一份十分完整的CPU 100%排查优化指南

百家 作者:51CTO技术栈 2019-04-19 13:59:50

最近又收到了运维报警:表示有些服务器负载非常高,让我们定位问题。


还真是想什么来什么,前些天还故意把某些服务器的负载提高(没错,老板让我写个 Bug!),不过还好是不同的环境,互相没有影响。


定位问题


拿到问题后首先去服务器上看了看,发现运行的只有我们的 Java 应用。于是先用 PS 命令拿到了应用的 PID。


接着使用 top -Hp pid 将这个进程的线程显示出来。输入大写的 P 可以将线程按照 CPU 使用比例排序,于是得到以下结果:

果然某些线程的 CPU 使用率非常高。为了方便定位问题我立马使用 jstack pid > pid.log 将线程栈 Dump 到日志文件中。


我在上面 100% 的线程中随机选了一个 pid=194283 转换为 16 进制(2f6eb)后在线程快照中查询,因为线程快照中线程 ID 都是 16 进制存放。

发现这是 Disruptor 的一个堆栈,前段时间正好解决过一个由于 Disruptor 队列引起的一次 OOM,没想到又来一出。


为了更加直观的查看线程的状态信息,我将快照信息上传到专门分析的平台上:http://fastthread.io/

其中有一项菜单展示了所有消耗 CPU 的线程,我仔细看了下发现几乎都是和上面的堆栈一样。


也就是说都是 Disruptor 队列的堆栈,同时都在执行 java.lang.Thread.yield 函数。


众所周知 yield 函数会让当前线程让出 CPU 资源,再让其他线程来竞争。


根据刚才的线程快照发现处于 Runnable 状态并且都在执行 yield 函数的线程大概有 30 几个。


因此初步判断为大量线程执行 yield 函数之后互相竞争导致 CPU 使用率增高,而通过对堆栈发现是和使用 Disruptor 有关。


解决问题


而后我查看了代码,发现是根据每一个业务场景在内部都会使用 2 个 Disruptor 队列来解耦。


假设现在有 7 个业务类型,那就等于是创建 2*7=14 个 Disruptor 队列,同时每个队列有一个消费者,也就是总共有 14 个消费者(生产环境更多)。


同时发现配置的消费等待策略为 YieldingWaitStrategy 这种等待策略确实会执行 yield 来让出 CPU。


代码如下:

初步看来和这个等待策略有很大的关系。


本地模拟


为了验证,我在本地创建了 15 个 Disruptor 队列同时结合监控观察 CPU 的使用情况。

创建了 15 个 Disruptor 队列,同时每个队列都用线程池来往 Disruptor 队列里面发送 100W 条数据。


消费程序仅仅只是打印一下:

跑了一段时间发现 CPU 使用率确实很高:

同时 Dump 线程发现和生产的现象也是一致的:消费线程都处于 Runnable 状态,同时都在执行 yield。


通过查询 Disruptor 官方文档发现:

YieldingWaitStrategy 是一种充分压榨 CPU 的策略,使用自旋 + yield 的方式来提高性能。


当消费线程(Event Handler threads)的数量小于 CPU 核心数时推荐使用该策略。

同时查阅到其他的等待策略 BlockingWaitStrategy (也是默认的策略),它使用的是锁的机制,对 CPU 的使用率不高。


于是在和之前同样的条件下将等待策略换为 BlockingWaitStrategy。

和刚才的 CPU 对比会发现到后面使用率会有明显的降低;同时 Dump 线程后会发现大部分线程都处于 Waiting 状态。


优化解决


看样子将等待策略换为 BlockingWaitStrategy 可以减缓 CPU 的使用。


但留意到官方对 YieldingWaitStrategy 的描述里谈到:当消费线程(Event Handler threads)的数量小于 CPU 核心数时推荐使用该策略。


而现有的使用场景很明显消费线程数已经大大的超过了核心 CPU 数了,因为我的使用方式是一个 Disruptor 队列一个消费者,所以我将队列调整为只有 1 个再试试(策略依然是 YieldingWaitStrategy)。

跑了一分钟,发现 CPU 的使用率一直都比较平稳而且不高。


总结


所以排查到此可以有一个结论了,想要根本解决这个问题需要将我们现有的业务拆分;现在是一个应用里同时处理了 N 个业务,每个业务都会使用好几个 Disruptor 队列。


由于是在一台服务器上运行,所以 CPU 资源都是共享的,这就会导致 CPU 的使用率居高不下。


所以我们的调整方式如下:

  • 为了快速缓解这个问题,先将等待策略换为 BlockingWaitStrategy,可以有效降低 CPU 的使用率(业务上也还能接受)。

  • 第二步就需要将应用拆分(上文模拟的一个 Disruptor 队列),一个应用处理一种业务类型;然后分别单独部署,这样也可以互相隔离互不影响。


当然还有其他的一些优化,因为这也是一个老系统了,这次 Dump 线程居然发现创建了 800+ 的线程。


创建线程池的方式也是核心线程数、最大线程数是一样的,导致一些空闲的线程也得不到回收;这样会有很多无意义的资源消耗。


所以也会结合业务将创建线程池的方式调整一下,将线程数降下来,尽量的物尽其用。


作者:crossoverJie

编辑:陶家龙、孙淑娟

出处:转载自微信公众号crossoverJie

源码:https://github.com/crossoverJie/JCSprout

精彩文章推荐:

一个百亿级日志系统是怎么设计出来的?

重新定义“人货场”:淘宝情景计算探索实践

如何从单个服务器扩展到百万用户的系统?

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接