作者：汪伟(simon)， 来自：高效运维

导言：运维工作中除了要维持平台的稳定运行以外，还得对服务器的性能进行优化，让服务器发挥出良好的工作性能是稳定运行的基础。腾讯互娱DBA团队的汪伟（simon）在这一领域里整理出了一套性能优化的资料为大家在性能优化提供充足的方向。

概  述

什么是性能？

性能最通俗的衡量指标就是“时间”，CPU的使用率指的是CPU用于计算的时间占比，磁盘使用率指的是磁盘操作的时间占比。

当CPU使用率100%时，意味着有部分请求来不及计算，响应时间增加或者超时；

当磁盘使用率100%时，意味着有部分请求需要等待IO操作，响应时间也会增加或者超时。

换言之，所有的操作都在理想的时间内，就不存在“性能优化“的问题。我们在分析性能的时候，总是会首先要找到是什么引起响应时间变慢了，对应单机性能的分析，一般我们会将目光锁定在CPU和IO上，因为对于应用程序一般分为CPU bound型和IO。

bound型，即计算密集型或者读写密集型；至于内存，其性能因素往往也会反映到CPU或者IO上，因为内存的设计初衷就是提高内核指令和应用程序的读写性能。

当内存不足，系统可能进行大量的交换操作，这时候磁盘可能成为瓶颈；而缺页、内存分配、释放、复制、内存地址空间映射等等问题又可能引起CPU的瓶颈；更严重的情况是直接影响功能，这个就不仅仅是性能的问题了。

性能优化并不是一个孤立的课题，除了响应时间的考虑，我们往往还需要综合功能完整性、安全性等等方面的问题。

性能分析的基础

性能优化需要厚实的基础知识：

• 操作系统
  操作系统管理着应用程序所需要的所有资源，例如CPU和IO，当任何一个组件出现问题，我们的分析也是基于操作系统的，例如文件系统类型，磁盘类型，磁盘raid类型都需要操作系统管理和支持。

• 系统编程技术
  系统编程技术涉及到我们如何使用系统资源，例如对IO的操作我们可以使用buffering I/O，也可以使用Direct IO，可以采用同步的方式，也可以采用异步的方式，可以使用多进程，也可以使用多线程的方式。懂得不同编程技术的原理，有利于问题的分析。

• 应用程序
  例如数据库组件的数据类型、引擎、索引、复制、配置参数、备份、高可用等等都可能是性能问题的元凶。

性能分析的方法论

问题分析方面，各类方法论如金字塔思维、5W2H、麦肯锡七步法等等。套用5W2H方法，可以提出性能分析的几个问题

• What-现象的表现是什么样的

• When-什么时候发生

• Why-为什么会发生

• Where-哪个地方发生的问题

• How much-耗费了多少资源，问题解决后能减少多少资源耗用

• How to do-怎么解决问题

但是这些只能给出方向，性能分析需要找到原因需要更具体的方法，怎么解决一个问题也需要更加具体的方式。

Brendan Gregg在《性能之巅：洞悉系统、企业与云计算》第二章中讲到大量的方法，比较突出的如Use方法、负载特征归纳、性能监控、静态性能调优、延时分析、工具法等等。

其中工具法最具体，但是工具法也有自己的限制，如磁盘的饱和度，在磁盘使用率100%的时候，磁盘的负载可能还可以继续增加。在实际分析问题中，负载特征归纳更有指导意义，静态跟踪和动态跟踪让我们更容易更直观发现问题。

CPU

认识CPU

CPU本身的架构和内核调度器的架构这里不做详细讲述，具体可以参考操作系统类书籍。但是仍然需要清楚一些概念：

• 处理器

• 核

• 硬件线程

• CPU内存缓存

• 时钟频率

• 每指令周期数CPI和每周期指令数IPC

• CPU指令

• 使用率

• 用户时间／内核时间

• 调度器

• 运行队列

• 抢占

• 多进程

• 多线程

• 字长

针对应用程序，我们通常关注的是内核CPU调度器功能和性能

线程的状态分析主要是分析线程的时间用在什么地方，而线程状态的分类一般分为：

on-CPU：执行中，执行中的时间通常又分为用户态时间user和系统态时间sys。

off-CPU：等待下一轮上CPU，或者等待I/O、锁、换页等等，其状态可以细分为可执行、匿名换页、睡眠、锁、空闲等状态。

如果大量时间花在CPU上，对CPU的剖析能够迅速解释原因；如果系统时间大量处于off-cpu状态，定位问题就会费时很多。

分析方法与工具

在观察CPU性能的时候，按照负载特征归纳的方法，可以检查如下清单：

• 整个系统范围内的CPU负载如何，CPU使用率如何，单个CPU的使用率呢？

• CPU负载的并发程度如何？是单线程吗？有多少线程？

• 哪个应用程序在使用CPU，使用了多少？

• 哪个内核线程在使用CPU，使用了多少？

• 中断的CPU用量有多少？

• 用户空间和内核空间使用CPU的调用路径是什么样的？

• 遇到了什么类型的停滞周期？

要回答上面的问题，使用系统性能分析工具最经济和直接，这里列举的工具足够回答上面的问题：

工具	描述
uptime	平均负载
vmstat	包括系统范围的CPU平均负载
top	监控每个进程/线程CPU用量
pidstat	每个进程／线程CPU用量分解
ps	进程状态
perf	CPU剖析和跟踪，性能计数器分析

上述问题中，调用路径和停滞周期的分析可以使用perf工具，也可以使用DTrace等更灵活的工具。

其中perf支持对各类内核时间的跟踪计数统计，可以使用perf list查看。例如停滞周期分析可能十分复杂，需要对CPU和调度器架构有较系统的认识和了解。

停滞的周期可能发生在一级、二级或者三级缓存，如缓存未命中，也可能是内存IO和资源IO上的停滞周期，perf中有诸如L1-dcahce-loads，L1-icache-loads等事件的计数统计。

实际案例

火焰图帮助分析CPU的调用路径

我们在压测mysql在某机型上的非原地更新性能时，分析mysql服务器延时情况时，分析了CPU上主要的函数调用。

使用perf top能够看到调用次数的排名，但是调用关系不能展示出来。火焰图很清晰地提供了调用关系的视图（如下两图中的比例不同是因为perf top加了-p参数，火焰图分析是针对整个系统）。

内  存

认识内存

如前所述，内存是为提高效率而生，实际分析问题的时候，内存出现问题可能不只是影响性能，而是影响服务或者引起其他问题。同样对于内存有些概念需要清楚：

• 主存

• 虚拟内存

• 常驻内存

• 地址空间

• OOM

• 页缓存

• 缺页

• 换页

• 交换空间

• 交换

• 用户分配器libc、glibc、libmalloc和mtmalloc

• LINUX内核级SLUB分配器

分析方法与工具

Brendan在书中给出了一些问题，比如内存总线的平衡性，NUMA系统中，内存是否被分配到合适的节点中去等等，这些问题在实际分析问题的时候，并不能作为切入点，需要持续的分析。因此笔者简化为如下清单：

• 系统范围内的物理内存和虚拟内存使用率

• 换页、交换、oom的情况

• 内核和文件系统缓存的使用情况

• 进程的内存用于何处

• 进程为何分配内存

• 内核为何分配内存

• 哪些进程在持续地交换

• 进程或者内存是否存在内存泄漏？

内存的分析工具如下：

工具	描述
free	缓存容量统计信息
vmstat	虚拟内存统计信息
top	监视每个进程的内存使用情况
ps	进程状态
Dtrace	分配跟踪

除了DTrace，所有的工具只能回答信息统计，进程的内存使用情况等等，至于是否发生内存泄漏等，只能通过分配跟踪。

但是DTrace需要对内核函数有很深入的了解，通过D语言编写脚本完成跟踪。Perf也有一些诸如cache-miss、page-faults的事件用于跟踪，但是并不直观。

实际案例

关于内存泄漏，从监控和顶层观察很难发现问题，一般都是从底层程序代码来分析，案例中使用各种观察工具和跟踪工具都不能很确定原因所在，只能通过分析代码来排查问题。

最终发现是lua脚本语言分配内存速度快，包驱动的周期性服务的用法中，lua自动回收不能迅速释放内存，而是集中回收，如果频繁回收又可能带来CPU的压力。开发项目组最后采用的解决方式为分步回收，每次回收一部分内存，然后周期性全量回收。

IO

逻辑IO vs 物理IO

通常在讨论问题时，总是会分析IO的负载，IO的负载通常指的是磁盘IO，也就是物理IO，例如我们使用iostat获取的avgqu-sz、svctm和until等指标。

因为我们的读写最终都是来自或者去往磁盘的，关注磁盘的IO情况非常正确。但是我们在进行读写操作的时候，面向的对象大多数时候并不会直接面向磁盘，而是面向文件系统的，除非使用raw io的方式。

如下图为通用的IO结构图，如果你想了解更详细，可以查看第二张图片。我们知道LINUX通过文件系统将所有的硬件设备甚至网络都抽象为文件来管理， 例如read()调用时，实际就是就是调用了vfs_read函数，文件系统会确认请求的数据是否在页缓存中，如果不在内存中，于是将请求发送到块设备；

此时内核会先获取到数据在物理设备上的实际位置，然后将读请求发送给块设备的请求队列中，IO调度器会通过一定的调度算法，将请求发送给磁盘设备驱动层，执行真正的读操作。

在这一过程中可能发生哪些情况呢？如果应用程序执行的是大量的顺序读会怎样？随机读又会怎样？如果是顺序读，正确的做法就是进行预读，让请求的数据落到内存中，提升读效率。所以在应用程序发起一次读，从文件系统到磁盘的过程中，存在读放大的问题。

在写操作时同样存在类似的情况，应用程序发起对文件系统的IO操作，物理IO与应用程序之间，有时候会显得无关、间接、放大或者缩小。

无关：

• 其他的应用程序：磁盘IO来自其他的应用程序，如监控，agent等

• 其他用户：如同虚拟机母机下的其他用户

• 其他内核任务：如重建raid，校验等

间接：

• 文件系统预读：增加额外的IO，但是可能预读的数据无用

• 文件系统缓冲：写缓存推迟或者合并回写磁盘，造成磁盘瞬时IO压力

放大：

• 文件系统元数据：增大额外的IO

• 文件系统记录尺寸：向上对齐等增加了IO大小

缩小：

• 文件系统缓存：直接读取缓存，而不需要操作磁盘

• 合并：一次性回写磁盘

• 文件系统抵消：同一地址更新多次，回写磁盘时只保留最后一次修改

• 压缩：减少数据量

图片来源：
https://www.thomas-krenn.com/de/wikiDE/images/b/ba/Linux-storage-stack-diagram_v4.0.png

文件系统分析与工具

与文件系统相关的术语如下：

• 文件系统

• VFS

• 文件系统缓存

• 页缓存page cache

• 缓冲区高速缓存buffer cache

• 目录缓存

• inode

• inode缓存

如下图为文件系统缓存的结构图，页缓存缓存了虚拟内存的页面，包括文件系统的页面，提升了文件和目录的性能。Linux将缓冲区高速缓存放入到了页缓存中，即page cache包含buffer cache。

文件系统使用的内存脏页由内核线程写回磁盘，如图中的页面扫描器kswapd为后台的页面换出进程，当内存不足，超过一定时间（30s）或者有过多的脏页时都会触发磁盘回写。

文件系统延时指的是一个文件系统逻辑请求从开始到结束的时间，包括在文件系统、内核磁盘IO子系统以及等待磁盘设备响应的时间。同步访问时，应用程序会在请求时阻塞，等待文件系统请求结束，异步方式下，文件系统对其并无直接影响。

但是异步访问也分select、poll、epoll等方式，也就是所谓的异步阻塞、异步非阻塞。在异步方式下，一般是打印出用户层发起文件系统逻辑IO的调用栈，得到调用了哪个函数产生了IO。

Linux未提供查看文件系统延时的工具和接口，但是磁盘的指标信息却比较丰富，但是很多情况下，文件系统IO和磁盘IO之间并没有直接关系，例如应用程序写文件系统。

但是根本不关心数据什么时候写到磁盘了，而后台刷数据到磁盘时，可能造成磁盘IO负载增加，从磁盘角度，应用程序的写入可能受到影响了，而实际上应用程序并没有等待。

文件系统的分析可以试着回答下面的问题：

• 哪个应用程序在使用文件系统？

• 在对哪些文件进行操作？

• 在进行什么样的操作，读写比是多少，同步还是异步？

• 文件系统的缓存有多大，目前的使用情况？

• 有遇到什么错误吗？是请求不合法，还是文件系统自身的问题？

其实上面的问题，除了能够看到系统的内存情况，页缓存和buffer cache大小，能够看到哪些进程在进行读写操作，在读哪些文件，其他的比如应用程序对文件系统的读写比，同步还是异步，这些问题没有工具能给出明确的信息。当然我们可以通过跟踪应用程序的内核调用栈来发现问题，也可以在应用程序中输出日志来帮助分析。

磁盘分析与工具

在理解磁盘IO之前，同样我们需要理解一些概念，例如：

• 虚拟磁盘

• 扇区

• I/O请求

• 磁盘命令

• 带宽

• 吞吐

• I/O延时

• 服务时间

• 等待时间

• 随机IO/连续IO

• 同步/异步

• 磁盘接口

• Raid

对于磁盘IO，我们可以列出如下等问题来帮助我们分析性能问题：

• 每块磁盘的使用率是多少？

• 每块磁盘上有多长等待队列？

• 平均服务时间和等待时间时多少？

• 是哪个应用程序或者用户正在使用磁盘？

• 应用程序读写的方式是怎样的？

• 为什么会发起磁盘IO，内核调用路径是什么样的？

• 磁盘上的读写比是多少？

• 随机IO还是顺序IO？

Linux对磁盘的性能分析工具主要如下：

工具	描述
iostat	各种单个磁盘统计信息
iotop、pidstat	按进程列出磁盘IO的使用情况
perf、Dtrace	跟踪工具

磁盘上是随机IO还是顺序IO，很多时候我们并没有很好的方式去判断，因为块设备回写磁盘的时候，随机IO可能已经被整理为顺序IO了。对于磁盘的分析同样可以使用perf跟踪事件或者DTrace设置探针。

在分析mysql在某机型上做非全cache非原地更新时，为什么单实例无法将机器性能压满的时候，我们在分析的过程中跟踪了块设备的内核事件。我们对比了多实例非原地更新和单实例非原地更新的时候，磁盘的操作情况。如下为非原地更新时跟踪的结果。

对结果分析后看到，单实例非原地更新时，将近30%是blk_finish_plug，有70%是blk_queue_bio，而多实例时正好相反，大量的blk_finish_plug和少量的blk_queue_bio（当然，这不是为什么性能压不满的原因）。

长按订阅更多精彩▼