程序员肖邦的博客 享受编程和技术所带来的快乐

深入理解Linux的平均负载

2018-11-24
肖邦

在 Linux 系统中,系统负载可以通过 top 或 uptime 等命令都可以查看到,我们经常都会使用到它,uptime 返回的是系统单位时间的平均负载,但是我觉着大部分人还不能够真正的理解 Linux 的平均负载,文章中总结如何深入理解 Linux 的“平均负载”。

使用 uptime 查看负载

通常每次系统变慢时,我们都会使用 top 或 uptime 来查看系统的负载情况,输出如下信息:

$ uptime
  22:06:46 up 1096 days,  9:04,  1 user,  load average: 0.08, 0.12, 0.13
  • 22:06:46:系统当前时间
  • up 1096 days, 9:04:系统运行时间
  • 1 user:当前登录用户数量
  • load average: 0.08, 0.12, 0.13:系统过去 1 分钟、5 分钟、15 分钟的平均负载

平均负载的真正含义

uptime 列出的内容,前边都很容易理解,而对于 load average 你真的理解其中的含义么。平均负载我们在工作中总会看到,总会用到,但是貌似也说不明白到底什么是平均负载。本文来学习和总结一下,如何理解这个最常见、最重要的系统指标。

  • 平均负载

简单来说,平均负载是指单位时间内,系统处于可运行状态和不可中断状态的平均进程数,也就是平均活跃进程数,它和 CPU 使用率并没有直接关系。

  • 可运行状态的进程

所谓可运行状态的进程,是指正在使用 CPU 或者正在等待 CPU 的进程,也就是我们常用 ps 命令看到的,处于 R 状态(Running 或 Runnable)的进程。

  • 不可中断状态的进程

不可中断状态的进程是正处于内核态关键流程中的进程,且这些流程是不可打断的,比如常见的是等待硬件设备的 IO 响应,也就是我们在 ps 命令中看到的 D 状态的进程。比如当一个进程向磁盘读写数据时,为了保证数据的一致性,在得到磁盘回复前,它是不能被其他进程中断打断的,这时进程就处于不可中断状态。所以,不可中断状态实际上是系统对进程和硬件设备的一种保护机制。

所以我们可以简单理解为,平均负载其实就是平均活跃进程数,平均活跃进程数,直观上的理解就是单位时间内的活跃进程数,但它实际上是活跃进程数的指数衰减平均值(暂不用深究这个概念)。那么最理想的,就是每个 CPU 上都刚好运行着一个进程,这样每个 CPU 都得到了充分利用,比如当平均负载为 2 时,意味着什么呢?

  • 在只有 2 个 CPU 的系统上,意味着所有的 CPU 都刚好被完全占用
  • 在 4 个 CPU 的系统上,意味着 CPU 有 50% 的空闲
  • 在只有 1 个 CPU 的系统中,则意味着有一半的进程竞争不到 CPU。

平均负载为多少时合理

理解了平均负载的含义,那么三个时间段的平均负载多大时能说明系统负载高?多小时说明系统负载很低呢?我们知道,平均负载最理想的情况是等于 CPU 个数,所以在评判平均负载时,首先要知道系统有几个 CPU,可以通过 /proc/cpuinfo 来读取,比如:

$ cat /proc/cpuinfo | grep "processor" | wc -l
  2

有了 CPU 个数,我们就可以判断出当平均负载比 CPU 个数还大的时候,系统已经出现了过载。不过平均负载有三个数值,到底该参考哪一个呢?

实际上这三个值都需要看,三个不同时间间隔的平均值,其实给我们提供了,分析系统负载趋势的数据来源,让我们能更全面、更立体地理解目前的负载状况。

  • 如果 1 分钟、5 分钟、15 分钟的三个值基本相同,或者相差不大,那说明系统负载很平稳。
  • 如果 1 分钟的值远小于 15 分钟的值,就说明系统最近 1 分钟的负载在减少,而过去 15 分钟内却有很大的负载。
  • 如果 1 分钟的值远大于 15 分钟的值,就说明最近 1 分钟的负载在增加,这种增加有可能只是临时性的,也有可能还会持续增加下去,所以需要持续观察。一旦 1 分钟的平均负载超过了 CPU 的个数,就意味着系统正在发生过载的问题,这时就得分析并优化了。

在实际生产环境中,当平均负载高于 CPU 数量 70% 的时候,我们应该分析排查负载高的问题了,一旦负载过高,就可能导致进程响应变慢,进而影响服务的正常功能。70% 这个数字不是绝对的,最好是把系统的平均负载监控起来,根据历史数据,判断负载的变化趋势,当发现负载有明显升高趋势时,再去做分析和调查。

平均负载与 CPU 使用率的关系

我们经常容易把平均负载和 CPU 使用率混淆,你可能会疑惑,既然平均负载代表的是活跃进程数,那平均负载高了,不就意味着 CPU 使用率高吗?

我们还要回到平均负载的含义上,平均负载是指单位时间内处于可运行状态和不可中断状态的进程数。所以它不仅包括了正在使用 CPU 的进程,还包括等待 CPU 和等待 IO 的进程。而 CPU 使用率,是单位时间内 CPU 繁忙情况的统计,跟平均负载并不一定完全对应,比如:

  • CPU 密集型进程,使用大量 CPU 会导致平均负载升高,此时这两者是一致的。
  • IO 密集型进程,等待 IO 也会导致平均负载升高,但 CPU 使用率不一定很高。
  • 大量等待 CPU 的进程调度也会导致平均负载升高,此时的 CPU 使用率也会比较高。

平均负载案例分析

  • 预先安装 stress 和 sysstat 包
    $ yum install stress sysstat
    
  • stress 是一个 Linux 系统压力测试工具,我们用作异常进程模拟平均负载升高的场景。
  • sysstat 包含了常用的 Linux 性能工具,包括:iostat、pidstat、mpstat、sar 等,用来监控和分析系统的性能。
  • mpstat 是一个常用的多核 CPU 性能分析工具,用来实时查看每个 CPU 的性能指标,以及所有 CPU 的平均指标。
  • pidstat 是一个常用的进程性能分析工具,用来实时查看进程的 CPU、内存、IO 以及上下文切换等性能指标。

先观察下当前服务器的平均负载情况:

$ uptime
  18:35:21 up 14 days,  2:45,  7 users,  load average: 0.00, 0.01, 0.05
  • 场景一:CPU 密集型进程

首先,我们在第一个终端运行 stress 命令,模拟一个 CPU 使用率 100% 的场景:

$ stress --cpu 1 --timeout 600

接着,在第二个终端运行 uptime 查看平均负载的变化情况:

$ watch -d uptime
  18:42:21 up 14 days,  2:52,  7 users,  load average: 1.01, 0.71, 0.31

最后,在第三个终端运行 mpstat 查看 CPU 使用率的变化情况:

$ 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   49.95
13:30:11     0    0.00   0.00    0.00    0.00    0.00    0.00    0.00    0.00    0.00  100.00
13:30:11     1  100.00   0.00    0.00    0.00    0.00    0.00    0.00    0.00    0.00    0.00

从终端二可以看到,1 分钟平均负载慢慢增加到 1.00,而从终端三中正好有一个 CPU 使用率为 100%,但它的 iowait 只有 0,说明平均负载的升高是由于 CPU 使用率为 100%。那么到底是哪个进程导致了 CPU 使用率为 100% 呢?可以使用 pidstat 来查询:

$ pidstat -u 5 1
13:37:07      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

明显看到 stress 进程的 CPU 使用率为 100%。

  • 场景二:IO 密集型进程

首先,运行 stress 命令,这次模拟 IO 压力,即不停地执行 sync:

$ stress -i 1 --timeout 600

还是在第二个终端运行 uptime 查看平均负载的变化情况:

$ watch -d uptime
  ..., load average: 1.06, 0.58, 0.37

然后,第三个终端运行 mpstat 查看 CPU 使用率的变化情况:

$ 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   54.84
13:41:33       0    0.43    0.00   23.87   67.53    0.00    0.43    0.00    0.00    0.00    7.74
13:41:33       1    0.00    0.00    0.81    0.20    0.00    0.00    0.00    0.00    0.00   98.99

从这里可以看出,1 分钟的平均负载增加到 1.06,其中一个 CPU 的系统 CPU 使用率升高到 23.87,而 iowait 高达 67.53%,说明平均负载升高是由于 iowait 的升高。

$ 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

可以发现,还是 stress 进程导致的。

  • 场景三:大量进程的场景

当系统中运行进程超出 CPU 运行能力时,就会出现等待 CPU 的进程。使用 stress 模拟 8 个进程:

$ stress -c 8 --timeout 600

由于系统只有 2 个 CPU,明显比 8 个进程要少得多,因而系统的 CPU 处于严重过载状态,平均负载高达 7.97:

$ uptime
...,  load average: 7.97, 5.93, 3.02

接着再运行 pidstat 来看一下进程的情况:

$ pidstat -u 5 1
14:23:25      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 个进程在争抢 2 个 CPU,每个进程等待 CPU 的时间(也就是 %wait 列)高达 75%。这些超出 CPU 计算能力的进程,最终导致 CPU 过载。

小结

平均负载提供了一个快速查看系统整体性能的手段,反映了整体的负载情况。但只看平均负载本身,我们并不能直接发现,到底是哪里出现了瓶颈。在理解平均负载时,也要注意:

  • 平均负载高有可能是 CPU 密集型进程导致的;
  • 平均负载高并不一定代表 CPU 使用率高,还有可能是 IO 更繁忙了;
  • 当发现负载高的时候,你可以使用 mpstat、pidstat 等工具,辅助分析负载的来源。

Comments

Content