cpu负载突刺问题排查

Posted 2023-03-15

参考技术A 通过监控工具巡检自己的服务发现服务cpu load存在周期性变高的现象，如图：

机器的cpu核数是4核，最高点明显超过了4，但是cpu使用率没有明显变高，如图：

cpu有突刺的现象是gc时引起的，这里先不做赘述；

那么是什么原因引起的cpu load变高呢？？？，又该如何解决呢？

一、引起load变高的原因有哪些：
1.磁盘io繁忙，网络io繁忙
2.线程上下文切换频繁
3.cpu繁忙

二、根据上面提出的三个原因去寻找解决方案

由上面三张图对比可以看出负载升高的时候，磁盘io以及网络io并没有任何变化还是保持和之前一样，说明不是io影响的。

使用命令：pidstat -w -p <pid>

由以图可以看出来，每秒自愿上下文切换（voluntary context switches）的次数为0（cswch ）；
被系统强制调度导致，每秒非自愿上下文切换（non voluntary context switches）的次数（nvcswch）的次数也为0；
说明不是线程频繁切换导致的

从最上面的cpu整体使用率看到并不是很高，那么应该不是cpu繁忙导致的；
继续向下排查，
pidstat查看java线程内详细信息，可发现用户态cpu使用率很高，长时间占用CPU，导致等待线程增多；

结合服务业务发现：
该服务是批量拉去kafka消息，然后使用线程池进行消费，而这个线程池使用的拒绝策略为CallerRunsPolicy，也就是当线程池执行不过来，并且阻塞队列也满的时候就会默认使用主线程来进行处理；
继续排查确认：
1.通过命令top -Hp pid 查看进程下最耗费cpu的线程
2.printf “%x\n” 得到线程的16进制
3.jstack 进程 ｜grep 线程id 获取线程状态
执行以上步骤的到文件，观察发现，最繁忙的线程就是kafka线程

1、减少一批消息的拉去数量，使当前线程池足够消费；
2、增大线程池数量的核心线程数（这种需要判断当前服务是io密集型还是cpu密集型，此方案选用）
3、更改业务逻辑，减少rpc，尽量减少业务处理，加快消费速度；
以上三种方式可以一起使用，也可以部分使用；

1.先减少批量拉取的消息数，观察load是否有降低；

2.因为我的业务服务是网络io密集型，所以我适当增大了业务线程池的核心线程数；

3.最后再来看业务逻辑层面是否存在优化的空间；
前两步结束后，负载已经降低到正常范围时，最后一步业务逻辑优化可选择性的去做；