每次发现系统变慢时,我们通常做的第一件事,就是执行 top 或者 uptime 命令,来了解系统的负载情况。

uptime

$ uptime 02:34:03 up 2 days, 2days, 20:14, 1 user, load average: 0.63, 0.83, 0.88

上面命令分别表示的含义:

02:34:03 // 当前时间
up 2 days, 20:14 // 系统运行时间
1 user // 正在登录用户数
而最后三个数字呢,依次则是过去 1 分钟、5 分钟、15 分钟的平均负载(Load Average)。

什么是平均负载

简单来说,平均负载是指单位时间内,系统处于可运行状态和不可中断状态的平均进程数,也就是平均活跃进程数,它和 CPU 使用率并没有直接关系。

这里我先解释下,可运行状态和不可中断状态这俩词儿。

什么是可运行状态

所谓可运行状态的进程,是指正在使用 CPU 或者正在等待 CPU 的进程,也就是我们常用 ps 命令看到的,处于 R 状态(Running 或 Runnable)的进程。

什么是不可中断状态

不可中断状态的进程则是正处于内核态关键流程中的进程,并且这些流程是不可打断的,比如最常见的是等待硬件设备的 I/O 响应,也就是我们在 ps 命令中看到的 D 状态(Uninterruptible Sleep,也称为 Disk Sleep)的进程。

我们举个例子说明下:

比如,当一个进程向磁盘读写数据时,为了保证数据的一致性,在得到磁盘回复前,它是不能被其他进程或者中断打断的,这个时候的进程就处于不可中断状态。如果此时的进程被打断了,就容易出现磁盘数据与进程数据不一致的问题。

所以,不可中断状态实际上是系统对进程和硬件设备的一种保护机制。

总结:

因此,你可以简单理解为,平均负载其实就是平均活跃进程数。

平均活跃进程数,直观上的理解就是单位时间内的活跃进程数,但它实际上是活跃进程数的指数衰减平均值。这个“指数衰减平均”的详细含义你不用计较,这只是系统的一种更快速的计算方式,你把它直接当成活跃进程数的平均值也没问题。

既然平均的是活跃进程数,那么最理想的,就是每个 CPU 上都刚好运行着一个进程,这样每个CPU 都得到了充分利用。比如当平均负载为 2 时,意味着什么呢?

  • 在只有 2 个 CPU 的系统上,意味着所有的 CPU 都刚好被完全占用。
  • 在 4 个 CPU 的系统上,意味着 CPU 有 50% 的空闲。
  • 而在只有 1 个 CPU 的系统中,则意味着有一半的进程竞争不到 CPU。

平均负载为多少时合理

讲完了什么是平均负载,现在我们再回到最开始的例子,在 uptime 命令的结果里,那三个时间段的平均负载数,多大的时候能说明系统负载高?或是多小的时候就能说明系统负载很低呢?

我们知道,平均负载最理想的情况是等于 CPU 个数。所以在评判平均负载时,首先你要知道系统有几个 CPU,这可以通过 top 命令或者从文件 /proc/cpuinfo 中读取,比如:

$ cat /proc/cpuinfo|grep 'model name'|wc -l
8

有了 CPU 个数,我们就可以判断出,当平均负载比 CPU 个数还大的时候,系统已经出现了过载。

不过,且慢,新的问题又来了。我们在例子中可以看到,平均负载有三个数值,到底该参考哪一个呢?

实际上,都要看。三个不同时间间隔的平均值,其实给我们提供了,分析系统负载趋势的数据来源,让我们能更全面、更立体地理解目前的负载状况。

打个比方,就像初秋时北京的天气,如果只看中午的温度,你可能以为还在 7 月份的大夏天呢。但如果你结合了早上、中午、晚上三个时间点的温度来看,基本就可以全方位了解这一天的天气情况了。

同样的,前面说到的 CPU 的三个负载时间段也是这个道理。

  • 如果 1 分钟、5 分钟、15 分钟的三个值基本相同,或者相差不大,那就说明系统负载很平稳。
  • 但如果 1 分钟的值远小于 15 分钟的值,就说明系统最近 1 分钟的负载在减少,而过去 15 分钟内却有很大的负载。
  • 反过来,如果 1 分钟的值远大于 15 分钟的值,就说明最近 1 分钟的负载在增加,这种增加有可能只是临时性的,也有可能还会持续增加下去,所以就需要持续观察。一旦 1 分钟的平均负载接近或超过了 CPU 的个数,就意味着系统正在发生过载的问题,这时就得分析调查是哪里导致的问题,并要想办法优化了。

这里我再举个例子,假设我们在一个单 CPU 系统上看到平均负载为 1.73,0.60,7.98,那么说明在过去 1 分钟内,系统有 73% 的超载,而在 15 分钟内,有 698 % 的超载,从整体趋势来看,系统的负载在降低。

那么,在实际生产环境中,平均负载多高时,需要我们重点关注呢?

在我看来,当平均负载高于 CPU 数量 70% 的时候,你就应该分析排查负载高的问题了。一旦负载过高,就可能导致进程响应变慢,进而影响服务的正常功能。

但 70% 这个数字并不是绝对的,最推荐的方法,还是把系统的平均负载监控起来,然后根据更多的历史数据,判断负载的变化趋势。当发现负载有明显升高趋势时,比如说负载翻倍了,你再去做分析和调查。

平均负载与 CPU 使用率

现实工作中,我们经常容易把平均负载和 CPU 使用率混淆,所以在这里,我也做一个区分。

可能你会疑惑,既然平均负载代表的是活跃进程数,那平均负载高了,不就意味着 CPU 使用率高吗?

我们还是要回到平均负载的含义上来,平均负载是指单位时间内,处于可运行状态和不可中断状态的进程数。所以,它不仅包括了正在使用 CPU 的进程,还包括等待 CPU 和等待 I/O 的进程。

而 CPU 使用率,是单位时间内 CPU 繁忙情况的统计,跟平均负载并不一定完全对应。比如:

  • CPU 密集型进程,使用大量 CPU 会导致平均负载升高,此时这两者是一致的。
  • I/O 密集型进程,等待 I/O 也会导致平均负载升高,但 CPU 使用率不一定很高。
  • 大量等待 CPU 的进程调度也会导致平均负载升高,此时的 CPU 使用率也会比较高。

平均负载案例分析

下面,我们以三个示例分别来看这三种情况,并用 iostat、mpstat、pidstat 等工具,找出平均负载升高的根源。

系统信息

## 系统版本
# cat /etc/redhat-release
CentOS Linux release 7.4.1708 (Core)

## 核数
# cat /proc/cpuinfo|grep "model name"|wc -l
2

安装基本包

# yum install -y stress //stress是 Linux 系统压力测试工具,这里我们用作异常进程模拟平均负载升高的场景。

# yum install -y sysstat //sysstat 包含了常用的 Linux 性能工具,用来监控和分析系统的性能。我们的案例会用到这个包的两个命令 mpstat 和 pidstat。
  • mpstat 是一个常用的多核 CPU 性能分析工具,用来实时查看每个 CPU 的性能指标,以及所有CPU 的平均指标。
  • pidstat 是一个常用的进程性能分析工具,用来实时查看进程的 CPU、内存、I/O 以及上下文切换等性能指标。

此外,每个场景都需要你开三个终端,登录到同一台 Linux 机器中。

另外要注意,下面的所有命令,我们都是默认以 root 用户运行。所以,如果你是用普通用户登陆的系统,一定要先运行 sudo su root 命令切换到 root 用户。

如果上面的要求都已经完成了,你可以先用 uptime 命令,看一下测试前的平均负载情况:

# uptime
 11:34:13 up 2 min,  1 user,  load average: 0.53, 0.73, 0.33

场景一:CPU 密集型进程

首先,我们在第一个终端运行 stress 命令,模拟一个CPU 使用率 100% 的场景:

# stress --cpu 1 --timeout 600

接着,在第二个终端运行 uptime 查看平均负载的变化情况:

## -d 参数表示高亮显示变化的区域
# watch -d uptime

11:49:34 up 18 min,  2 users,  load average: 1.31, 0.79, 0.49

最后,在第三个终端运行 mpstat 查看 CPU 使用率的变化情况:

## -P ALL 表示监控所有 CPU,后面数字 5 表示间隔 5 秒后输出一组数据
# mpstat -P ALL 5

11时59分54秒  CPU    %usr   %nice    %sys %iowait    %irq   %soft  %steal  %guest  %gnice   %idle
11时59分59秒  all   50.50    0.00    0.30    0.00    0.00    0.10    0.00    0.00    0.00   49.10
11时59分59秒    0   17.64    0.00    0.40    0.00    0.00    0.00    0.00    0.00    0.00   81.96
11时59分59秒    1   83.40    0.00    0.00    0.00    0.00    0.20    0.00    0.00    0.00   16.40

从终端二中可以看到,1 分钟的平均负载会慢慢增加到 1.31 ,而从终端三中还可以看到,有一个 CPU 的使用率达到 83.40% ,但是它的 iowait 只用 0 。

这说明,平均负载的升高正是由于 CPU 使用率增加造成的。

那么,到底是哪个进程导致了 CPU 使用率为 100% 呢?你可以使用 pidstat 来查询:

## 间隔 5 秒后输出一组数据
# pidstat -u 5 1

12时01分36秒   UID       PID    %usr %system  %guest    %CPU   CPU  Command
12时01分41秒     0      9511   99.40    0.00    0.00   99.40     0  stress

从这里可以明显看到,stress 进程的 CPU 使用率为 99.40%。

关于 pidstat 输出中没有 %wait 的问题?

是因为CentOS默认的sysstat稍微有点老,源码或者RPM升级到11.5.5版本以后就可以看到了。而Ubuntu的包一般都比较新,没有这个问题。

场景二:I/O 密集型进程

首先是运行 stress-ng 命令,这次模拟 I/O 压力,即不停地执行 sync:

为什么使用 stress-ng ,而不使用 stress 呢?

我们在执行 stress --cpu 1 --timeout 600 时会发现:iowait无法升高,但是 %system 的使用率非常高问题。

这是因为案例中stress使用的是 sync() 系统调用,它的作用是刷新缓冲区内存到磁盘中。我这里的机器是新安装的虚拟机,缓冲区可能比较小,无法产生大的 IO 压力,这样大部分就都是系统调用的消耗了。

解决方法是使用stress的下一代stress-ng,它支持更丰富的选项,比如 stress-ng -i 1 --hdd 1 --timeout 600(--hdd表示读写临时文件)。

安装stress-ng:yum install -y stress-ng

# stress-ng -i 1 --hdd 1 --timeout 600

还是在第二个终端运行 uptime 查看平均负载的变化情况:

# watch -d uptime

14:11:47 up  2:40,  3 users,  load average: 1.17, 0.58, 0.28

然后,在第三个终端运行 mpstat 查看 CPU 使用率的变化情况:

## -P ALL 表示监控所有 CPU,后面数字 5 表示间隔 5 秒后输出一组数据
# mpstat -P ALL 5 10

14时24分02秒  CPU    %usr   %nice    %sys %iowait    %irq   %soft  %steal  %guest  %gnice   %idle
14时24分07秒  all    0.82    0.00   12.07   32.67    0.00    1.13    0.00    0.00    0.00    7.88
14时24分07秒    0    0.82    0.00   23.87   67.53    0.00    0.82    0.00    0.00    0.00    7.99
14时24分07秒    1    1.02    0.00   0.81    0.20    0.00    1.42    0.00    0.00    0.00    7.72

从这里可以看到,1分钟的平均负载会慢慢的增加到1.17,其中一个 CPU 的系统 CPU 使用率升高到了23.87,而 iowait 高达67.53%。这说明,平均负载的升高是由于 iowait 的升高。

那么到底是哪个进程,导致 iowait 这么高呢?我们还是用 pidstat 来查询下:

# pidstat -u 5 1

平均时间:   UID       PID    %usr %system  %guest    %CPU   CPU  Command
平均时间:     0     45266    0.59   67.33    0.00   67.92     -  stress-ng-hdd

可以发现,还是 stress 进程导致的。

场景三:大量进程的场景

当系统中运行进程超出 CPU 运行能力时,就会出现等待 CPU 的进程。

比如,我们还是使用stress,但这次模拟的是8个进程:

# stress -c 8 --timeout 600

由于系统只有2个 CPU,明显比8个进程要少得多,因此,系统的 CPU 处于严重过载状态,平均负载高达7.97:

# uptime 

..., load average: 7.97, 5.93, 3.02

接着再运行 pidstat 来看一下进程的情况:

到底应该怎么理解“平均负载”

可以看出,8个进程在争抢2个 CPU,每个进程等待 CPU 的时间(也就是代码块中的%wait列)高达75%。这些超出 CPU 计算能力的进程,最终导致 CPU 过载。

小结

分析完这三个案例,我再来归纳一下平均负载的理解。

平均负载提供了一个快速查看系统整体性能的手段,反映了整体的负载情况。但只看平均负载本身,我们并不能直接发现,到底是哪里出现了瓶颈。所以,在理解平均负载时,也要注意:

  • 平均负载高有可能是 CPU 密集型进程导致的;
  • 平均负载高并不一定代表 CPU 使用率高,还有可能是 I/O 更繁忙了;
  • 当发现负载高的时候,你可以使用 mpstat、pidstat 等工具,辅助分析负载的来源。