https://heapdump.cn/monographic/detail/39/4512089
平常的工作中，在衡量伺服器的效能時，經常會涉及到幾個指標，load、cpu、mem、qps、rt等。每個指標都有其獨特的意義，很多時候線上上出現問題時，往往會伴隨著某些指標的異常。大部分情況下，在問題發生之前，某些指標就會提前有異常顯示。
對於這些指標的理解和檢視、異常解決等，是程式設計師們重要的必備技能。本文，主要來介紹一下一個比較重要的指標——機器負載（Load），主要涉及負載的定義、檢視負載方式、負載飆高排查思路等。
什麼是負載
負載(load)是linux機器的一個重要指標，直觀了反應了機器當前的狀態。
來看下負載的定義是怎樣的：
In UNIX computing, the system load is a measure of the amount of computational work that a computer system performs. The load average represents the average system load over a period of time. It conventionally appears in the form of three numbers which represent the system load during the last one-, five-, and fifteen-minute periods.（wikipedia）
簡單解釋一下：在UNIX系統中，系統負載是對當前CPU工作量的度量，被定義為特定時間間隔內執行佇列中的平均執行緒數。load average 表示機器一段時間內的平均load。這個值越低越好。負載過高會導致機器無法處理其他請求及操作，甚至導致當機。
Linux的負載高，主要是由於CPU使用、記憶體使用、IO消耗三部分構成。任意一項使用過多，都將導致伺服器負載的急劇攀升。
檢視機器負載
在Linux機器上，有多個命令都可以檢視機器的負載資訊。其中包括uptime、top、w等。
uptime命令
uptime命令能夠列印系統總共執行了多長時間和系統的平均負載。uptime命令可以顯示的資訊顯示依次為：現在時間、系統已經執行了多長時間、目前有多少登陸使用者、系統在過去的1分鐘、5分鐘和15分鐘內的平均負載。
➜ ~ uptime
13:29 up 23:41, 3 users, load averages: 1.74 1.87 1.97
這行資訊的後半部分，顯示"load average"，它的意思是"系統的平均負荷"，裡面有三個數字，我們可以從中判斷系統負荷是大還是小。
1.74 1.87 1.97 這三個數字的意思分別是1分鐘、5分鐘、15分鐘內系統的平均負荷。我們一般表示為load1、load5、load15。
w命令
w命令的主要功能其實是顯示目前登入系統的使用者資訊。但是與who不同的是，w命令功能更加強大，w命令還可以顯示：當前時間，系統啟動到現在的時間，登入使用者的數目，系統在最近1分鐘、5分鐘和15分鐘的平均負載。然後是每個使用者的各項資料，專案顯示順序如下：登入帳號、終端名稱、遠 程主機名、登入時間、空閒時間、JCPU、PCPU、當前正在執行程序的命令列。
➜ ~ w
14:08 up 23:41, 3 users, load averages: 1.74 1.87 1.97
USER TTY FROM LOGIN@ IDLE WHAT
hollis console - 六14 23:40 -
hollis s000 - 六14 20:24 -zsh
hollis s001 - 六15 - w
從上面的w命令的結果可以看到，當前系統時間是14:08，系統啟動到現在經歷了23小時41分鐘，共有3個使用者登入。系統在近1分鐘、5分鐘和15分鐘的平均負載分別是1.74 1.87 1.97。這和uptime得到的結果相同。 下面還列印了一些登入的使用者的各項資料，不詳細介紹了。
top命令
top命令是Linux下常用的效能分析工具，能夠實時顯示系統中各個程序的資源佔用狀況，類似於Windows的工作管理員。
➜ ~ top
Processes: 244 total, 3 running, 9 stuck, 232 sleeping, 1484 threads
14:16:01 Load Avg: 1.74, 1.87, 1.97 CPU usage: 8.0% user, 6.79% sys, 85.19% idle SharedLibs: 116M resident, 16M data, 14M linkedit. MemRegions: 66523 total, 2152M resident, 50M private, 930M shared.
PhysMem: 7819M used (1692M wired), 370M unused. VM: 682G vsize, 533M framework vsize, 6402060(0) swapins, 7234356(0) swapouts. Networks: packets: 383006/251M in, 334448/60M out.
Disks: 1057821/38G read, 350852/40G written.
PID COMMAND %CPU TIME #TH #WQ #PORT MEM PURG CMPRS PGRP PPID STATE BOOSTS %CPU_ME %CPU_OTHRS UID FAULTS COW MSGSENT MSGRECV SYSBSD SYSMACH CSW
30845 top 3.0 00:00.49 1/1 0 21 3632K 0B 0B 30845 1394 running *0[1] 0.00000 0.00000 0 3283+ 112 203556+ 101770+ 8212+ 119901+ 823+
30842 Google Chrom 0.0 00:47.39 17 0 155 130M 0B 0B 1146 1146 sleeping *0[1] 0.00000 0.00000 501 173746 2697 117678 37821 364228 444830 310043
上面的輸出結果中，Load Avg: 1.74, 1.87, 1.97顯示的就是負載資訊。
機器正常負載範圍
對於機器的Load到底多少算正常的問題，一直都是很有爭議的，不同人有著不同的理解。對於單個CPU，有人認為如果Load超過0.7就算是超出正常範圍了。也有人認為只要不超過1都沒問題。也有人認為，單個CPU的負載在2以下都可以接受。
為什麼會有這麼多不同的理解呢，是因為不同的機器除了CPU影響之外還有其他因素的影響，執行的程式、機器記憶體、甚至是機房溫度等都有可能有區別。
比如，有些機器用於定時執行大量的跑批任務，這個時間段內，Load可能會飆的比較高。而其他時間可能會比較低。那麼這段飆高時間我們要不要去排查問題呢？
我的建議是，最好根據自己機器的實際情況，建立一個指標的基線（如近一個月的平均值），只要日常的load在基線上下範圍內不太大都可以接收，如果差距太多可能就要人為介入檢查了。
但是，總要有個建議的閾值吧，關於這個值。阮一峰在自己的部落格中有過以下建議：
- 當系統負荷持續大於0.7，你必須開始調查了，問題出在哪裡，防止情況惡化。
- 當系統負荷持續大於1.0，你必須動手尋找解決辦法，把這個值降下來。
- 當系統負荷達到5.0，就表明你的系統有很嚴重的問題，長時間沒有響應，或者接近當機了。你不應該讓系統達到這個值。
以上指標都是基於單CPU的，但是現在很多電腦都是多核的。所以，對一般的系統來說，是根據cpu數量去判斷系統是否已經過載（Over Load）的。如果我們認為0.7算是單核機器負載的安全線的話，那麼四核機器的負載最好保持在3(4*0.7 = 2.8)以下。
還有一點需要提一下，在Load Avg的指標中，有三個值，1分鐘系統負荷、5分鐘系統負荷，15分鐘系統負荷。我們在排查問題的時候也是可以參考這三個值的。
一般情況下，1分鐘系統負荷表示最近的暫時現象。15分鐘系統負荷表示是持續現象，並非暫時問題。如果load15較高，而load1較低，可以認為情況有所好轉。反之，情況可能在惡化。
如何降低負載
導致負載高的原因可能很複雜，有可能是硬體問題也可能是軟體問題。
如果是硬體問題，那麼說明機器效能確實就不行了，那麼解決起來很簡單，直接換機器就可以了。
前面我們提過，CPU使用、記憶體使用、IO消耗都可能導致負載高。如果是軟體問題，有可能由於Java中的某些執行緒被長時間佔用、大量記憶體持續佔用等導致。建議從以下幾個方面排查程式碼問題：
1、是否有記憶體洩露導致頻繁GC
2、是否有死鎖發生
3、是否有大欄位的讀寫
4、會不會是資料庫操作導致的，排查SQL語句問題。
這裡還有個建議，如果發現線上機器Load飆高，可以考慮先把堆疊記憶體dump下來後，進行重啟，暫時解決問題，然後再考慮回滾和排查問題。
Java Web應用Load飆高排查思路
#### 1、使用uptime檢視當前load，發現load飆高。
➜ ~ uptime
13:29 up 23:41, 3 users, load averages: 10 10 10
#### 2、使用top命令，檢視佔用CPU較高的程序ID。
➜ ~ top
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
1893 admin 20 0 7127m 2.6g 38m S 181.7 32.6 10:20.26 java
發現PID為1893的程序佔用CPU 181%。而且是一個Java程序，基本斷定是軟體問題。
3、使用 top命令，檢視具體是哪個執行緒佔用率較高
➜ ~ top -Hp 1893
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
4519 admin 20 0 7127m 2.6g 38m R 18.6 32.6 0:40.11 java
4、使用printf命令檢視這個執行緒的16進位制
➜ ~ printf %x 4519
11a7
5、使用jstack命令檢視當前執行緒正在執行的方法。(Java命令學習系列（二）——Jstack)
➜ ~ jstack 1893 |grep -A 200 11a7
"thread-5" #500 daemon prio=10 os_prio=0 tid=0x00007f632314a800 nid=0x11a2 runnable [0x000000005442a000]
java.lang.Thread.State: RUNNABLE
at sun.misc.URLClassPath$Loader.findResource(URLClassPath.java:684)
at sun.misc.URLClassPath.findResource(URLClassPath.java:188)
at java.net.URLClassLoader$2.run(URLClassLoader.java:569)
at java.net.URLClassLoader$2.run(URLClassLoader.java:567)
at java.security.AccessController.doPrivileged(Native Method)
at java.net.URLClassLoader.findResource(URLClassLoader.java:566)
at org.hibernate.validator.internal.xml.ValidationXmlParser.getInputStreamForPath(ValidationXmlParser.java:248)
at com.hollis.test.util.BeanValidator.validate(BeanValidator.java:30)
從上面的執行緒的棧日誌中，可以發現，當前佔用CPU較高的執行緒正在執行我程式碼的com.hollis.test.util.BeanValidator.validate(BeanValidator.java:30) 類。那麼就可以去排查這個類是否用法有問題了。