跟平均負載並不一定完全對應。比如:
CPU 密集型進程,使用大量 CPU 會導致平均負載升高,此時這兩者是一致的;
I/O 密集型進程,等待 I/O 也會導致平均負載升高,但 CPU 使用率不一定很高;
大量等待 CPU 的進程調度也會導致平均負載升高,此時的 CPU 使用率也會比較高。
那麼接下來稍微簡單舉個案例吧
下面,分別來看這三種情況,並用 iostat、mpstat、pidstat 等工具,找出平均負載升高的根源。
準備
下面的案例都是基於 centos6.x,當然,同樣適用於其他 Linux 系統。我使用的案例環境如下所示。
-
機器配置:2 CPU,8GB 內存。
-
預先安裝 stress 和 sysstat 包,如 yum -y install stress sysstat。
在這裏,我先簡單介紹一下 stress 和 sysstat。
stress 是一個 Linux 系統壓力測試工具,這裏我們用作異常進程模擬平均負載升高的場景。
而 sysstat 包含了常用的 Linux 性能工具,用來監控和分析系統的性能。我們的案例會用到這個包的兩個命令 mpstat 和 pidstat。
mpstat 是一個常用的多核 CPU 性能分析工具,用來實時查看每個 CPU 的性能指標,以及所有 CPU 的平均指標。
pidstat 是一個常用的進程性能分析工具,用來實時查看進程的 CPU、內存、I/O 以及上下文切換等性能指標。
此外,每個場景都需要你開三個終端,登錄到同一臺 Linux 機器中。
實驗之前,你先做好上面的準備。如果包的安裝有問題,可以先在 Google 一下自行解決,如果還是解決不了,再來留言區找我,這事兒應該不難。
另外要注意,下面的所有命令,我們都是默認以 root 用戶運行。所以,如果你是用普通用戶登陸的系統,一定要先運行 sudo su root 命令切換到 root 用戶。
如果上面的要求都已經完成了,你可以先用 uptime 命令,看一下測試前的平均負載情況:
$ uptime
..., load average: 0.11, 0.15, 0.09
場景一:CPU 密集型進程
首先,我們在第一個終端運行 stress 命令,模擬一個 CPU 使用率 100% 的場景:
$ stress --cpu 1 --timeout 600
接着,在第二個終端運行 uptime 查看平均負載的變化情況:
# -d 參數表示高亮顯示變化的區域
$ watch -d uptime
..., load average: 1.00, 0.75, 0.39
最後,在第三個終端運行 mpstat 查看 CPU 使用率的變化情況:
# -P ALL 表示監控所有 CPU,後面數字 5 表示間隔 5 秒後輸出一組數據
$ mpstat -P ALL 5
Linux 4.15.0 (ubuntu) 09/22/18 _x86_64_ (2 CPU)
13:30:06 CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle
13:30:11 all 50.05 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 49.95
13:30:11 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 100.00
13:30:11 1 100.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
從終端二中可以看到,1 分鐘的平均負載會慢慢增加到 1.00,而從終端三中還可以看到,正好有一個 CPU 的使用率爲 100%,但它的 iowait 只有 0。這說明,平均負載的升高正是由於 CPU 使用率爲 100% 。
那麼,到底是哪個進程導致了 CPU 使用率爲 100% 呢?你可以使用 pidstat 來查詢:
# 間隔 5 秒後輸出一組數據
$ pidstat -u 5 1
13:37:07 UID PID %usr %system %guest %wait %CPU CPU Command
13:37:12 0 2962 100.00 0.00 0.00 0.00 100.00 1 stress
從這裏可以明顯看到,stress 進程的 CPU 使用率爲 100%。
總結
平均負載提供了一個快速查看系統整體性能的手段,反映了整體的負載情況。但只看平均負載本身,我們並不能直接發現,到底是哪裏出現了瓶頸。所以,在理解平均負載時,也要注意:
平均負載高有可能是 CPU 密集型進程導致的;
平均負載高並不一定代表 CPU 使用率高,還有可能是 I/O 更繁忙了;
當發現負載高的時候,你可以使用 mpstat、pidstat 等工具,輔助分析負載的來源。
好了,關於平均負載目前就先說到這吧,希望對看到的你有所幫助。