日常工作中，我們多少都會遇到應用的性能問題。在阿里面試中，性能優化也是常被問到的題目，用來考察是否有實際的線上問題處理經驗。面對這類問題，阿里工程師齊光給出了詳細流程。來阿里面試前，先看看這篇文章哦。
性能問題和Bug不同，後者的分析和解決思路更清晰，很多時候從應用日誌(文中的應用指分佈式服務下的單個節點)即可直接找到問題根源，而性能問題，其排查思路更為複雜一些。
對應用進行性能優化，是一個系統性的工程，對工程師的技術廣度和技術深度都有所要求。一個簡單的應用，它不僅包含了應用代碼本身，還和容器(虛擬機)、操作系統、存儲、網絡、文件系統等緊密相關，線上應用一旦出現了性能問題，需要我們從多方面去考慮。
與此同時，除了一些低級的代碼邏輯引發的性能問題外，很多性能問題隱藏的較深，排查起來會比較困難，需要我們對應用的各個子模塊、應用所使用的框架和組件的原理有所瞭解，同時掌握一定的性能優化工具和經驗。
本文總結了我們在進行性能優化時常用的一些工具及技巧，目的是希望通過一個全面的視角，去感知性能優化的整體脈絡。本文主要分為下面三個部分：
- 第一部分會介紹性能優化的一些背景知識。
- 第二部分會介紹性能優化的通用流程以及常見的一些誤區。
- 第三部分會從系統層和業務層的角度，介紹高效的性能問題定位工具和高頻性能瓶頸點分佈。
本文中提到的線程、堆、垃圾回收等名詞，如無特別說明，指的是 Java 應用中的相關概念。
1.性能優化的背景（文末有福利）
前面提到過，應用出現性能問題和應用存在缺陷是不一樣的，後者大多數是由於代碼的質量問題導致，會導致應用功能性的缺失或出現風險，一經發現，會被及時修復。而性能問題，可能是由多方面的因素共同作用的結果：代碼質量一般、業務發展太快、應用架構設計不合理等，這些問題處理起來一般耗時較長、分析鏈路複雜，大家都不願意幹，因此可能會被一些臨時性的補救手段所掩蓋，如：系統水位高或者單機的線程池隊列爆炸，那就集群擴容增加機器;內存佔用高/高峰時段 OOM，那就重啟分分鐘解決......
臨時性的補救措施只是在給應用埋雷，同時也只能解決部分問題。譬如，在很多場景下，加機器也並不能解決應用的性能問題，如對時延比較敏感的一些應用必須把單機的性能優化到極致，與此同時，加機器這種方式也造成了資源的浪費，長期來看是得不償失的。對應用進行合理的性能優化，可在應用穩定性、成本核算獲得很大的收益。
上面我們闡述了進行性能優化的必要性。假設現在我們的應用已經有了性能問題(eg. CPU 水位比較高)，準備開始進行優化工作了，在這個過程中，潛在的痛點會有哪些呢?下面列出一些較為常見的：
對性能優化的流程不是很清晰。初步定為一個疑似瓶頸點後，就興高采烈地吭哧吭哧開始幹，最終解決的問題其實只是一個淺層次的性能瓶頸，真實的問題的根源並未觸達;
對性能瓶頸點的分析思路不是很清晰。CPU、網絡、內存......這麼多的性能指標，我到底該關注什麼，應該從哪一塊兒開始入手?
對性能優化的工具不瞭解。遇到問題後，不清楚該用哪個工具，不知道通過工具得到的指標代表什麼。
2.性能優化的流程（文末有福利）
在性能優化這個領域，並沒有一個嚴格的流程定義，但是對於絕大多數的優化場景，我們可以將其過程抽象為下面四個步驟。
- 準備階段：主要工作是是通過性能測試，瞭解應用的概況、瓶頸的大概方向，明確優化目標;
- 分析階段：通過各種工具或手段，初步定位性能瓶頸點;
- 調優階段：根據定位到的瓶頸點，進行應用性能調優;
- 測試階段：讓調優過的應用進行性能測試，與準備階段的各項指標進行對比，觀測其是否符合預期，如果瓶頸點沒有消除或者性能指標不符合預期，則重複步驟2和3。
下圖即為上述四個階段的簡要流程。
2.1 通用流程詳解
在上述通用流程的四個步驟當中，步驟2和3我們會在接下來兩個部分重點進行介紹。首先我們來看一下，在準備階段和測試階段，我們需要做一些什麼。
★ 2.1.1 準備階段
準備階段是非常關鍵的一步，不能省略。
首先，需要對我們進行調優的對象進行詳盡的瞭解，所謂知己知彼，百戰不殆。
- 對性能問題進行粗略評估，過濾一些因為低級的業務邏輯導致的性能問題。譬如，線上應用日誌級別不合理，可能會在大流量時導致 CPU 和磁盤的負載飆高，這種情況調整日誌級別即可;
- 瞭解應用的的總體架構，比如應用的外部依賴和核心接口有哪些，使用了哪些組件和框架，哪些接口、模塊的使用率較高，上下游的數據鏈路是怎麼樣的等;
- 瞭解應用對應的服務器信息，如服務器所在的集群信息、服務器的 CPU/內存信息、安裝的 Linux 版本信息、服務器是容器還是虛擬機、所在宿主機混部後是否對當前應用有干擾等;
其次，我們需要獲取基準數據，然後結合基準數據和當前的一些業務指標，確定此次性能優化的最終目標。
- 使用基準測試工具獲取系統細粒度指標。可以使用若干 Linux 基準測試工具(eg. jmeter、ab、loadrunnerwrk、wrk等)，得到文件系統、磁盤 I/O、網絡等的性能報告。除此之外，類似 GC、Web 服務器、網卡流量等信息，如有必要也是需要了解記錄的;
- 通過壓測工具或者壓測平臺(如果有的話)，對應用進行壓力測試，獲取當前應用的宏觀業務指標，譬如：響應時間、吞吐量、TPS、QPS、消費速率(對於有 MQ 的應用)等。壓力測試也可以省略，可以結合當前的實際業務和過往的監控數據，去統計當前的一些核心業務指標，如午高峰的服務 TPS。
★ 2.1.2 測試階段
進入到這一階段，說明我們已經初步確定了應用性能瓶頸的所在，而且已經進行初步的調優了。檢測我們調優是否有效的方式，就是在仿真的條件下，對應用進行壓力測試。注意：由於 Java 有 JIT(just-in-time compilation)過程，因此壓力測試時可能需要進行前期預熱。
如果壓力測試的結果符合了預期的調優目標，或者與基準數據相比，有很大的改善，則我們可以繼續通過工具定位下一個瓶頸點，否則，則需要暫時排除這個瓶頸點，繼續尋找下一個變量。
2.2 注意事項
在進行性能優化時，瞭解下面這些注意事項可以讓我們少走一些彎路。
- 性能瓶頸點通常呈現 2/8 分佈，即80%的性能問題通常是由20%的性能瓶頸點導致的，2/8 原則也意味著並不是所有的性能問題都值得去優化;
- 性能優化是一個漸進、迭代的過程，需要逐步、動態地進行。記錄基準後，每次改變一個變量，引入多個變量會給我們的觀測、優化過程造成干擾;
- 不要過度追求應用的單機性能，如果單機表現良好，則應該從系統架構的角度去思考; 不要過度追求單一維度上的極致優化，如過度追求 CPU 的性能而忽略了內存方面的瓶頸;
- 選擇合適的性能優化工具，可以使得性能優化取得事半功倍的效果;
- 整個應用的優化，應該與線上系統隔離，新的代碼上線應該有降級方案。
3.瓶頸點分析工具箱
性能優化其實就是找出應用存在性能瓶頸點，然後設法通過一些調優手段去緩解。性能瓶頸點的定位是較困難的，快速、直接地定位到瓶頸點，需要具備下面兩個條件：
- 恰到好處的工具;
- 一定的性能優化經驗。
工欲善其事，必先利其器，我們該如何選擇合適的工具呢?不同的優化場景下，又該選擇那些工具呢?
首選，我們來看一下大名鼎鼎的「性能工具(Linux Performance Tools-full)圖」，想必很多工程師都知道，它出自系統性能專家 Brendan Gregg。該圖從 Linux 內核的各個子系統出發，列出了我們在對各個子系統進行性能分析時，可使用的工具，涵蓋了監測、分析、調優等性能優化的方方面面。除了這張全景圖之外，Brendan Gregg 還單獨提供了基準測試工具(Linux Performance Benchmark Tools)圖、性能監測工具(Linux Performance Observability Tools)圖等，更詳細的內容請參考 Brendan Gregg 的網站說明。
上面這張圖非常經典，是我們做性能優化時非常好的參考資料，但事實上，我們在實際運用的時候，會發現可能它並不是最合適的，原因主要有下面兩點：
1)對分析經驗要求較高。上面這張圖其實是從 Linux 系統資源的角度去觀測性能指標的，這要求我們對 Linux 各個子系統的功能、原理要有所瞭解。舉例：遇到性能問題了，我們不會拿每個子系統下的工具都去試一遍，大多數情況是：我們懷疑某個子系統有問題，然後根據這張圖上列舉的工具，去觀測或者驗證我們的猜想，這無疑拔高了對性能優化經驗的要求;
2)適用性和完整性不是很好。我們在分析性能問題時，從系統底層自底向上地分析是較低效的，大多數時候，從應用層面去分析會更加有效。性能工具(Linux Performance Tools-full)圖只是從系統層一個角度給出了工具集，如果從應用層開始分析，我們可以使用哪些工具?哪些點是我們首先需要關注的?
鑑於上面若干痛點，下面給出了一張更為實用的「性能優化工具圖譜」，該圖分別從系統層、應用層(含組件層)的角度出發，列舉了我們在分析性能問題時首先需要關注的各項指標(其中?標註的是最需要關注的)，這些點是最有可能出現性能瓶頸的地方。需要注意的是，一些低頻的指標或工具，在圖中並沒有列出來，如 CPU 中斷、索引節點使用、I/O事件跟蹤等，這些低頻點的排查思路較複雜，一般遇到的機會也不多，在這裡我們聚焦最常見的一些就可以了。
對比上面的性能工具(Linux Performance Tools-full)圖，下圖的優勢在於：把具體的工具同性能指標結合了起來，同時從不同的層次去描述了性能瓶頸點的分佈，實用性和可操作性更強一些。系統層的工具分為CPU、內存、磁盤(含文件系統)、網絡四個部分，工具集同性能工具(Linux Performance Tools-full)圖中的工具基本一致。組件層和應用層中的工具構成為：JDK 提供的一些工具 + Trace 工具 + dump 分析工具 + Profiling 工具等。
這裡就不具體介紹這些工具的具體用法了，我們可以使用 man 命令得到工具詳盡的使用說明，除此之外，還有另外一個查詢命令手冊的方法：info。info 可以理解為 man 的詳細版本，如果 man 的輸出不太好理解，可以去參考 info 文檔，命令太多，記不住也沒必要記住。
上面這張圖該如何使用?
首先，雖然從系統、組件、應用兩個三個角度去描述瓶頸點的分佈，但在實際運行時，這三者往往是相輔相成、相互影響的。系統是為應用提供了運行時環境，性能問題的本質就是系統資源達到了使用的上限，反映在應用層，就是應用/組件的各項指標開始下降;而應用/組件的不合理使用和設計，也會加速系統資源的耗盡。因此，分析瓶頸點時，需要我們結合從不同角度分析出的結果，抽出共性，得到最終的結論。
其次，建議先從應用層入手，分析圖中標註的高頻指標，抓出最重要的、最可疑的、最有可能導致性能的點，得到初步的結論後，再去系統層進行驗證。這樣做的好處是：很多性能瓶頸點體現在系統層，會是多變量呈現的，譬如，應用層的垃圾回收(GC)指標出現了異常，通過 JDK 自帶的工具很容易觀測到，但是體現在系統層上，會發現系統當前的 CPU 利用率、內存指標都不太正常，這就給我們的分析思路帶來了困擾。
最後，如果瓶頸點在應用層和系統層均呈現出多變量分佈，建議此時使用 ZProfiler、JProfiler 等工具對應用進行 Profiling，獲取應用的綜合性能信息(注：Profiling 指的是在應用運行時，通過事件(Event-based)、統計抽樣(Sampling Statistical)或植入附加指令(Byte-Code instrumentation)等方法，收集應用運行時的信息，來研究應用行為的動態分析方法)。譬如，可以對 CPU 進行抽樣統計，結合各種符號表信息，得到一段時間內應用內的代碼熱點。
下面介紹在不同的分析層次，我們需要關注的核心性能指標，同時，也會介紹如何初步根據這些指標，判斷系統或應用是否存在性能瓶頸點，至於瓶頸點的確認、瓶頸點的成因、調優手段，將會在下一部分展開。
3.1 CPU&&線程
和 CPU 相關的指標主要有以下幾個。常用的工具有 top、 ps、uptime、 vmstat、 pidstat等。
- CPU利用率(CPU Utilization)
- CPU 平均負載(Load Average)
- 上下文切換次數(Context Switch)
<code>top - 12:20:57 up 25 days, 20:49, 2 users, load average: 0.93, 0.97, 0.79 Tasks: 51 total, 1 running, 50 sleeping, 0 stopped, 0 zombie %Cpu(s): 1.6 us, 1.8 sy, 0.0 ni, 89.1 id, 0.1 wa, 0.0 hi, 0.1 si, 7.3 st KiB Mem : 8388608 total, 476436 free, 5903224 used, 2008948 buff/cache KiB Swap: 0 total, 0 free, 0 used. 0 avail Mem PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND 119680 admin 20 0 600908 72332 5768 S 2.3 0.9 52:32.61 obproxy 65877 root 20 0 93528 4936 2328 S 1.3 0.1 449:03.61 alisentry_cli /<code>
第一行顯示的內容：當前時間、系統運行時間以及正在登錄用戶數。load average 後的三個數字，依次表示過去 1 分鐘、5 分鐘、15 分鐘的平均負載(Load Average)。平均負載是指單位時間內，系統處於可運行狀態(正在使用 CPU 或者正在等待 CPU 的進程，R 狀態)和不可中斷狀態(D 狀態)的平均進程數，也就是平均活躍進程數，CPU 平均負載和 CPU 使用率並沒有直接關係。
第三行的內容表示 CPU 利用率，每一列的含義可以使用 man 查看。CPU 使用率體現了單位時間內 CPU 使用情況的統計，以百分比的方式展示。計算方式為：CPU 利用率 = 1 - (CPU 空閒時間)/ CPU 總的時間。需要注意的是，通過性能分析工具得到的 CPU 的利用率其實是某個採樣時間內的 CPU 平均值。注：top 工具顯示的的 CPU 利用率是把所有 CPU 核的數值加起來的，即 8 核 CPU 的利用率最大可以到達800%(可以用 htop 等更新一些的工具代替 top)。
使用 vmstat 命令，可以查看到「上下文切換次數」這個指標，如下表所示，每隔1秒輸出1組數據：
<code>$ vmstat 1 procs -----------memory---------- ---swap-- -----io---- -system-- ------cpu----- r b swpd free buff cache si so bi bo in cs us sy id wa st 0 0 0 504804 0 1967508 0 0 644 33377 0 1 2 2 88 0 9 /<code>
上表的 cs(context switch) 就是每秒上下文切換的次數，按照不同場景，CPU 上下文切換還可以分為中斷上下文切換、線程上下文切換和進程上下文切換三種，但是無論是哪一種，過多的上下文切換，都會把 CPU 時間消耗在寄存器、內核棧以及虛擬內存等數據的保存和恢復上，從而縮短進程真正運行的時間，導致系統的整體性能大幅下降。vmstat 的輸出中 us、sy 分別用戶態和內核態的 CPU 利用率，這兩個值也非常具有參考意義。
vmstat 的輸只給出了系統總體的上下文切換情況，要想查看每個進程的上下文切換詳情(如自願和非自願切換)，需要使用 pidstat，該命令還可以查看某個進程用戶態和內核態的 CPU 利用率。
CPU 相關指標異常的分析思路是什麼?
1)CPU 利用率：如果我們觀察某段時間系統或應用進程的 CPU利用率一直很高(單個 core 超過80%)，那麼就值得我們警惕了。我們可以多次使用 jstack 命令 dump 應用線程棧查看熱點代碼，非 Java 應用可以直接使用 perf 進行 CPU 采采樣，離線分析採樣數據後得到 CPU 執行熱點(Java 應用需要符號表進行堆棧信息映射，不能直接使用 perf得到結果)。
2)CPU 平均負載：平均負載高於 CPU 數量 70%，意味著系統存在瓶頸點，造成負載升高的原因有很多，在這裡就不展開了。需要注意的是，通過監控系統監測平均負載的變化趨勢，更容易定位問題，有時候大文件的加載等，也會導致平均負載瞬時升高。如果 1 分鐘/5 分鐘/15 分鐘的三個值相差不大，那說明系統負載很平穩，則不用關注，如果這三個值逐漸降低，說明負載在漸漸升高，需要關注整體性能;
3)CPU 上下文切換：上下文切換這個指標，並沒有經驗值可推薦(幾十到幾萬都有可能)，這個指標值取決於系統本身的 CPU 性能，以及當前應用工作的情況。但是，如果系統或者應用的上下文切換次數出現數量級的增長，就有很大概率說明存在性能問題，如非自願上下切換大幅度上升，說明有太多的線程在競爭 CPU。
上面這三個指標是密切相關的，如頻繁的 CPU 上下文切換，可能會導致平均負載升高。如何根據這三者之間的關係進行應用調優，將在下一部分介紹。
CPU 上的的一些異動，通常也可以從線程上觀測到，但需要注意的是，線程問題並不完全和 CPU 相關。與線程相關的指標，主要有下面幾個(均都可以通過 JDK 自帶的 jstack 工具直接或間接得到)：
- 應用中的總的線程數;
- 應用中各個線程狀態的分佈;
- 線程鎖的使用情況，如死鎖、鎖分佈等;
關於線程，可關注的異常有：
1)線程總數是否過多。過多的線程，體現在 CPU 上就是導致頻繁的上下文切換，同時線程過多也會消耗內存，線程總數大小和應用本身和機器配置相關;
2)線程的狀態是否異常。觀察 WAITING/BLOCKED 線程是否過多(線程數設置過多或鎖競爭劇烈)，結合應用內部鎖使用的情況綜合分析;
3)結合 CPU 利用率，觀察是否存在大量消耗 CPU 的線程。
3.2 內存&&堆
和內存相關的指標主要有以下幾個，常用的分析工具有：top、free、vmstat、pidstat 以及 JDK 自帶的一些工具。
- 系統內存的使用情況，包括剩餘內存、已用內存、可用內存、緩存/緩衝區;
- 進程(含 Java 進程)的虛擬內存、常駐內存、共享內存;
- 進程的缺頁異常數，包含主缺頁異常和次缺頁異常;
- Swap 換入和換出的內存大小、Swap 參數配置;
- JVM 堆的分配，JVM 啟動參數;
- JVM 堆的回收，GC 情況。
使用 free 可以查看系統內存的使用情況和 Swap 分區的使用情況，top 工具可以具體到每個進程，如我們可以用使用 top 工具查看 Java 進程的常駐內存大小(RES)，這兩個工具結合起來，可用覆蓋大多數內存指標。下面是使用 free命令的輸出：
<code>$free -h
total used free shared buff/cache available
Mem: 125G 6.8G 54G 2.5M 64G 118G
Swap: 2.0G 305M 1.7G /<code>上述輸出各列的具體含義在這裡不在贅述，也比較容易理解。重點介紹下 swap 和 buff/cache 這兩個指標。
Swap 的作用是把一個本地文件或者一塊磁盤空間作為內存來使用，包括換出和換入兩個過程。Swap 需要讀寫磁盤，所以性能不是很高，事實上，包括 ElasticSearch 、Hadoop 在內絕大部分 Java 應用都建議關掉 Swap，這是因為內存的成本一直在降低，同時這也和 JVM 的垃圾回收過程有關：JVM在 GC 的時候會遍歷所有用到的堆的內存，如果這部分內存被 Swap 出去了，遍歷的時候就會有磁盤 I/O 產生。Swap 分區的升高一般和磁盤的使用強相關，具體分析時，需要結合緩存使用情況、swappiness 閾值以及匿名頁和文件頁的活躍情況綜合分析。
buff/cache 是緩存和緩衝區的大小。緩存(cache)：是從磁盤讀取的文件的或者向磁盤寫文件時的臨時存儲數據，面向文件。使用 cachestat 可以查看整個系統緩存的讀寫命中情況，使用 cachetop 可以觀察每個進程緩存的讀寫命中情況。緩衝區(buffer)是寫入磁盤數據或從磁盤直接讀取的數據的臨時存儲，面向塊設備。free 命令的輸出中，這兩個指標是加在一起的，使用 vmstat 命令可以區分緩存和緩衝區，還可以看到 Swap 分區換入和換出的內存大小。
瞭解到常見的內存指標後，常見的內存問題又有哪些?總結如下：
- 系統剩餘內存/可用不足(某個進程佔用太多、系統本身內存不足)，內存溢出;
- 內存回收異常：內存洩漏(進程在一段時間內內存使用持續走高)、GC 頻率異常;
- 緩存使用過大(大文件讀取或寫入)、緩存命中率不高;
- 缺頁異常過多(頻繁的 I/O 讀);
- Swap 分區使用異常(使用過大);
內存相關指標異常後，分析思路是怎麼樣的?
- 使用 free/top 查看內存的全局使用情況，如系統內存的使用、Swap 分區內存使用、緩存/緩衝區佔用情況等，初步判斷內存問題存在的方向：進程內存、緩存/緩衝區、Swap 分區;
- 觀察一段時間內存的使用趨勢。如通過 vmstat 觀察內存使用是否一直在增長;通過 jmap 定時統計對象內存分佈情況，判斷是否存在內存洩漏，通過 cachetop 命令，定位緩衝區升高的根源等;
- 根據內存問題的類型，結合應用本身，進行詳細分析。
舉例：使用 free 發現緩存/緩衝區佔用不大，排除緩存/緩衝區對內存的影響後 -> 使用 vmstat 或者 sar 觀察一下各個進程內存使用變化趨勢 -> 發現某個進程的內存時候用持續走高 -> 如果是 Java 應用，可以使用 jmap / VisualVM / heap dump 分析等工具觀察對象內存的分配，或者通過 jstat 觀察 GC 後的應用內存變化 -> 結合業務場景，定位為內存洩漏/GC參數配置不合理/業務代碼異常等。
3.3 磁盤&&文件
在分析和磁盤相關的問題時，通常是將其和文件系統同時考慮的，下面不再區分。和磁盤/文件系統相關的指標主要有以下幾個，常用的觀測工具為 iostat和 pidstat，前者適用於整個系統，後者可觀察具體進程的 I/O。
- 磁盤 I/O 利用率：是指磁盤處理 I/O 的時間百分比;
- 磁盤吞吐量：是指每秒的 I/O 請求大小，單位為 KB;
- I/O 響應時間，是指 I/O 請求從發出到收到響應的間隔，包含在隊列中的等待時間和實際處理時間;
- IOPS(Input/Output Per Second)：每秒的 I/O 請求數;
- I/O 等待隊列大小，指的是平均 I/O 隊列長度，隊列長度越短越好;
使用 iostat 的輸出界面如下：
<code>$iostat -dx Linux 3.10.0-327.ali2010.alios7.x86_64 (loginhost2.alipay.em14) 10/20/2019 _x86_64_ (32 CPU) Device: rrqm/s wrqm/s r/s w/s rkB/s wkB/s avgrq-sz avgqu-sz await r_await w_await svctm %util sda 0.01 15.49 0.05 8.21 3.10 240.49 58.92 0.04 4.38 2.39 4.39 0.09 0.07 /<code>
上圖中 %util ，即為磁盤 I/O 利用率，同 CPU 利用率一樣，這個值也可能超過 100%(存在並行 I/O);rkB/s 和 wkB/s分別表示每秒從磁盤讀取和寫入的數據量，即吞吐量，單位為 KB;磁盤 I/O處理時間的指標為 r_await 和 w_await 分別表示讀/寫請求處理完成的響應時間，svctm 表示處理 I/O 所需要的平均時間，該指標已被廢棄，無實際意義。r/s + w/s 為 IOPS 指標，分別表示每秒發送給磁盤的讀請求數和寫請求數;aqu-sz 表示等待隊列的長度。
pidstat 的輸出大部分和 iostat 類似，區別在於它可以實時查看每個進程的 I/O 情況。
如何判斷磁盤的指標出現了異常?
- 當磁盤 I/O 利用率長時間超過 80%，或者響應時間過大(對於 SSD，從 0.0x 毫秒到 1.x 毫秒不等，機械磁盤一般為5ms~10ms)，通常意味著磁盤 I/O 存在性能瓶頸;
- 如果 %util 很大，而 rkB/s 和 wkB/s 很小，一般是因為存在較多的磁盤隨機讀寫，最好把隨機讀寫優化成順序讀寫，(可以通過 strace 或者 blktrace 觀察 I/O 是否連續判斷是否是順序的讀寫行為，隨機讀寫應可關注 IOPS 指標，順序讀寫可關注吞吐量指標);
- 如果 avgqu-sz 比較大，說明有很多 I/O 請求在隊列中等待。一般來說，如果單塊磁盤的隊列長度持續超過2，一般認為該磁盤存在 I/O 性能問題。
3.4 網絡
網絡這個概念涵蓋的範圍較廣，在應用層、傳輸層、網絡層、網絡接口層都有不同的指標去衡量。這裡我們討論的「網絡」，特指應用層的網絡，通常使用的指標如下:
- 網絡帶寬：表示鏈路的最大傳輸速率;
- 網絡吞吐：表示單位時間內成功傳輸的數據量大小;
- 網絡延時：表示從網絡請求發出後直到收到遠端響應，所需要的時間;
- 網絡連接數和錯誤數;
一般來說，應用層的網絡瓶頸有如下幾類：
- 集群或機器所在的機房的網絡帶寬飽和，影響應用 QPS/TPS 的提升;
- 網絡吞吐出現異常，如接口存在大量的數據傳輸，造成帶寬佔用過高;
- 網絡連接出現異常或錯誤;
- 網絡出現分區。
帶寬和網絡吞吐這兩個指標，一般我們會關注整個應用的，通過監控系統可直接得到，如果一段時間內出現了明顯的指標上升，說明存在網絡性能瓶頸。對於單機，可以使用 sar 得到網絡接口、進程的網絡吞吐。
使用 ping 或者 hping3 可以得到是否出現網絡分區、網絡具體時延。對於應用，我們更關注整個鏈路的時延，可以通過中間件埋點後輸出的 trace 日誌得到鏈路上各個環節的時延信息。
使用 netstat、ss 和 sar 可以獲取網絡連接數或網絡錯誤數。過多網絡鏈接造成的開銷是很大的，一是會佔用文件描述符，二是會佔用緩存，因此係統可以支撐的網絡鏈接數是有限的。
3.5 工具總結
可以看到的是，在分析 CPU、內存、磁盤等的性能指標時，有幾種工具是高頻出現的，如 top、vmstat、pidstat，這裡稍微總結一下:
- CPU：top、vmstat、pidstat、sar、perf、jstack、jstat;
- 內存：top、free、vmstat、cachetop、cachestat、sar、jmap;
- 磁盤：top、iostat、vmstat、pidstat、du/df;
- 網絡：netstat、sar、dstat、tcpdump;
- 應用：profiler、dump分析。
上述的很多工具，大部分是用於查看系統層指標的，在應用層，除了有 JDK 提供的一系列工具，一些商用的產品如 gceasy.io(分析 GC 日誌)、fastthread.io(分析線程 dump 日誌)也是不錯的。
排查 Java 應用的線上異常或者分析應用代碼瓶頸，可以使用阿里開源的 Arthas ，這個工具非常強大，下面簡單介紹下。
Arthas 主要面向線上應用實時診斷，解決的是類似「線上應用異常了，需要在線進行分析和定位」的問題，當然，Arthas 提供的一些方法調用追蹤工具，對我們排查諸如「慢查詢」等問題，也是非常有幫助的。Arthas 提供的主要功能有：
- 獲取線程統計，如線程持有的鎖統計、CPU 利用率統計等;
- 類加載信息、動態類加載、方法加載信息;
- 調用棧追蹤，調用耗時統計;
- 方法調用參數、結果檢測;
- 系統配置、應用配置信息;
- 反編譯加載類;
- ....
需要注意的是，性能工具只是解決性能問題的手段，我們瞭解常用工具的一般用法即可，不要在工具學習上投入過多精力。
感謝支持！後臺私信《Linux》獲取C++/Linux後臺開發進階視頻資料。
