Linux系统 CPU 100% 异常排查实践与总结

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。

• 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；
• 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；
• 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 106060n 次 = 36,000n 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。

后续精彩内容已被小麦苗无情隐藏，请输入验证码解锁本站所有文章

验证码：

请关注本站微信公众号，回复“小麦苗博客”，获取验证码。在微信里搜索“DB宝”或者“www_xmmup_com”或者微信扫描右侧二维码都可以关注本站微信公众号。