昨天搞定了一个十万火急的issue，客户抱怨产品升级后系统会变慢和CPU使用率相当高，客户脾气很大，声称不尽快解决这个问题就退货，弄得我们 R&D压力很大，解决这个issue的任务分给了我，客户是南非的一个公司，由于时差问题，我只好在家远程解决问题，晚上8点半用 gotomeeting远程到客户电脑查看我们的系统，折腾了四个多小时，终于在凌晨时reproduce了这个high CPU，赶紧抓Log，用wireshark抓包，用gcore,gstack,strace和top保存了系统的相关输出。
在第2天分析了这些文件后， 找到了产品的bug，代码的作者分配了10K的缓冲区，并想当然认为10K足以够用，当然99%的情况下是够用的，但是在这1%的情况下出现了问题，缓冲区不幸被写满了，然后程序进入了死循环，导致high CPU。找到了问题了，fix就很容易了，客户的脾气也缓和了，fix很快就可以deliver给客户。反思解决问题的过程，觉得这个分析过程具有可复用 性，值得总结一下。
1.用top命令查看哪个进程占用CPU高
gateway网关进程14094占用CPU高达891%，这个数值是进程内各个线程占用CPU的累加值。
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
14094 root 15 0 315m 10m 7308 S 891% 2.2 1:49.01 gateway
20642 root 17 0 17784 4148 2220 S 0.5 0.8 2:39.96 microdasys
1679 root 18 0 10984 1856 1556 R 0.3 0.4 0:22.21 sshd
22563 root 18 0 2424 1060 800 R 0.3 0.2 0:00.03 top
1 root 18 0 2156 492 460 S 0.0 0.1 0:01.59 init
2.用top -H -p pid命令查看进程内各个线程占用的CPU百分比
#top -H -p 14094
top中可以看到有107个线程，但是下面9个线程占用CPU很高，下面以线程14086为主，分析其为何high CPU
PID USER PR NI VIRT RES SHR S %CPU MEM TIME+ COMMAND 14086 root 25 0 922m 914m 538m R 101 10.0 21:35.46 gateway 14087 root 25 0 922m 914m 538m R 101 10.0 10:50.22 gateway 14081 root 25 0 922m 914m 538m S 99 10.0 8:57.36 gateway 14082 root 25 0 922m 914m 538m R 99 10.0 11:51.92 gateway 14089 root 25 0 922m 914m 538m R 99 10.0 21:21.77 gateway 14092 root 25 0 922m 914m 538m R 99 10.0 19:55.47 gateway 14094 root 25 0 922m 914m 538m R 99 10.0 21:02.21 gateway 14083 root 25 0 922m 914m 538m R 97 10.0 21:32.39 gateway 14088 root 25 0 922m 914m 538m R 97 10.0 11:23.12 gateway
3.使用gstack命令查看进程中各线程的函数调用栈
#gstack 14094 > gstack.log
在gstack.log中查找线程ID14086，由于函数栈会暴露函数细节，因此只显示了两个函数桢，线程ID14086对应线程号是37
Thread 37 (Thread 0x4696ab90 (LWP 14086)):
#0 0x40000410 in __kernel_vsyscall ()
#1 0x40241f33 in poll () from /lib/i686/nosegneg/libc.so.6
4.使用gcore命令转存进程映像及内存上下文
#gcore 14094
该命令生成core文件core.14094
5.用strace命令查看系统调用和花费的时间
#strace -T -r -c -p 14094
-c参数显示统计信息，去掉此参数可以查看每个系统调用花费的时间及返回值。
% time seconds usecs/call calls errors syscall------ ----------- ----------- --------- --------- ----------------------------99.99 22.683879 3385 6702 poll 0.00 0.001132 0 6702 gettimeofday 0.00 0.000127 1 208 208 accept 0.00 0.000022 22 1 read 0.00 0.000000 0 1 write 0.00 0.000000 0 1 close 0.00 0.000000 0 14 time 0.00 0.000000 0 2 stat64 0.00 0.000000 0 4 clock_gettime 0.00 0.000000 0 7 send 0.00 0.000000 0 10 10 recvfrom------ ----------- ----------- --------- --------- ------------------------------100.00 22.685160 13652 218 total
6.用gdb调试core文件，并线程切换到37号线程
gcore和实际的core dump时产生的core文件几乎一样，只是不能用gdb进行某些动态调试
(gdb) gdb gateway core.14094
(gdb) thread 37
[Switching to thread 37 (Thread 0x4696ab90 (LWP 14086))]#0 0x40000410 in __kernel_vsyscall ()
(gdb) where
#0 0x40000410 in __kernel_vsyscall ()
#1 0x40241f33 in poll () from /lib/i686/nosegneg/libc.so.6
可以根据详细的函数栈进行gdb调试，打印一些变量值，并结合源代码分析为何会poll调用占用很高的CPU。
因为代码涉及到公司产权，顾不在此做详细分析，需要明白的是分析的流程和使用的命令。
流程为：进程ID->线程ID->线程函数调用栈->函数耗时和调用统计->源代码分析