好久不見的乾貨重現江湖！今日的內容是基於UCloud運維同學反饋的個別宿主機上存在程式CPU峰值使用率異常現象問題進行的相關闡述。本文詳細介紹了該問題的完整分析思路和用熱補丁的方式成功解決此問題的實踐分享，如果覺得還不錯，歡迎點贊分享！正文開始~
最開始公司運維同學反饋，個別宿主機上存在程式CPU峰值使用率異常的現象。而數萬臺機器中只出現了幾例，也就是說萬分之幾的概率。監控產生的些小誤差，不會造成當機等嚴重後果，很容易就此被忽略了。但我們考慮到這個異常轉瞬即逝、並不易被察覺，可能還存在更多這樣的機器，又或者現在正常將來又不正常，核心研發本能的好奇心讓我們感到：此事必有蹊蹺！於是追查下去。
問題現象
現象一：CPU監控非0即100%
該問題現象表現在Redis程式CPU監控的峰值時而100% 時而為0，有的甚至是幾十分鐘都為0，突發1秒100%後又變為0，如下圖。
而從大量機器的統計規律看，這個現象在2.6.32 核心不存在，在4.1核心存在幾例。2.6.32是我們較早期採用的版本，為平臺的穩定發展做了有力支撐，4.1 可以滿足很多新技術需求，如新款CPU、新板卡、RDMA、NVMe和binlog2.0等。後臺無縫維護著兩個版本，併為了能力提升和優化而逐步向4.1及更高版本過渡。
現象二：top顯示非0即300%
登入到機器上執行top -b -d 1 –p | grep , 可以看到程式的CPU利用率每隔幾分鐘到幾十分鐘出現一次300%，這意味著該程式3個執行緒佔用的3個CPU都跑滿了，跟監控程式呈現同樣的異常。
問題分析
上述異常程式使用的是同樣的資料來源：/proc/pid/stat中程式執行佔用的使用者態時間utime和核心態時間stime。我們抓取utime和stime更新情況後，發現utime或者stime每隔幾分鐘或者幾十分鐘才更新，更新的步進值達到幾百到1000+，而正常程式看到的是每幾秒更新，步進值是幾十。
定位到異常點後，還要找出原因。排除了監控邏輯、IO負載、呼叫瓶頸等可能後，確認是4.1核心的CPU時間統計有 bug
cputime統計邏輯
檢查/proc/pid/stat中utime和stime被更新的程式碼執行路徑，在cputime_adjust()發現了一處可疑的地方：
當utime+stime>=rtime的時候就直接跳出了，也就是不更新utime和stime了！這裡的rtime是runtime，代表程式執行佔用的所有CPU時長，正常應該等於或近似程式使用者態時間+核心態時間。 但核心配置了CONFIG_VIRT_CPU_ACCOUNTING_GEN選項，這會讓utime和stime分別單調增長。而runtime是排程器裡統計到的程式真正執行總時長。
核心每次更新/proc/pid/stat的utime和stime的時候，都會跟rtime對比。如果utime+stime很長一段時間都大於rtime，那程式碼直接goto out了， /proc/pid/stat就不更新了。只有當rtime持續更新追上utime+stime後，才更新utime和stime。
冷補丁和熱補丁
第一回合：冷補丁
出現問題的程式碼位置已經找到，那就先去核心社群看看有沒有成熟補丁可用，看一下kernel/sched/cputime.c的 changelog，看到一個patch：確保stime+utime=rtime。再看描述：像top這樣的工具，會出現超過100%的利用率，之後又一段時間為0，這不就是我們遇到的問題嗎？真是踏破鐵鞋無覓處，得來全不費工夫！（patch連結：lore.kernel.org/patchwork/p…
該補丁在4.3核心及以後版本才提交， 卻並未提交到4.1穩定版分支，於是移植到4.1核心。打上該補丁後進行壓測，再沒出現cputime時而100%時而0%的現象，而是0-100%之間平滑波動的值。
至此，你可能覺得問題已經解決了。但是，問題才解決了一半。而往往“但是”後邊才是重點。
第二回合：熱補丁
給核心程式碼打上該冷補丁只能解決新增伺服器的問題，但公司還有數萬存量伺服器是無法升級核心後重啟的。
如果沒有其它好選擇，那存量更新將被迫採用如下的妥協方案：監控程式修改統計方式進行規避，不再使用utime和stime，而是通過runtime來統計程式的執行時間。
雖然該方案快速可行，但也有很大的缺點：
很多業務部門都要修改統計程式，研發成本較高；
/proc/pid/stat的utime和stime是標準統計方式，一些第三方元件並不容易修改；
並沒有根本解決utime和stime不準的問題，使用者、研發、運維使用ps、top命令時還會產生困惑，產生額外的溝通協調成本。
幸好，我們還可以依靠UCloud已多次成功應用的技術：熱補丁技術。
所謂熱補丁技術，是指在有缺陷的伺服器核心或程式正在執行時，對已經載入到記憶體的程式二進位制打上補丁，使得程式實時線上狀態下執行新的正確邏輯。可以簡單理解為像關二爺那樣不打麻藥在清醒狀態下刮骨療傷。當然，對核心刮骨療傷核心是不會痛的，但刮不好核心就會直接死給你看，沒有絲毫猶豫，非常乾脆利索又耿直。
熱補丁修復
而本次熱補丁修復存在兩個難點：
難點一： 熱補丁製作
這次熱補丁在結構體新增了spinlock成員變數，那就涉及新成員的記憶體分配和釋放，在結構體例項被複制和釋放時，都要額外的對新成員做處理，稍有遺漏可能會造成記憶體洩漏進而導致當機，這就加大了風險。
再一個就是，結構體例項是在程式啟動時初始化的，對於已經存在的例項如何塞進新的spinlock成員？所謂兵來將擋水來土掩，我們想到可以在原生補丁使用spinlock成員的程式碼路徑上攔截，如果發現例項不含該成員，則進行分配、初始化、加鎖、釋放鎖。
要解決問題，既要攀登困難的山峰，又得控制潛在的風險。團隊編寫了指令碼進行幾百萬次的載入、解除安裝熱補丁測試，並無記憶體洩漏，單機穩定執行，再下一城。
難點二：難以復現
另一個難題是該問題難以復現，只有在現網生產環境才有幾個case可驗證熱補丁，而又不可以拿使用者的環境去冒險。針對這種情況我們已經有標準化處理流程去應對，那就是設計完善的灰度策略，這也是UCloud內部一直在強調的核心理念和能力。經過分析，這個問題可以拆解為驗證熱補丁穩定性和驗證熱補丁正確性。於是我們採取瞭如下灰度策略：
穩定性驗證：先拿幾臺機器測試正常，再拿公司內部500臺次級重要的機器打熱補丁，灰度執行幾天正常，從而驗證了穩定性，風險盡在掌控之中。
正確性驗證：找到一臺出現問題的機器，同時列印utime+stime以及rtime，根據程式碼的邏輯，當rtime小於utime+stime時會執行老邏輯，當rtime大於utime+stime時會執行新的熱補丁邏輯。如下圖所示，進入熱補丁的新邏輯後，utime+stime列印正常且與rtime保持了同步更新，從而驗證了熱補丁的正確性。
全網變更： 最後再分批在現網環境機器上打熱補丁，執行全網變更，問題得到根本解決，此處要感謝運維同學的全力協助。
總結
綜上，我們詳細介紹了程式cputime統計異常問題的完整分析和解決思路。該問題並非嚴重的當機問題，但卻可能會讓使用者對監控資料產生困惑，誤認為可能機器負載太高需要加資源，問題的解決會避免產生不必要的開支。此外，該問題也會讓研發、運維和技術支援的同學們使用top和ps命令時產生困惑。最終我們對問題的本質仔細分析並求證，用熱補丁的方式妥善的解決了問題。