大脑发烧了,CPU 使用率 100% 的异常排查

阅读 570
收藏 54
2018-07-06
原文链接:mp.weixin.qq.com

1、问题背景

昨天下午突然收到运维邮件报警,显示数据平台服务器 cpu 利用率达到了98.94%,而且最近一段时间一直持续在70%以上,看起来像是硬件资源到瓶颈需要扩容了,但仔细思考就会发现咱们的业务系统并不是一个高并发或者 CPU 密集型的应用,这个利用率有点太夸张,硬件瓶颈应该不会这么快就到了,一定是哪里的业务代码逻辑有问题。

2、排查思路

2.1 定位高负载进程 pid

首先登录到服务器使用 top 命令确认服务器的具体情况,根据具体情况再进行分析判断。

通过观察 load average,以及负载评判标准(8核),可以确认服务器存在负载较高的情况;

观察各个进程资源使用情况,可以看出进程 id 为682的进程,有着较高的 CPU 占比。

2.2 定位具体的异常业务

这里咱们可以使用 pwdx 命令根据 pid 找到业务进程路径,进而定位到负责人和项目:

可得出结论:该进程对应的就是数据平台的 web 服务。

2.3 定位异常线程及具体代码行

传统的方案一般是4步:

1、top oder by with P:1040 // 首先按进程负载排序找到  maxLoad(pid)

2、top -Hp 进程 PID:1073    // 找到相关负载 线程 PID

3、printf “0x%x\n”线程 PID: 0x431  // 将线程 PID转换为 16进制,为后面查找 jstack 日志做准备

4、jstack  进程 PID | vim +/十六进制线程PID -        // 例如:jstack 1040|vim +/0x431 -

但是对于线上问题定位来说,分秒必争,上面的 4 步还是太繁琐耗时了,之前介绍过淘宝的 oldratlee 同学就将上面的流程封装为了一个工具:show-busy-java-threads.sh,可以很方便的定位线上的这类问题:

可得出结论:是系统中一个时间工具类方法的执行 cpu 占比较高,定位到具体方法后,查看代码逻辑是否存在性能问题。

※ 如果线上问题比较紧急,可以省略 2.1、2.2 直接执行 2.3,这里从多角度剖析只是为了给大家呈现一个完整的分析思路。

3、根因分析

经过前面的分析与排查,最终定位到一个时间工具类的问题,造成了服务器负载以及 cpu 使用率的过高。

1、异常方法逻辑:是把时间戳转成对应的具体的日期时间格式;

2、上层调用:计算当天凌晨至当前时间所有秒数,转化成对应的格式放入到 set 中返回结果;

3、逻辑层:对应的是数据平台实时报表的查询逻辑,实时报表会按照固定的时间间隔来,并且在一次查询中有多次(n次)方法调用。

那么可以得到结论,如果现在时间是当天上午10点,一次查询的计算次数就是 10*60*60*n次=36,000*n次计算,而且随着时间增长,越接近午夜单次查询次数会线性增加。由于实时查询、实时报警等模块大量的查询请求都需要多次调用该方法,导致了大量 CPU 资源的占用与浪费。

4、解决方案

定位到问题之后,首先考虑是要减少计算次数,优化异常方法。排查后发现,在逻辑层使用时,并没有使用该方法返回的 set 集合中的内容,而是简单的用 set 的 size 数值。确认逻辑后,通过新方法简化计算(当前秒数-当天凌晨的秒数),替换调用的方法,解决计算过多的问题。上线后观察服务器负载和 cpu 使用率,对比异常时间段下降了30倍,恢复至正常状态,至此该问题得已解决。

5、总结

1、在编码的过程中,除了要实现业务的逻辑,也要注重代码性能的优化。一个业务需求,能实现,和能实现的更高效、更优雅其实是两种截然不同的工程师能力和境界的体现,而后者也是工程师的核心竞争力。

2、在代码编写完成之后,多做 review,多思考是不是可以用更好的方式来实现。

3、线上问题不放过任何一个小细节!细节是魔鬼,技术的同学需要有刨根问题的求知欲和追求卓越的精神,只有这样,才能不断的成长和提升。(Author/张业成)

本文转载自公众号「Python运维圈」


评论