# 12 | 打开首页之二：如何平衡利用硬件资源？ 你好，我是高楼。 针对打开首页接口的性能问题，我们在上节课中确定了是Gateway在消耗响应时间，达到了近100毫秒。于是，我们开始定位Gateway上的响应时间消耗。 在第一阶段的时候，我们关注了应用所在的主机，同时还了解到，宿主机总共有四台机器；在第二阶段，我们查看了物理机的CPU模式。并尝试通过修改CPU运行模式来优化性能。可是，问题仍然没有解决，TPS没见提升，响应时间依旧很长。 今天这节课，我们进入第三阶段，继续分析其他的瓶颈点，比如wa cpu、资源均衡使用、网络带宽等问题。其中，**在性能的分析逻辑里，资源均衡使用是一个非常容易被忽略，但又极为重要的方面。**我们通常都盯着计数器给出的数值有什么异常，而不是考虑资源怎么做相应的调配。 在我们这个案例中，系统是用k8s来管理资源的，所以我们必须要关注资源的均衡使用，避免出现有些服务性能很差，却和性能好的服务分配同样资源的情况。另外，网络资源在k8s中会跨越好几层，我们也要着重关注一下。 在学习这节课时，我建议你多思考下资源的均衡使用问题。现在，我们就开始今天的课程。 ## 定位gateway上的响应时间消耗 ### 第三阶段：NFS服务器的wa cpu偏高 根据分析的逻辑，我们仍然是先看全局监控数据，思路依旧是“全局-定向”，这是我一贯的顺序了。 因此，我们现在再来查一下全局监控计数器，得到下面这样的视图： ``` [root@lenvo-nfs-server ~]# top top - 00:12:28 up 32 days, 4:22, 3 users, load average: 9.89, 7.87, 4.71 Tasks: 217 total, 1 running, 216 sleeping, 0 stopped, 0 zombie %Cpu0 : 0.0 us, 4.0 sy, 0.0 ni, 34.8 id, 61.2 wa, 0.0 hi, 0.0 si, 0.0 st %Cpu1 : 0.0 us, 4.7 sy, 0.0 ni, 27.8 id, 67.6 wa, 0.0 hi, 0.0 si, 0.0 st %Cpu2 : 0.0 us, 6.1 sy, 0.0 ni, 0.0 id, 93.9 wa, 0.0 hi, 0.0 si, 0.0 st %Cpu3 : 0.0 us, 7.6 sy, 0.0 ni, 3.4 id, 82.8 wa, 0.0 hi, 6.2 si, 0.0 st KiB Mem : 3589572 total, 82288 free, 775472 used, 2731812 buff/cache KiB Swap: 8388604 total, 8036400 free, 352204 used. 2282192 avail Mem ``` 可以看到，计数器wa的CPU使用率偏高，其中Cpu2的wa已经达到90%以上。我们知道，wa cpu是指CPU在读写的时候，所产生的IO等待时间占CPU时间的百分比。那么，它现在竟然这么高，是因为写操作有很多吗？ 这时候我们就要关注下IO的状态了，因为IO慢绝对是一个性能问题。通过iostat命令，我们看到IO状态如下： ``` [root@lenvo-nfs-server ~]# iostat -x -d 1 Linux 3.10.0-693.el7.x86_64 (lenvo-nfs-server) 2020年12月26日 _x86_64_ (4 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 0.00 0.00 94.00 39.00 13444.00 19968.00 502.44 108.43 410.80 52.00 1275.59 7.52 100.00 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 0.00 18.00 137.00 173.00 17712.00 43056.00 392.05 129.46 601.10 38.80 1046.38 3.74 115.90 .................. ``` 你可以看到，IO使用率达到了100%，说明IO的过程实在是太慢了。 接下来，我们再查查Block Size是多少，算一下当前IO到底是随机读写还是顺序读写。虽然大部分操作系统都默认Block Size是4096，但是，本着不出小错的原则，我们还是查一下比较放心。 我们先确定磁盘的格式是什么： ``` [root@lenvo-nfs-server ~]# cat /proc/mounts ................... /dev/sda5 / xfs rw,relatime,attr2,inode64,noquota 0 0 ................... [root@lenvo-nfs-server ~]# ``` 通过上述命令可以知道，这个磁盘是XFS格式。那我们就用下面这个命令来查看Block Size： ``` [root@lenvo-nfs-server ~]# xfs_info /dev/sda5 meta-data=/dev/sda5 isize=512 agcount=4, agsize=18991936 blks = sectsz=512 attr=2, projid32bit=1 = crc=1 finobt=0 spinodes=0 data = bsize=4096 blocks=75967744, imaxpct=25 = sunit=0 swidth=0 blks naming =version 2 bsize=4096 ascii-ci=0 ftype=1 log =internal bsize=4096 blocks=37093, version=2 = sectsz=512 sunit=0 blks, lazy-count=1 realtime =none extsz=4096 blocks=0, rtextents=0 [root@lenvo-nfs-server ~]# ``` 结果显示，Block Size是4096。同时，我们也可以看到读写基本上都是顺序的，不是随机。 那我们就来计算一条数据，确认一下顺序写的能力。如果全部是随机写，那么： $次数=（43056\\times 1024）\\div 4096=10,764次$ 但是，实际上写只有173次，所以确实是顺序写了。 问题又来了，一次写多少个Block呢？ $（43056\\times1024）\\div173\\div4096\\approx 62个$ 我们得出，一次写62个Block。从这样的数据来看，说明顺序写的能力还是不错的。因为对普通磁盘来说，应用在读写的时候，如果是随机写多，那写的速度就会明显比较慢；如果顺序写多，那么写的速度就可以快起来。 你发现了吗？虽然当前磁盘的顺序写能力不错，但是等待的时间也明显比较多。所以，接下来，我们得查一下是什么程序写的。这里我们用iotop命令查看： ``` Total DISK READ : 20.30 M/s | Total DISK WRITE : 24.95 M/s Actual DISK READ: 20.30 M/s | Actual DISK WRITE: 8.27 M/s TID PRIO USER DISK READ DISK WRITE SWAPIN IO> COMMAND 12180 be/4 root 2.39 M/s 16.01 M/s 0.00 % 35.94 % [nfsd] 12176 be/4 root 3.20 M/s 0.00 B/s 0.00 % 32.25 % [nfsd] 12179 be/4 root 3.03 M/s 6.43 M/s 0.00 % 32.23 % [nfsd] 12177 be/4 root 2.44 M/s 625.49 K/s 0.00 % 31.64 % [nfsd] 12178 be/4 root 2.34 M/s 1473.47 K/s 0.00 % 30.43 % [nfsd] 12174 be/4 root 2.14 M/s 72.84 K/s 0.00 % 29.90 % [nfsd] 12173 be/4 root 2.91 M/s 121.93 K/s 0.00 % 24.95 % [nfsd] 12175 be/4 root 1894.69 K/s 27.71 K/s 0.00 % 24.94 % [nfsd] ............... ``` 可以看到，IO都是NFS写过来的。那NFS的流量又是从哪里来的呢？从下面的数据来看，这些流量是从各个挂载了NFS盘的机器写过来的，这是我们一开始部署应用的时候，考虑统一使用NFS来做IO的思路。因为这个机器挂载了一个大容量的磁盘，为了保证磁盘够用，就把多个主机挂载了NFS盘。 ``` 191Mb 381Mb 572Mb 763Mb 954Mb mqqqqqqqqqqqqqqqqqqqvqqqqqqqqqqqqqqqqqqqvqqqqqqqqqqqqqqqqqqqvqqqqqqqqqqqqqqqqqqqvqqqqqqqqqqqqqqqqqqq 172.16.106.119:nfs => 172.16.106.130:multiling-http 1.64Mb 2.04Mb 3.06Mb <= 26.2Mb 14.5Mb 19.8Mb 172.16.106.119:nfs => 172.16.106.100:apex-mesh 1.43Mb 2.18Mb 3.79Mb <= 25.5Mb 14.2Mb 14.4Mb 172.16.106.119:nfs => 172.16.106.195:vatp 356Kb 1.27Mb 1.35Mb <= 9.71Mb 7.04Mb 7.41Mb 172.16.106.119:nfs => 172.16.106.56:815 7.83Kb 4.97Kb 4.81Kb <= 302Kb 314Kb 186Kb 172.16.106.119:nfs => 172.16.106.79:device 11.0Kb 7.45Kb 7.57Kb <= 12.4Kb 22.0Kb 28.5Kb 172.16.106.119:ssh => 172.16.100.201:cnrprotocol 2.86Kb 2.87Kb 5.81Kb <= 184b 184b 525b 169.254.3.2:60010 => 225.4.0.2:59004 2.25Kb 2.40Kb 2.34Kb <= 0b 0b 0b 169.254.6.2:60172 => 225.4.0.2:59004 2.25Kb 2.40Kb 2.34Kb <= 0b 0b 0b 172.16.106.119:nfs => 172.16.106.149:986 0b 1.03Kb 976b <= 0b 1.26Kb 1.11Kb qqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqqq TX: cum: 37.0MB peak: 31.9Mb rates: 3.44Mb 5.50Mb 8.22Mb RX: 188MB 106Mb 61.8Mb 36.2Mb 41.8Mb TOTAL: 225MB 111Mb 65.2Mb 41.7Mb 50.1Mb ``` 我们在Total DISK WRITE和Total DISK READ 中可以看到，读写能力才达到 20M。没办法，既然wa这个机器的能力不怎么好，那就只有放弃统一写的思路。不过，为了不让机器的IO能力差成为应用的瓶颈点，我们还是再尝试一下这两个动作： * 第一，把MySQL的数据文件移走； * 第二，把Log移走。 接着我们执行场景，希望结果能好。 可是，在我查看了TPS和RT曲线后，很遗憾地发现，结果并没有改善。TPS依然很低并且动荡非常大： ![](https://static001.geekbang.org/resource/image/db/b3/dba0181c5de1efcec5108e01cd87bbb3.png) 看来我们的努力并没有什么效果，悲剧！就这样，命运让我们不得不来到第四个阶段。 ### 第四阶段：硬件资源耗尽，但TPS仍然很低 这个阶段我们查什么呢？仍然是全局监控的数据。我们来看一下所有主机的Overview资源： ![](https://static001.geekbang.org/resource/image/20/c9/206a269a9c10f063f8443f1c01cbb1c9.png) 从上图中可以看到，虚拟机k8s-worker-8的CPU使用率已经很高了，达到了95.95%。那我们就登录到这台虚拟机上，看看更详细的全局监控数据： ![](https://static001.geekbang.org/resource/image/83/6b/832e0138e97ba668d8d0b45bcde9ac6b.png) 因为CPU不超分了，所以我们可以很明显地看到，k8s-worker-8中的CPU被耗尽。从进程上来看，CPU是被我们当前正在测试的接口服务消耗的。并且在这台虚拟机上，不止有Portal这一个进程，还有很多其他的服务。 那我们就把Portal服务调度到一个不忙的worker上去，比如移到worker-3（6C16G）上: ![](https://static001.geekbang.org/resource/image/a5/62/a5143ba93ce9c3408e55d895ebd66e62.png) 得到如下结果： ![](https://static001.geekbang.org/resource/image/ca/38/ca170482d341132a44ebce12byy99238.png) 我们看到，TPS已经有所上升了，达到了近300，性能确实变好了一些。但是，这个数据还不如我们一开始不优化的结果，毕竟一开始还能达到300TPS呢。那我们就接着分析当前的瓶颈在哪里。 我们先来看一下主机的性能数据： ![](https://static001.geekbang.org/resource/image/3d/01/3d41ef530a6a40c23a35ab1819ca6701.png) 其中，worker-8的CPU使用率达到了90.12%。为什么这个CPU还是如此之高呢？我们继续来top一下，看看worker-8的性能数据： ![](https://static001.geekbang.org/resource/image/34/d8/34156e85f0724e47b23fcb9a1fcf93d8.png) 你看，在process table中，排在最上面的是Gateway服务，说明是Gateway进程消耗的CPU最多。既然如此，我们自然要看看这个进程中的线程是不是都在干活。 ![](https://static001.geekbang.org/resource/image/93/17/932490a19dda4bc2f562030e3f393417.png) 我们看到上图中全是绿色的，也就是说Gateway中的线程一直处于Runnable状态，看来工作线程确实挺忙的了。而在前面的worker-8性能数据中，si cpu已经达到了16%左右。所以结合这一点，我们来看一下实时的软中断数据： ![](https://static001.geekbang.org/resource/image/ab/30/abd026dd456e01d21a81b520f99ae430.png) 可以看到网络软中断一直在往上跳，这说明确实是网络软中断导致si cpu变高的。网络软中断的变化是我们根据证据链找下来的。证据链如下： ![](https://static001.geekbang.org/resource/image/c3/03/c37f2f51cfe057f3f071be1d14079703.jpg) 我们再看一下网络带宽有多大： ![](https://static001.geekbang.org/resource/image/eb/0f/eb6d22ae621874c387130a3d8144550f.png) 可以看到，网络带宽倒是不大。 从上述Gateway的工作线程、软中断数据和网络带宽情况来看，Gateway只负责转发，并没有什么业务逻辑，也没有什么限制。所以，针对TPS上不去的原因，似乎除了网络转发能力比较差之外，我们再找不到其他解释了。 这个思路其实是需要一些背景知识的，因为我们通常用网络带宽来判断网络是不是够用，但是这是不够的。你要知道，在网络中当小包过多的时候，网络带宽是难以达到线性流量的。所以，我们这里的网络带宽即便不会很高，也会导致网络软中断的增加和队列的出现。 既然如此，那我们就把这个Gateway也从worker-8移到worker-2（6C16G）上去，做这一步是为了减少网络软中断的争用。我们再看一下集群的整体性能： ![](https://static001.geekbang.org/resource/image/0f/f2/0f62326941b30e6d88f89f00f4da1ff2.png) 看起来不错哦，worker-8 的 CPU 使用率降到了 56.65%，同时worker-3 的 CPU 使用率升到了 70.78%。不过网络带宽有几个地方变红了，这个我们后面再分析。至少我们从这里看到，压力是起来了。 我们回来看一下压力的情况： ![](https://static001.geekbang.org/resource/image/98/82/98d7f4b019633ce9593e5bce84f1d182.png) TPS已经达到1000左右了！棒棒的，有没有！我们画一个TPS对比图庆祝一下： ![](https://static001.geekbang.org/resource/image/fa/20/fae84b95ea49bbc4f43a2af83bb05f20.jpg) 其实到这里，打开首页这个接口的基准场景就可以结束了，因为我们已经优化到了比需求还要高的程度。只是从技术角度来说，一个系统优化到最后是会有上限的，所以，我们仍然需要知道这个上限在哪里。 ### 第五阶段：硬件资源还是要用完 现在压力把worker-3的CPU资源用得最高，用到了70.78%。那么，下面我们就要把这个机器的硬件资源给用完，因为只有将资源都用尽，我们才能判断系统容量的最上限。这也就是我一直强调的，要将**性能优化分为两个阶段：一是把资源用起来；二是把容量调上去。**就算不是CPU资源，把其他的资源用完也可以。 既然这时候压力已经把worker-3的CPU资源用到了70.78%，那我们就到这个应用中看一下线程把CPU用得怎么样。 ![](https://static001.geekbang.org/resource/image/e1/a5/e1343ee1e86979dd7008cfbaf9db1da5.png) 你看，这里面的线程确实都忙起来了。 既然如此，那我们把Tomcat和JDBC连接的最大值都改到80，再来看一下TPS的表现（请你注意，这里只是一个尝试，所以改大即可，并没有什么道理。在后续的测试过程中，我们还要根据实际情况来做调整，就是不能让线程太大，也不能不够用）。 为了让压力能直接压到一个节点上，我们跳过Ingress，用分段的测法直接把压力发到服务上。然后，我们去Pod里设置一个node port把服务代理出来，再修改一下压力脚本。得到结果如下： ![](https://static001.geekbang.org/resource/image/74/cd/74ac70cc7f3ab33ec90c63fd860d27cd.png) TPS还是抖动大。那我们接着看全局监控： ![](https://static001.geekbang.org/resource/image/69/41/6978eefe6bd9acd46c836c46c54f3141.png) 看上图就可以知道，有几个主机的带宽都飘红了，而其他的资源使用率并没有特别高。前面我们有说过，分析网络问题，不应该只看网络带宽，还要分析其他的内容，下面我们就得分析一下网络带宽。 我们到监控工具中看一下网络的流量，你可以看到确实有一些非被测应用在占用带宽，并且占得还不小： ![](https://static001.geekbang.org/resource/image/b0/f6/b04997c487a298bc5eb54a3cc8c7ebf6.png) 我们再看总体带宽，发现已经用了4G多： ![](https://static001.geekbang.org/resource/image/5f/e3/5f21e2761a71550b572145b785e79ee3.png) 为了弄清楚那些与被测系统无关的应用，会对带宽消耗产生影响进而影响TPS，我们现在先把影响带宽的应用都删除了，比如Weave Scope、Monitoring的监控工具等，从列表中来看这些应用占了不小的带宽。 然后我们再次测试，发现TPS有所上升，关键是稳定了很多： ![](https://static001.geekbang.org/resource/image/e5/1f/e55f8dcf308c762226d68a450789a51f.png) 我们可以看到，TPS已经上升到了1200左右，可见带宽对TPS还是造成了不小的影响。 接着，我们查一下网络的队列，发现应用所在的服务器上面已经出现了不小的 Recv\_Q。 ``` Proto Recv-Q Send-Q Local Address Foreign Address State PID/Program name Timer tcp 759 0 10.100.69.229:8085 10.100.140.32:35444 ESTABLISHED 1/java off (0.00/0/0) tcp 832 0 10.100.69.229:34982 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4871.85/0/0) tcp 1056 0 10.100.69.229:34766 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4789.93/0/0) tcp 832 0 10.100.69.229:35014 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4888.23/0/0) tcp 3408 0 10.100.69.229:34912 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4855.46/0/0) tcp 3408 0 10.100.69.229:35386 10.96.224.111:3306 ESTABLISHED 1/java keepalive (5019.30/0/0) tcp 3392 0 10.100.69.229:33878 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4495.01/0/0) tcp 560 0 10.100.69.229:35048 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4888.23/0/0) tcp 1664 0 10.100.69.229:34938 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4855.46/0/0) tcp 759 0 10.100.69.229:8085 10.100.140.32:35500 ESTABLISHED 1/java off (0.00/0/0) tcp 832 0 10.100.69.229:35114 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4921.00/0/0) tcp 1056 0 10.100.69.229:34840 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4822.69/0/0) tcp 1056 0 10.100.69.229:35670 10.96.224.111:3306 ESTABLISHED 1/java keepalive (5117.60/0/0) tcp 1664 0 10.100.69.229:34630 10.96.224.111:3306 ESTABLISHED 1/java keepalive (4757.16/0/0) ``` 从这里来看，网络已经成为了下一个瓶颈（关于这一点，我们在后续的课程里会讲）。 如果你想接着调优，还可以从应用代码下手，让应用处理得更快。不过，对于基准测试来说，一个没有走任何缓存的接口，在一个6C16G的单节点虚拟机上能达到这么高的TPS，我觉得差不多了。 接下来，我们还要去折腾其他的接口，所以，我们对这个接口的优化到这里就结束了。 ![](https://static001.geekbang.org/resource/image/29/34/29beca35bbf7d689bebf27fcf8397634.jpg) ## 总结 在打开首页这个接口的基准场景中，涉及到了很多方面的内容。从一开始的信息整理，比如访问路径、查看代码逻辑、场景试运行等，都是在为后面的分析做准备。 而当我们看到响应时间高，然后做拆分时间这一步，就是我一直在RESAR性能工程中强调的“**分析的起点**”。因为在此之前，我们用的都是压力工具上的数据，只是把它们罗列出来就好了，没有任何分析的部分。 对于拆分时间，我们能用的手段有多种，你可以用你喜欢的方式，像日志、APM工具，甚至抓包都是可以的。拆分了时间之后，我们就要分析在某个节点上响应时间高的时候，要怎么做。这时就用到了我一直强调的“全局-定向”监控分析思路。 在每一个阶段，你一定要清楚地定义优化的方向和目标，否则容易迷失方向。特别是对于一些喜欢把鼠标操作得特别快的同学，容易失去焦点，我劝你慢点操作，想清楚下一步再动。 而我们上述整个过程，都依赖于我说的性能分析决策树。从树顶往下，一层层找下去，不慌不乱，不急不燥。 只要你想，就能做到。 ## 课后作业 最后，我给你留三个思考题。 1. 当st cpu高的时候，你要去看什么？ 2. 当wa cpu高的时候，你要去看什么？ 3. 为什么我们要把硬件资源用完？ 记得在留言区和我讨论、交流你的想法，每一次思考都会让你更进一步。 如果你读完这篇文章有所收获，也欢迎你分享给你的朋友，共同学习进步。我们下一讲再见！