每次發現系統變慢時，我們通常做的第一件事，就是執行 top 或者 uptime 命令，來了解系統的負載情況。比如像下面這樣，我在命令列裡輸入了 uptime 命令，系統也隨即給出了結果。
$ uptime
02:34:03 up 2 days, 20:14, 1 user, load average: 0.63, 0.83, 0.88
但我想問的是，你真的知道這裡每列輸出的含義嗎？
我相信你對前面的幾列比較熟悉，它們分別是當前時間、系統執行時間以及正在登入使用者數。
02:34:03 //當前時間 up 2 days, 20:14 //系統執行時間 1 user //正在登入使用者數
而最後三個數字呢，依次則是過去 1 分鐘、5 分鐘、15 分鐘的平均負載（Load Average）。
平均負載？這個詞對很多人來說，可能既熟悉又陌生，我們每天的工作中，也都會提到這個詞，但你真正理解它背後的含義嗎？如果你們團隊來了一個實習生，他揪住你不放，你能給他講清楚什麼是平均負載嗎？
如何觀測和理解這個最常見、也是最重要的系統指標。
我猜一定有人會說，平均負載不就是單位時間內的 CPU 使用率嗎？上面的 0.63，就代表 CPU 使用率是 63%。其實並不是這樣，如果你方便的話，可以通過執行 man uptime 命令，來了解平均負載的詳細解釋。
簡單來說，平均負載是指單位時間內，系統處於可執行狀態和不可中斷狀態的平均程式數，也就是平均活躍程式數，它和 CPU 使用率並沒有直接關係。這裡我先解釋下，可執行狀態和不可中斷狀態這倆詞兒。
所謂可執行狀態的程式，是指正在使用 CPU 或者正在等待 CPU 的程式，也就是我們常用 ps 命令看到的，處於 R 狀態（Running 或 Runnable）的程式。
不可中斷狀態的程式則是正處於核心態關鍵流程中的程式，並且這些流程是不可打斷的，比如最常見的是等待硬體裝置的 I/O 響應，也就是我們在 ps 命令中看到的 D 狀態（Uninterruptible Sleep，也稱為 Disk Sleep）的程式。
比如，當一個程式向磁碟讀寫資料時，為了保證資料的一致性，在得到磁碟迴復前，它是不能被其他程式或者中斷打斷的，這個時候的程式就處於不可中斷狀態。如果此時的程式被打斷了，就容易出現磁碟資料與程式資料不一致的問題。
所以，不可中斷狀態實際上是系統對程式和硬體裝置的一種保護機制。
因此，你可以簡單理解為，平均負載其實就是平均活躍程式數。平均活躍程式數，直觀上的理解就是單位時間內的活躍程式數，但它實際上是活躍程式數的指數衰減平均值。這個“指數衰減平均”的詳細含義你不用計較，這只是系統的一種更快速的計算方式，你把它直接當成活躍程式數的平均值也沒問題。
既然平均的是活躍程式數，那麼最理想的，就是每個 CPU 上都剛好執行著一個程式，這樣每個 CPU 都得到了充分利用。比如當平均負載為 2 時，意味著什麼呢？
在只有 2 個 CPU 的系統上，意味著所有的 CPU 都剛好被完全佔用。
在 4 個 CPU 的系統上，意味著 CPU 有 50% 的空閒。
而在只有 1 個 CPU 的系統中，則意味著有一半的程式競爭不到 CPU。
平均負載為多少時合理
講完了什麼是平均負載，現在我們再回到最開始的例子，不知道你能否判斷出，在 uptime 命令的結果裡，那三個時間段的平均負載數，多大的時候能說明系統負載高？或是多小的時候就能說明系統負載很低呢？
我們知道，平均負載最理想的情況是等於 CPU 個數。所以在評判平均負載時，首先你要知道系統有幾個 CPU，這可以通過 top 命令或者從檔案 /proc/cpuinfo 中讀取，比如：
# 關於grep和wc的用法請查詢它們的手冊或者網路搜尋 $ grep 'model name' /proc/cpuinfo | wc -l 2
有了 CPU 個數，我們就可以判斷出，當平均負載比 CPU 個數還大的時候，系統已經出現了過載。
不過，且慢，新的問題又來了。我們在例子中可以看到，平均負載有三個數值，到底該參考哪一個呢？
實際上，都要看。三個不同時間間隔的平均值，其實給我們提供了，分析系統負載趨勢的資料來源，讓我們能更全面、更立體地理解目前的負載狀況。
打個比方，就像初秋時北京的天氣，如果只看中午的溫度，你可能以為還在 7 月份的大夏天呢。但如果你結合了早上、中午、晚上三個時間點的溫度來看，基本就可以全方位瞭解這一天的天氣情況了。
同樣的，前面說到的 CPU 的三個負載時間段也是這個道理。
如果 1 分鐘、5 分鐘、15 分鐘的三個值基本相同，或者相差不大，那就說明系統負載很平穩。
但如果 1 分鐘的值遠小於 15 分鐘的值，就說明系統最近 1 分鐘的負載在減少，而過去 15 分鐘內卻有很大的負載。
反過來，如果 1 分鐘的值遠大於 15 分鐘的值，就說明最近 1 分鐘的負載在增加，這種增加有可能只是臨時性的，也有可能還會持續增加下去，所以就需要持續觀察。一旦 1 分鐘的平均負載接近或超過了 CPU 的個數，就意味著系統正在發生過載的問題，這時就得分析調查是哪裡導致的問題，並要想辦法優化了。
這裡我再舉個例子，假設我們在一個單 CPU 系統上看到平均負載為 1.73，0.60，7.98，那麼說明在過去 1 分鐘內，系統有 73% 的超載，而在 15 分鐘內，有 698% 的超載，從整體趨勢來看，系統的負載在降低。
那麼，在實際生產環境中，平均負載多高時，需要我們重點關注呢？
在我看來，當平均負載高於 CPU 數量 70% 的時候，你就應該分析排查負載高的問題了。一旦負載過高，就可能導致程式響應變慢，進而影響服務的正常功能。
但 70% 這個數字並不是絕對的，最推薦的方法，還是把系統的平均負載監控起來，然後根據更多的歷史資料，判斷負載的變化趨勢。當發現負載有明顯升高趨勢時，比如說負載翻倍了，你再去做分析和調查。
平均負載與 CPU 使用率
現實工作中，我們經常容易把平均負載和 CPU 使用率混淆，所以在這裡，我也做一個區分。
可能你會疑惑，既然平均負載代表的是活躍程式數，那平均負載高了，不就意味著 CPU 使用率高嗎？
我們還是要回到平均負載的含義上來，平均負載是指單位時間內，處於可執行狀態和不可中斷狀態的程式數。所以，它不僅包括了正在使用 CPU 的程式，還包括等待 CPU 和等待 I/O 的程式。
而 CPU 使用率，是單位時間內 CPU 繁忙情況的統計，跟平均負載並不一定完全對應。比如：
CPU 密集型程式，使用大量 CPU 會導致平均負載升高，此時這兩者是一致的；
I/O 密集型程式，等待 I/O 也會導致平均負載升高，但 CPU 使用率不一定很高；
大量等待 CPU 的程式排程也會導致平均負載升高，此時的 CPU 使用率也會比較高。
平均負載案例分析
下面，我們以三個示例分別來看這三種情況，並用 iostat、mpstat、pidstat 等工具，找出平均負載升高的根源。
因為案例分析都是基於機器上的操作，所以不要只是聽聽、看看就夠了，最好還是跟著我實際操作一下。
你的準備
下面的案例都是基於 Ubuntu 18.04，當然，同樣適用於其他 Linux 系統。我使用的案例環境如下所示。
機器配置：2 CPU，8GB 記憶體。
預先安裝 stress 和 sysstat 包，如 apt install stress sysstat。
在這裡，我先簡單介紹一下 stress 和 sysstat。
stress 是一個 Linux 系統壓力測試工具，這裡我們用作異常程式模擬平均負載升高的場景。
而 sysstat 包含了常用的 Linux 效能工具，用來監控和分析系統的效能。我們的案例會用到這個包的兩個命令 mpstat 和 pidstat。
mpstat 是一個常用的多核 CPU 效能分析工具，用來實時檢視每個 CPU 的效能指標，以及所有 CPU 的平均指標。
pidstat 是一個常用的程式效能分析工具，用來實時檢視程式的 CPU、記憶體、I/O 以及上下文切換等效能指標。
此外，每個場景都需要你開三個終端，登入到同一臺 Linux 機器中。
實驗之前，你先做好上面的準備。如果包的安裝有問題，可以先在 Google 一下自行解決，如果還是解決不了，再來留言區找我，這事兒應該不難。
另外要注意，下面的所有命令，我們都是預設以 root 使用者執行。所以，如果你是用普通使用者登陸的系統，一定要先執行 sudo su root 命令切換到 root 使用者。
如果上面的要求都已經完成了，你可以先用 uptime 命令，看一下測試前的平均負載情況：
$ uptime ..., load average: 0.11, 0.15, 0.09
場景一：CPU 密集型程式
首先，我們在第一個終端執行 stress 命令，模擬一個 CPU 使用率 100% 的場景：
$ stress --cpu 1 --timeout 600
接著，在第二個終端執行 uptime 檢視平均負載的變化情況：
# -d 參數列示高亮顯示變化的區域 $ watch -d uptime ..., load average: 1.00, 0.75, 0.39
最後，在第三個終端執行 mpstat 檢視 CPU 使用率的變化情況：
# -P ALL 表示監控所有CPU，後面數字5表示間隔5秒後輸出一組資料 $ mpstat -P ALL 5 Linux 4.15.0 (ubuntu) 09/22/18 _x86_64_ (2 CPU) 13:30:06 CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle 13:30:11 all 50.05 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 49.95 13:30:11 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 100.00 13:30:11 1 100.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
從終端二中可以看到，1 分鐘的平均負載會慢慢增加到 1.00，而從終端三中還可以看到，正好有一個 CPU 的使用率為 100%，但它的 iowait 只有 0。這說明，平均負載的升高正是由於 CPU 使用率為 100% 。
那麼，到底是哪個程式導致了 CPU 使用率為 100% 呢？你可以使用 pidstat 來查詢：
# 間隔5秒後輸出一組資料 $ pidstat -u 5 1 13:37:07 UID PID %usr %system %guest %wait %CPU CPU Command 13:37:12 0 2962 100.00 0.00 0.00 0.00 100.00 1 stress
從這裡可以明顯看到，stress 程式的 CPU 使用率為 100%。
場景二：I/O 密集型程式
首先還是執行 stress 命令，但這次模擬 I/O 壓力，即不停地執行 sync：
$ stress -i 1 --timeout 600
還是在第二個終端執行 uptime 檢視平均負載的變化情況：
$ watch -d uptime ..., load average: 1.06, 0.58, 0.37
然後，第三個終端執行 mpstat 檢視 CPU 使用率的變化情況：
# 顯示所有CPU的指標，並在間隔5秒輸出一組資料 $ mpstat -P ALL 5 1 Linux 4.15.0 (ubuntu) 09/22/18 _x86_64_ (2 CPU) 13:41:28 CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle 13:41:33 all 0.21 0.00 12.07 32.67 0.00 0.21 0.00 0.00 0.00 54.84 13:41:33 0 0.43 0.00 23.87 67.53 0.00 0.43 0.00 0.00 0.00 7.74 13:41:33 1 0.00 0.00 0.81 0.20 0.00 0.00 0.00 0.00 0.00 98.99
從這裡可以看到，1 分鐘的平均負載會慢慢增加到 1.06，其中一個 CPU 的系統 CPU 使用率升高到了 23.87，而 iowait 高達 67.53%。這說明，平均負載的升高是由於 iowait 的升高。
那麼到底是哪個程式，導致 iowait 這麼高呢？我們還是用 pidstat 來查詢：
# 間隔5秒後輸出一組資料，-u表示CPU指標 $ pidstat -u 5 1 Linux 4.15.0 (ubuntu) 09/22/18 _x86_64_ (2 CPU) 13:42:08 UID PID %usr %system %guest %wait %CPU CPU Command 13:42:13 0 104 0.00 3.39 0.00 0.00 3.39 1 kworker/1:1H 13:42:13 0 109 0.00 0.40 0.00 0.00 0.40 0 kworker/0:1H 13:42:13 0 2997 2.00 35.53 0.00 3.99 37.52 1 stress 13:42:13 0 3057 0.00 0.40 0.00 0.00 0.40 0 pidstat
可以發現，還是 stress 程式導致的。
場景三：大量程式的場景
當系統中執行程式超出 CPU 執行能力時，就會出現等待 CPU 的程式。
比如，我們還是使用 stress，但這次模擬的是 8 個程式：
$ stress -c 8 --timeout 600
由於系統只有 2 個 CPU，明顯比 8 個程式要少得多，因而，系統的 CPU 處於嚴重過載狀態，平均負載高達 7.97：
$ uptime ..., load average: 7.97, 5.93, 3.02
接著再執行 pidstat 來看一下程式的情況：
# 間隔5秒後輸出一組資料 $ pidstat -u 5 1 14:23:25 UID PID %usr %system %guest %wait %CPU CPU Command 14:23:30 0 3190 25.00 0.00 0.00 74.80 25.00 0 stress 14:23:30 0 3191 25.00 0.00 0.00 75.20 25.00 0 stress 14:23:30 0 3192 25.00 0.00 0.00 74.80 25.00 1 stress 14:23:30 0 3193 25.00 0.00 0.00 75.00 25.00 1 stress 14:23:30 0 3194 24.80 0.00 0.00 74.60 24.80 0 stress 14:23:30 0 3195 24.80 0.00 0.00 75.00 24.80 0 stress 14:23:30 0 3196 24.80 0.00 0.00 74.60 24.80 1 stress 14:23:30 0 3197 24.80 0.00 0.00 74.80 24.80 1 stress 14:23:30 0 3200 0.00 0.20 0.00 0.20 0.20 0 pidstat
可以看出，8 個程式在爭搶 2 個 CPU，每個程式等待 CPU 的時間（也就是程式碼塊中的 %wait 列）高達 75%。這些超出 CPU 計算能力的程式，最終導致 CPU 過載。
小結
分析完這三個案例，我再來歸納一下平均負載的理解。
平均負載提供了一個快速檢視系統整體效能的手段，反映了整體的負載情況。但只看平均負載本身，我們並不能直接發現，到底是哪裡出現了瓶頸。所以，在理解平均負載時，也要注意：
平均負載高有可能是 CPU 密集型程式導致的；
平均負載高並不一定代表 CPU 使用率高，還有可能是 I/O 更繁忙了；