一次压测引发的数据库CPU飙升...

国际科技财经移民娱乐民生时事体育

Bendi新闻

一次压测引发的数据库CPU飙升...

4月前

阿里妹导读

一次压测过程中，当数据库的qps和tps都正常时，如果cpu利用率异常的高，应该如何排查？希望通过这篇文章，给你一些启发。

业务背景

业务需要控制频道内兑换现金的数量，于是在产品设计上给兑换现金增加了库存限制。

在此基础上形成了秒杀场景，峰值时核心接口qps上涨了近600倍（几十到几万），因此需要进行压测来对系统和DB水位摸一下高。

压测准备

大致分为下面几个步骤：

1.压测流量评估：就是定一下每个接口大致压测多少qps，以及压测时到各个下游系统的流量估计；

2.压测改造：因为压测都是用的压测账户，在频道里没有历史痕迹，很多逻辑是走不到的，并且这些逻辑的不同，会直接影响到数据库和下游的流量，因此我们需要根据频道的现有数据进行链路的mock（包括上述的流量评估也得基于这些不同链路的比例去算），举例如下：

3.测试&发布：既然改了代码，还是得交给可爱的测试同学回归下线上链路的，当然压测的链路就可以自己测一测了，看看改造是否符合预期，hsf控制台可以很方便的模拟影子链路：

4.下游流量报备：当然还是得跟各个下游系统知会一声的，切勿悄悄滴进村，打枪滴不要；

5.压测数据准备：主要是压测平台上的各种接口和压测流量配置（注意减去压测时的背景流量），以及压测账号申请等等（这一步也是交给测试同学）；

6.小流量预跑：在正式压测之前，大概用1%的流量先跑一下，看看本身系统以及下游是否有异常（这一步很有必要，有时候下游系统比较复杂，可能部分场景并不能支持压测流量，提前跑一下能发现很多问题，避免正式压测的时候下游报警，然后就是👋忙🦶乱）。

问题出现

好了，万事具备，经过上面一系列步骤，想必本次压测一定是顺顺利利吧！

压测，启动！

====== 10%压测流量，cpu利用率11% ====== 挺正常

====== 30%压测流量，cpu利用率20% ====== 稳中向好

====== 50%压测流量，cpu利用率30% ====== 符合预期

====== 80%压测流量，cpu利用率50% ====== 感觉有点问题，但是说不出来哪里有问题

====== 100%压测流量，cpu利用率80% ===== 嗯？好像不对劲？有点高

====== 100%压测流量，稳定几分钟后，突然飙到100% ===== .....肯定有问题，暂停压测！

唉，还是太年轻了。

赶紧排查，先拉了压测时间段的cpu曲线图：

看着cpu的监控图，我的脑海里浮现了三个疑问：

1.同等流量下，压测时的cpu利用率为什么高于线上实际值（线上约等于压测80%流量时，cpu利用率实际40%不到，压测时已经到60%了）？

2.流量80%时，为什么压测流量持续不动，cpu利用率会缓慢上涨呢？

3.流量100%时，分明一开始cpu利用率还维持在80%以下，然后突然就飙到100%了？

总体来说，就是CPU高于预期。

问题排查

第一时间我猜测是我的压测改造不符合预期，导致打到db的qps和tps过高导致。

急了，开始看代码，然后挑了几个压测trace在鹰眼上看调用，没找到问题。

然后发现我好蠢呐（主要是有点慌张），dbservice本身就有tps和qps的监控：

看了一下，有两点，一是持续压测的时候，qps并没有持续上涨，二是差不多同流量下qps的值确实略高于线上实际值，但远远没有cpu差值这么多，所以基本可以排除一开始的猜测。

陷入了瓶颈.....

这时候我知道今天的压测指定是不行了，所以很干脆地摆了，开始安心的找问题～

发现疑点

这时候拉了DBA同学一起帮我们看问题，DBA同学表示，一，数据库在长时间高压下会发生性能劣化，这也是cpu从80%突然暴涨到100%的原因（解答了第三个问题），至于CPU利用率异常是表象，qps和tps只是其中一个影响因素，建议我们看看其他指标。

于是挨个查看数据库性能指标（带宽、慢sql、RT....），然后终于发现了一个疑点：

这个缓慢升高的行读，非常符合压测流量80%时cpu曲线的变化，很可能是问题二的原因...

那是不是也有可能是问题一的原因呢？

确认疑点

对比正常峰值流量下的行读指标：

好吧，这都差了一个数量级了，基本可以确定问题出在行读异常上了。

开始思考为什么行读这么多还在持续上涨，难道是同一个sql查出来的行数会变多？

定位sql

其实这时候心里已经隐隐约约猜到问题在哪了，但还是顺着这个行读异常排查下去。

通过对比定位到了有问题的sql。

压测时：

正常时：

点进去也能看到具体的sql信息：

好吧，和我猜的一样，这下悬着的心终于死了。

代码分析

至于为什么同一条sql压测的平均行读会高这么多，还是得从代码层面来分析。

首先先看下改造逻辑和逻辑推导：

这么压测改造的原因是压测的账号是有限的（同一批压测账号重复的去轮询），如果所有账号都调过一遍接口，那后面的每次查询都能查到任务，不会再有DB写，为了更好的模拟线上实际情况，因此通过这种方法去让账号重新路由到注册逻辑。

然后看下任务的查询逻辑，如下：

    private TaskInstanceParam createQueryParamByEffectiveTime(TaskQueryParam queryParam) {        final TaskInstanceParam dbQueryParam = new TaskInstanceParam();        Date now = TimeTravelManager.getCurrentTime(queryParam.getUserId());        dbQueryParam.createCriteria()            .andUserIdEqualTo(queryParam.getUserId())            .andBizTypeEqualTo(queryParam.getBizType())            .andTemplateIdEqualTo(queryParam.getSubBizType())            .andEffectiveStartTimeLessThanOrEqualTo(now)            .andEffectiveEndTimeGreaterThan(now);        dbQueryParam.appendOrderByClause(OrderCondition.EFFECTIVESTARTTIME, SortType.DESC);        dbQueryParam.setPagination(1, 1);        return dbQueryParam;    }