IT服務器運維：什么是負載？如何查看服務器的機器負載情況？

2020-03-30 17:03 作者：艾銻無限 瀏覽量：

“中國策”，為全球戰“疫”開出藥方

IT服務器運維：什么是負載？如何查看服務器的機器負載情況？

平常的工作中，在衡量服務器的性能時，經常會涉及到幾個指標，load、cpu、mem、qps、rt等。每個指標都有其獨特的意義，很多時候在線上出現問題時，往往會伴隨著某些指標的異常。大部分情況下，在問題發生之前，某些指標就會提前有異常顯示。
對于這些指標的理解和查看、異常解決等，是程序員們重要的必備技能。本文，主要來介紹一下一個比較重要的指標——機器負載（Load），主要涉及負載的定義、查看負載方式、負載飆高排查思路等。

什么是負載

負載（load）是linux機器的一個重要指標，直觀了反應了機器當前的狀態。
來看下負載的定義是怎樣的：
In UNIX compuTIng， the system load is a measure of the amount of computaTIonal work that a computer system performs. The load average represents the average system load over a period of TIme. It convenTIonally appears in the form of three numbers which represent the system load during the last one-， five-， and fifteen-minute periods.（wikipedia）
簡單解釋一下：在UNIX系統中，系統負載是對當前CPU工作量的度量，被定義為特定時間間隔內運行隊列中的平均線程數。load average 表示機器一段時間內的平均load。這個值越低越好。負載過高會導致機器無法處理其他請求及操作，甚至導致死機。
Linux的負載高，主要是由于CPU使用、內存使用、IO消耗三部分構成。任意一項使用過多，都將導致服務器負載的急劇攀升。

查看機器負載

在Linux機器上，有多個命令都可以查看機器的負載信息。其中包括uptime、top、w等。
uptime命令
uptime命令能夠打印系統總共運行了多長時間和系統的平均負載。uptime命令可以顯示的信息顯示依次為：現在時間、系統已經運行了多長時間、目前有多少登陸用戶、系統在過去的1分鐘、5分鐘和15分鐘內的平均負載。 這行信息的后半部分，顯示“load average”，它的意思是“系統的平均負荷”，里面有三個數字，我們可以從中判斷系統負荷是大還是小。
1.74 1.87 1.97 這三個數字的意思分別是1分鐘、5分鐘、15分鐘內系統的平均負荷。我們一般表示為load1、load5、load15。
w命令
w命令的主要功能其實是顯示目前登入系統的用戶信息。但是與who不同的是，w命令功能更加強大，w命令還可以顯示：當前時間，系統啟動到現在的時間，登錄用戶的數目，系統在最近1分鐘、5分鐘和15分鐘的平均負載。然后是每個用戶的各項數據，項目顯示順序如下：登錄帳號、終端名稱、遠 程主機名、登錄時間、空閑時間、JCPU、PCPU、當前正在運行進程的命令行。 從上面的w命令的結果可以看到，當前系統時間是14:08，系統啟動到現在經歷了23小時41分鐘，共有3個用戶登錄。系統在近1分鐘、5分鐘和15分鐘的平均負載分別是1.74 1.87 1.97。這和uptime得到的結果相同。 下面還打印了一些登錄的用戶的各項數據，不詳細介紹了。
top命令
top命令是Linux下常用的性能分析工具，能夠實時顯示系統中各個進程的資源占用狀況，類似于Windows的任務管理器。 上面的輸出結果中，Load Avg： 1.74， 1.87， 1.97顯示的就是負載信息。

機器正常負載范圍

對于機器的Load到底多少算正常的問題，一直都是很有爭議的，不同人有著不同的理解。對于單個CPU，有人認為如果Load超過0.7就算是超出正常范圍了。也有人認為只要不超過1都沒問題。也有人認為，單個CPU的負載在2以下都可以接受。
為什么會有這么多不同的理解呢，是因為不同的機器除了CPU影響之外還有其他因素的影響，運行的程序、機器內存、甚至是機房溫度等都有可能有區別。
比如，有些機器用于定時執行大量的跑批任務，這個時間段內，Load可能會飆的比較高。而其他時間可能會比較低。那么這段飆高時間我們要不要去排查問題呢？
我的建議是，最好根據自己機器的實際情況，建立一個指標的基線（如近一個月的平均值），只要日常的load在基線上下范圍內不太大都可以接收，如果差距太多可能就要人為介入檢查了。
但是，總要有個建議的閾值吧，關于這個值。阮一峰在自己的博客中有過以下建議：
當系統負荷持續大于0.7，你必須開始調查了，問題出在哪里，防止情況惡化。
當系統負荷持續大于1.0，你必須動手尋找解決辦法，把這個值降下來。
當系統負荷達到5.0，就表明你的系統有很嚴重的問題，長時間沒有響應，或者接近死機了。你不應該讓系統達到這個值。
以上指標都是基于單CPU的，但是現在很多電腦都是多核的。所以，對一般的系統來說，是根據cpu數量去判斷系統是否已經過載（Over Load）的。如果我們認為0.7算是單核機器負載的安全線的話，那么四核機器的負載最好保持在3（4*0.7 = 2.8）以下。
還有一點需要提一下，在Load Avg的指標中，有三個值，1分鐘系統負荷、5分鐘系統負荷，15分鐘系統負荷。我們在排查問題的時候也是可以參考這三個值的。
一般情況下，1分鐘系統負荷表示最近的暫時現象。15分鐘系統負荷表示是持續現象，并非暫時問題。如果load15較高，而load1較低，可以認為情況有所好轉。反之，情況可能在惡化。

如何降低負載

導致負載高的原因可能很復雜，有可能是硬件問題也可能是軟件問題。
如果是硬件問題，那么說明機器性能確實就不行了，那么解決起來很簡單，直接換機器就可以了。
前面我們提過，CPU使用、內存使用、IO消耗都可能導致負載高。如果是軟件問題，有可能由于Java中的某些線程被長時間占用、大量內存持續占用等導致。建議從以下幾個方面排查代碼問題：
1、是否有內存泄露導致頻繁GC
2、是否有死鎖發生
3、是否有大字段的讀寫
4、會不會是數據庫操作導致的，排查SQL語句問題。
這里還有個建議，如果發現線上機器Load飆高，可以考慮先把堆棧內存dump下來后，進行重啟，暫時解決問題，然后再考慮回滾和排查問題。
Java Web應用Load飆高排查思路 發現PID為1893的進程占用CPU 181%。而且是一個Java進程，基本斷定是軟件問題。
3、使用 top命令，查看具體是哪個線程占用率較高 5、使用jstack命令查看當前線程正在執行的方法。（Java命令學習系列（二）——Jstack） 從上面的線程的棧日志中，可以發現，當前占用CPU較高的線程正在執行我代碼的com.hollis.test.util.BeanValidator.validate（BeanValidator.java:30） 類。那么就可以去排查這個類是否用法有問題了。
6、還可以使用jstat（Java命令學習系列（四）——jstat）來查看GC情況，看看是否有頻繁FGC，然后再使用jmap（Java命令學習系列（三）——Jmap）來dump內存，查看是否存在內存泄露。