转载地址：http://www.10tiao.com/html/473/201606/2651473094/1.html
程序的CPU问题是另外一类典型的程序性能问题，很多开发人员都受到过程序CPU占用过高的困扰。本次我们收集了14个CPU类的问题，和大家一起分析下这些问题的种类和原因。另外，对于C/C++程序而言，目前已经有了很多CPU问题定位的工具，本文也会进行比较分析。
CPU问题分析
程序CPU类问题的主要现象是：程序占用的CPU过高，比程序升级前有很大的升高。导致程序CPU占用过高的主要原因是程序设计不合理，绝大部分的CPU问题都是程序设计的问题。因此，提高程序的设计质量是避免CPU问题的主要手段。
1.1 大量低效操作引起的问题
在程序设计中，有些程序的写法是比较低效的，没有经验的同学很容易使用一些低效的函数或方法，这就是我们常说的“坑”。我们搜集到了一些“坑”，跟大家分享下。
memset是一个很常见的性能坑。如果在程序中使用的memset过多，会导致程序的CPU消耗很大。memset使用过多，往往在不经意间就让程序下降了一大截。关于memset函数，一种常见的误用是在循环中对较大的数据结构进行memset。在这个例子中，一个query中memset 1M的内容，在整体1500qps的情况下，每秒进行重置的内存达到1.5G，导致程序的CPU IDLE答复下降。
上面这个例子，是memset一种比较明显的问题，通过代码review等方式是比较容易发现的。在一些情况下，memset操作是在隐式发生的，问题的排查难度也随之加大。
#代码片段1
char buffer[1024] = {0};- 1
- 2
代码片段1中的简简单单的一行代码，其实在实际的运行过程中是会调用memset的。这个就是一个坑：在栈内存中申请缓冲区，然后再赋值，会隐式的调用memset，将内存初始化为0。这个问题也导致了一个产品线的核心模块性能大幅下降，引起了严重的性能问题。
另外，在使用一些系统函数或库函数时，也需要仔细阅读使用手册，避免出现大量的无效的内存申请、释放和重置操作。
代码片段2
memset(&t_data->preq, 0, sizeof(pusrinfo_req_t));
memset(&t_data->pres, 0, sizeof(pusrinfo_res_t));
odb_renew(t_data->cur_field_dict);- 1
- 2
- 3
- 4
- 5
代码片段2中的这段代码中，第1、2行中的memset会导致程序的CPU使用过多，但即使是将这两行的代码注释掉，程序的性能依然没有明显的改观。问题的根源在于代码片段2中最后一行代码调用的odb_renew函数有释放内存和大量的memset操作，导致消耗的CPU很多。如果在程序中调用了大量的odb_renew函数，其性能一定不太好。
strncpy这个字符串操作函数是比较耗费性能的，同strncpy函数实现类似功能的函数有snprintf和memcpy+strlen这两种方式。表1是在一台测试机上对这三种方式的性能比较。
从表1可以看出，memcpy的性能最好。令人欣喜的是snprintf在大数据下性能渐渐逼近memcpy。稍微看了一下几个函数的源代码，memcpy用了page copy和word copy结合，所以性能优化的比较好，而且strlen也是用4字节做循环步长的。strncpy只是简单地逐字节拷贝，并且会将目标buffer后面所有的空闲空间全部填为0，这在很多情况下是非常耗费性能的。
整体上，对于这类问题的主要解决方法是：识别CPU消耗多的函数并且尽量减少这类函数的使用。比如，有些数据结构的memset是没有必要的，这些数据结构会被下一个query的数据自然填充。又或者采用更高效的初始化的方法。典型的例子是，字符串数组的初始化，只需要将第一个字符设置为0即可。
1.2 容器使用不当引起的问题
程序设计中，容器的使用是必不可少的。不同类型的容器，其设计的目的是不同的，因此某些方面的性能天然地会比较低。我们在程序设计的时候，要能够正确的识别容器各种用法的性能，减少低效的使用。
代码片段3中的第6行代码，将计算列表长度的方法放到了循环中，本身list类型求取长度的函数复杂度就是O(n)，在这个操作放到循环中以后，直接将这段代码的复杂度提高到了O(n2)，在列表中元素较多的情况下，对程序的性能将产生非常大的影响。代码片段3中的例子2是另外一种错误用法，算法复杂度也是O(n2)。
上面的两个例子，还有一个典型的特点，就是存在循环。对于循环程序来说，要尽量避免在循环体内进行大量消耗CPU的操作。即使是每次消耗的CPU较少，但是由于存在循环，算法复杂度提升了一个数量级，因此要特别的小心。
1.3 锁&上下文切换过多引起的问题
&meps; 程序中存在过多的加锁/解锁操作，是程序CPU性能恶化的另外一大类原因，其典型的现象是：系统态的CPU过高，甚至超过了用户态CPU。
自旋锁和互斥锁一样，是常见的解决系统资源互斥的方法。与互斥锁不同，自旋锁不会引起调用者睡眠，如果自旋锁已经被别的执行单元保持，调用者就一直循环在那里看是否该自旋锁的保持者已经释放了锁。一般情况下，自旋锁锁定的资源释放的都比较快，在这种情况下，由于调用者不需要睡眠，减少了系统的切换，因此可以提高程序的性能。但随着程序处理能力、流量、数据大小的变化，自旋锁有时也会导致程序性能恶化。在我们收集的一个百度知道的案例中，程序访问cache的时候，通过自旋锁进行同步的控制。程序刚开始上线时并无问题，但随着流量的增大，当程序的qps达到1700时，系统态CPU高达73%，自旋锁引起了严重的性能瓶颈。对于这个case，主要的解决方案就是要“去锁”，减少锁操作。
另外一个例子也是关于加锁过多的。凤巢检索端的一个模块，处理一个请求时，每次最多可以得到4096个词，程序需要获取这些词的信息，这些信息大部分是存储在cache中，如果cache中不存在，则需要重新计算并更新cache。曾经一个存在的问题是，程序的设计逻辑是每次从cache中查询一个词的信息，并且在查询cache时要进行加锁/解锁操作。那么一次请求，最多要进行4096次操作。对于一个qps达到1000的程序来说，每秒的加锁操作达到了百万级，程序的性能严重恶化。
在操作系统课程中我们学习过，当线程需要等待一定的条件时会被操作系统放入的休眠队列中，直到被唤醒。程序的上下文切换过多，也会导致程序的性能恶化。曾经在在一个模块中出现这样的现象，机器的系统态CPU出现周期性的增长，现象如图1所示。 
经过排查，发现引起这种现象的原因是代码片段5中的一行shell代码引起的。这行代码的作用是将日志中含有keyword的最后100条日志找出来，并进行重新写数据。这行代码会被周期性的执行。图2给出了代码执行过程的示意图。grep写标准输出还经过标准C库这么一层缓冲，缓冲区大小默认是4K，也就是说grep先调用fwrite写标准C库缓冲区，写满4K以后，标准C库调用write系统调用将标准C库缓冲区刷到内核中的管道缓冲区，然后tail进程调用read系统调用从内核中的管道缓冲区一次性读取4K字节。很明显，grep写满内核中管道缓冲区以后，必须等待tail读取完成，才能继续写，那么这个时候，它就要被切换出去， 进入一个等待队列，tail进程被切换进来，读取4K字节，然后唤醒grep，tail被切换出去，grep被切换进来……随着需要grep的文件越来越大，进程切换的次数也越来越多，系统态的CPU占用也水涨船高。
1.4 其他问题分析
还有很多情况，都可能导致程序的CPU消耗过多，比如I/O操作过多。I/O操作过多问题中最常见的一类是程序打印了过多的日志。曾经在后羿系统就发生这样的例子，由于程序输出的日志从二进制升级为了字符串，整体的I/O量增加了30%，导致程序的吞吐量从3.8万降低到了2.1万，几乎下降一半。还有一个典型的I/O问题是程序中有很多的DEBUG日志，虽然最终在线上没有开启DEBUG日志打印，但是程序在运行过程中还是会走到DEBUG日志相关的程序逻辑，只是不进行日志的输出。如果在日志输出的地方，存在复杂的计算逻辑，那么程序的性能也下降。代码片段6中的代码就是一个例子。在这个debug日志输出的过程中调用了material对象的to_string函数，而这个函数非常的消耗性能。尽管程序最终没有输出DEBUG日志，但是to_string函数还是被调用到了，程序的性能依然会受到影响。
Fast JSON是阿里巴巴提供的开源JSON工具，支持对JSON的序列化和反序列化的功能，号称是最快的JSON解析工具，在百度电影的部分模块中使用了这个工具。Fast JSON的1.2.2版本存在调用java.lang.System.getProperty时，多线程需要加锁，会带来线程hang住，引起系统性能降低的问题。这个问题导致了电影的这个模块出现了比较严重的线上问题。
CPU问题定位工具比较分析
对于C/C++程序，目前业界使用的比较多的CPU热点定位工具有：valgrind中组件callgrind，gprof（GNU Profiler），google perf tools组件中的CPU Profiler和Oprofiler。
• callgrind工具（valgrind套件之一）：valgrind整体采用虚拟机的解决方案，将被测程序的指令转换了valgrind自身的代码Ucode，这样就可以实现对被测程序全面的分析(CPU, MEM)。
• gprof（GNU Profiler）工具 : GNU提供的工具，已经存在了30年左右了。主要通过在函数入口处插入代码的方式来统计函数的调用关系、次数及CPU使用方式。
• google perf tools（CPU Profile）：对程序的调用栈进行采样分析，通过调用栈反推出函数的调用次数、关系和CPU消耗时间。
• Oprofile ：利用cpu硬件提供的性能计数器，通过技术采样，从进程、函数、代码层面分析性能问题。更多的用于分析系统层面个的问题，用户态cpu只是其中一部分。
在c++ perf tools初体验这篇文章中，有比较详细的各类工具的用法和原理说明，有兴趣的同学可以深度阅读。
表2从多个维度对这4种工具进行了比较，综合比较这些因素后，我还是推荐使用google perf tools套件中的CPU Profiler，这个工具在灵活性、应用性等方面的优势非常明显。但就像表格中提到的，这种工具会让程序一定概率core dump。
总结
本文收集并分析了十几个C/C++程序CPU性能问题，通过对这些问题的分析，我们发现CPU相关的性能问题，很多都是由于程序设计问题引起的。减少低效的调用，充分释放CPU的能力，是提升程序CPU性能的关键。从更大的层面上来看，程序的CPU性能还需要更好的架构设计，充分调用各种资源来高效地完成任务。google perf tools套件中的CPU Profiler工具是一个非常优秀的定位CPU热点的工具，希望大家能够多用这类工具来优化程序的CPU。