(1)Linux系統中到底應該怎麼理解系統的平均負載

記憶流年發表於2020-07-11

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。

 $ uptime02:34:03 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   49.9513:30:11       0    0.00    0.00    0.00    0.00    0.00    0.00    0.00    0.00    0.00  100.0013:30:11       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 5 113:37:07      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   54.8413:41:33       0    0.43    0.00   23.87   67.53    0.00    0.43    0.00    0.00    0.00    7.7413:41:33       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 5 114:23:25      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;

當發現負載高的時候,你可以使用 mpstat、pidstat 等工具,輔助分析負載的來源。

相關文章