知识点思维导图
21 个知识节点
Linux（03） - 日志、资源与性能排查
读完后，你应能完成以下任务：
- 绘制“Linux（03） - 日志、资源与性能排查 / CPU、内存、I/O 与负载的关系”的关键对象与数据流，解释“CPU 饱和看运行队列与 user/system/steal，内存压力看 available、swap 和回收，而不是只看 free。”，并用源码位置、日志或 Trace 标注证据。
- 为“Linux（03） - 日志、资源与性能排查 / 从系统趋势下钻到进程”设计正常与异常输入，验证“先确认异常开始时间和版本，再看整体资源分位趋势，随后用 pidstat、top、lsof 或 perf 下钻到进程、线程和系统调用。”，输出首个偏差位置与回归测试结果。
- 实现“Linux（03） - 日志、资源与性能排查 / 基线、容量与修复验证”的最小代码或配置，检验“性能结论必须和正常基线、请求量及业务成功率一起比较。”，输出命令、结果与 Diff，并说明不适用边界。
一、先建立全局：日志、资源与性能排查 是什么？
理解“日志、资源与性能排查”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“日志、资源与性能排查”的第一个核心判断是：load average 包含可运行和不可中断睡眠任务，磁盘或网络文件系统阻塞也会抬高负载；。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | CPU、内存、I/O 与负载的关系 | load average 包含可运行和不可中断睡眠任务，磁盘或网络文件系统阻塞也会抬高负载； |
| 2 | 从系统趋势下钻到进程 | 先确认异常开始时间和版本， |
| 3 | 基线、容量与修复验证 | 性能结论必须和正常基线、请求量及业务成功率一起比较。 |
| 4 | 十分钟性能快照 | iostat 的高 await 需结合设备利用率和队列判断，虚拟磁盘指标还要对照云平台。 |
| 5 | CPU 饱和看运行队列与 user/system/steal | CPU 饱和看运行队列与 user/system/steal， |
| 6 | 内存压力看 available、swap 和回收 | 内存压力看 available、swap 和回收， |
1.1 核心对象之间怎样衔接
flowchart LR
S1["CPU、内存、I/O 与负载的关系"] --> S2
S2["从系统趋势下钻到进程"] --> S3
S3["基线、容量与修复验证"] --> S4
S4["十分钟性能快照"] --> S5
S5["CPU 饱和看运行队列与 user/system/steal"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“日志、资源与性能排查”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“日志、资源与性能排查”的对象和顺序已经明确后，再看可观察的失败：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、CPU、内存、I/O 与负载的关系
CPU 饱和看运行队列与 user/system/steal， 内存压力看 available、swap 和回收， 而不是只看 free。 load average 包含可运行和不可中断睡眠任务，磁盘或网络文件系统阻塞也会抬高负载； 必须结合 vmstat、iostat 和进程级指标判断。
三、从系统趋势下钻到进程
先确认异常开始时间和版本， 再看整体资源分位趋势， 随后用 pidstat、top、lsof 或 perf 下钻到进程、线程和系统调用。 日志要用 request_id、PID、错误类型和持续时间关联， 不把密码、Token 或无限基数正文写入集中日志。
四、基线、容量与修复验证
性能结论必须和正常基线、请求量及业务成功率一起比较。 修复后重复相同负载，观察吞吐、P95/P99、队列、错误率和资源； 只看到 CPU 降低可能是请求被拒绝或功能降级，不能单独证明优化成功。
五、十分钟性能快照
这些命令分别观察运行队列、内存、块设备和进程。
uptime
vmstat 1 10
iostat -xz 1 10
pidstat -dur -p ALL 1 10
free -h
df -hT
journalctl -p warning --since '10 min ago'
不要只截最后一行； 连续样本才能看出趋势。 iostat 的高 await 需结合设备利用率和队列判断，虚拟磁盘指标还要对照云平台。
六、故障边界与验证
| 现象 | 常见根因 | 验证与处理 |
|---|---|---|
| load 很高但 CPU 空闲 | 大量 D 状态任务等待磁盘或网络文件系统 | 用 ps 状态、vmstat b 和 iostat 定位阻塞设备 |
| 内存 free 很低 | 页缓存正常占用或真实内存压力 | 看 available、swap、major fault 与 OOM 记录再判断 |
| 磁盘使用率突然 100% | 日志暴涨、删除文件仍被占用或 inode 耗尽 | 同时检查 du、df、df -i 和 lsof +L1 |
七、动手验证：先跑通 日志、资源与性能排查，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“日志、资源与性能排查”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
7.1 基线与候选只允许一个变量不同
验证“日志、资源与性能排查”时，先固定制品、配置、运行环境、流量样本、权限和回滚条件。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“日志、资源与性能排查”时，动作是：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。原始结果不能只保留截图或汇总分数，必须同步保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 固定制品、配置、运行环境、流量样本、权限和回滚条件 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
| 通过阈值 | 成功路径达标，失败被及时阻断，恢复与回滚结果经过复测 |
| 立即停止 | 环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用 |
7.2 执行前先排除不可比较条件
“日志、资源与性能排查”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“日志、资源与性能排查”的当前环境重复运行。
- 候选只改变一个与“日志、资源与性能排查”结论直接相关的条件。
- “日志、资源与性能排查”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “日志、资源与性能排查”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
7.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“日志、资源与性能排查”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 固定制品、配置、运行环境、流量样本、权限和回滚条件 |
| 过程可回放 | 执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败 |
| 结果可审计 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
“日志、资源与性能排查”的一次合格基线对照按以下顺序执行：
- 保存“日志、资源与性能排查”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“日志、资源与性能排查”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“日志、资源与性能排查”：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。
- 为“日志、资源与性能排查”保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要。
- 使用“日志、资源与性能排查”预登记条件判断：成功路径达标，失败被及时阻断，恢复与回滚结果经过复测。
- 如果“日志、资源与性能排查”未通过，不修改第二个变量，先恢复基线并保留失败现场。
八、用一张矩阵验证 日志、资源与性能排查 的关键结论
矩阵按正文顺序列出“日志、资源与性能排查”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| CPU、内存、I/O 与负载的关系 | load average 包含可运行和不可中断睡眠任务，磁盘或网络文件系统阻塞也会抬高负载； | 只改变与“CPU、内存、I/O 与负载的关系”相关的条件 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
| 从系统趋势下钻到进程 | 先确认异常开始时间和版本， | 只改变与“从系统趋势下钻到进程”相关的条件 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
| 基线、容量与修复验证 | 性能结论必须和正常基线、请求量及业务成功率一起比较。 | 只改变与“基线、容量与修复验证”相关的条件 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
| 十分钟性能快照 | iostat 的高 await 需结合设备利用率和队列判断，虚拟磁盘指标还要对照云平台。 | 只改变与“十分钟性能快照”相关的条件 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
| CPU 饱和看运行队列与 user/system/steal | CPU 饱和看运行队列与 user/system/steal， | 只改变与“CPU 饱和看运行队列与 user/system/steal”相关的条件 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
| 内存压力看 available、swap 和回收 | 内存压力看 available、swap 和回收， | 只改变与“内存压力看 available、swap 和回收”相关的条件 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 |
8.1 记录本次实际实验
下面的记录用于“日志、资源与性能排查”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "日志、资源与性能排查"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败"
evidence: "命令退出码、事件、日志、指标、Trace、页面断言和制品摘要"
pass_when: "成功路径达标，失败被及时阻断，恢复与回滚结果经过复测"
stop_when: "环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
8.2 边界实验必须证明能够停止和恢复
成功路径只能证明“日志、资源与性能排查”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | 命令退出码、事件、日志、指标、Trace、页面断言和制品摘要 | 成功路径达标，失败被及时阻断，恢复与回滚结果经过复测 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“日志、资源与性能排查”，第一步是：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“日志、资源与性能排查”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
九、日志、资源与性能排查 的结果解释
解释“日志、资源与性能排查”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用 | 先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复 |
| 异常链路无法恢复 | 环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用 | 先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“日志、资源与性能排查”只有同时满足“成功路径达标，失败被及时阻断，恢复与回滚结果经过复测”，并且没有出现“环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“日志、资源与性能排查”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“日志、资源与性能排查”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
十、日志、资源与性能排查 的发布判断
发布判断需要把“日志、资源与性能排查”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “日志、资源与性能排查”的基线与候选只存在一个计划内变量。
- “日志、资源与性能排查”的输入、代码、依赖、配置和数据版本可以追溯。
- “日志、资源与性能排查”的正常、临界、失败和恢复样本使用同一套断言。
- “日志、资源与性能排查”的原始输出、中间状态和失败现场已经保留。
- “日志、资源与性能排查”的日志、Trace、截图和测试数据已经脱敏。
- “日志、资源与性能排查”的停止条件、负责人和回滚入口已经演练。
- “日志、资源与性能排查”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“日志、资源与性能排查”的判断，就不能发布。
十一、总结
- CPU、内存、I/O 与负载的关系：CPU 饱和看运行队列与 user/system/steal，内存压力看 available、swap 和回收，而不是只看 free。
- 从系统趋势下钻到进程：先确认异常开始时间和版本，再看整体资源分位趋势，随后用 pidstat、top、lsof 或 perf 下钻到进程、线程和系统调用。
- 基线、容量与修复验证：性能结论必须和正常基线、请求量及业务成功率一起比较。
- 十分钟性能快照：iostat 的高 await 需结合设备利用率和队列判断，虚拟磁盘指标还要对照云平台。
学完自测
选择所有正确答案；提交后逐项核对判断依据。