昨天下午突然收到運維郵件報警，顯示數據平臺服務器cpu利用率達到了98.94%，而且最近一段時間一直持續在70%以上，看起來像是硬件資源到瓶頸需要擴容了，但仔細思考就會發現咱們的業務系統并不是一個高并發或者CPU密集型的應用，這個利用率有點太夸張，硬件瓶頸應該不會這么快就到了，一定是哪里的業務代碼邏輯有問題。

[[250452]]

1、排查思路

1.1 定位高負載進程

首先登錄到服務器使用top命令確認服務器的具體情況，根據具體情況再進行分析判斷。

通過觀察load average，以及負載評判標準（8核），可以確認服務器存在負載較高的情況；

觀察各個進程資源使用情況，可以看出進程id為682的進程，有著較高的CPU占比

1.2 定位具體的異常業務

這里咱們可以使用 pwdx 命令根據 pid 找到業務進程路徑，進而定位到負責人和項目：

可得出結論：該進程對應的就是數據平臺的web服務。

1.3 定位異常線程及具體代碼行

傳統的方案一般是4步：

1. top oder by with P：1040 // 首先按進程負載排序找到 maxLoad(pid)
2. top -Hp 進程PID：1073 // 找到相關負載 線程PID
3. printf “0x%x ”線程PID： 0x431 // 將線程PID轉換為 16進制，為后面查找 jstack 日志做準備
4. jstack 進程PID | vim +/十六進制線程PID - // 例如：jstack 1040|vim +/0x431 -

但是對于線上問題定位來說，分秒必爭，上面的 4 步還是太繁瑣耗時了，之前介紹過淘寶的oldratlee 同學就將上面的流程封裝為了一個工具：show-busy-java-threads.sh，可以很方便的定位線上的這類問題：

可得出結論：是系統中一個時間工具類方法的執行cpu占比較高，定位到具體方法后，查看代碼邏輯是否存在性能問題。

※ 如果線上問題比較緊急，可以省略 2.1、2.2 直接執行 2.3，這里從多角度剖析只是為了給大家呈現一個完整的分析思路。

2、根因分析

經過前面的分析與排查，最終定位到一個時間工具類的問題，造成了服務器負載以及cpu使用率的過高。

• 異常方法邏輯：是把時間戳轉成對應的具體的日期時間格式；
• 上層調用：計算當天凌晨至當前時間所有秒數，轉化成對應的格式放入到set中返回結果；
• 邏輯層：對應的是數據平臺實時報表的查詢邏輯，實時報表會按照固定的時間間隔來，并且在一次查詢中有多次（n次）方法調用。

那么可以得到結論，如果現在時間是當天上午10點，一次查詢的計算次數就是 10*60*60*n次=36,000*n次計算，而且隨著時間增長，越接近午夜單次查詢次數會線性增加。由于實時查詢、實時報警等模塊大量的查詢請求都需要多次調用該方法，導致了大量CPU資源的占用與浪費。

3、解決方案

定位到問題之后，首先考慮是要減少計算次數，優化異常方法。排查后發現，在邏輯層使用時，并沒有使用該方法返回的set集合中的內容，而是簡單的用set的size數值。確認邏輯后，通過新方法簡化計算（當前秒數-當天凌晨的秒數），替換調用的方法，解決計算過多的問題。上線后觀察服務器負載和cpu使用率，對比異常時間段下降了30倍，恢復至正常狀態，至此該問題得已解決。

4、總結

• 在編碼的過程中，除了要實現業務的邏輯，也要注重代碼性能的優化。一個業務需求，能實現，和能實現的更高效、更優雅其實是兩種截然不同的工程師能力和境界的體現，而后者也是工程師的核心競爭力。
• 在代碼編寫完成之后，多做 review，多思考是不是可以用更好的方式來實現。
• 線上問題不放過任何一個小細節！細節是魔鬼，技術的同學需要有刨根問題的求知欲和追求卓越的精神，只有這樣，才能不斷的成長和提升。