深入理解linux cpu负载

一、经常了解linux系统负载的命令

当系统变得卡顿的时候我们会优先使用top命令，来了解系统的负载情况

或者使用uptime命令

图中红线标出的位置依次则是过去 1 分钟、5 分钟、15 分钟的平均负载（Load Average）。

平均负载指的是什么？很多人都说是过去单位时间内的CPU使用率，其实这并不是对它正确的理解。

二、man uptime

我们先看下man uptime的描述

简单来说，平均负载是指单位时间内，系统处于可运行状态和不可中断状态的平均进程数，也就是平均活跃进程数，它和 CPU 使用率并没有直接关系。

可运行状态的进程:是指正在使用 CPU 或者正在等待 CPU 的进程，也就是我们常用 ps 命令看到的，处于 R 状态（Running 或 Runnable）的进程。

不可中断状态的进程:是正处于内核态关键流程中的进程，并且这些流程是不可打断的，比如最常见的是等待硬件设备的 I/O 响应，也就是我们在 ps 命令中看到的 D 状态（Uninterruptible Sleep，也称为 Disk Sleep）的进程。比如，当一个进程向磁盘读写数据时，为了保证数据的一致性，在得到磁盘回复前，它是不能被其他进程或者中断打断的，这个时候的进程就处于不可中断状态。如果此时的进程被打断了，就容易出现磁盘数据与进程数据不一致的问题。

所以，不可中断状态实际上是系统对进程和硬件设备的一种保护机制。

这里简单理解为，平均负载其实就是平均活跃进程数。平均活跃进程数，直观上的理解就是单位时间内的活跃进程数，但它实际上是活跃进程数的指数衰减平均值。这个“指数衰减平均”只是系统的一种更快速的计算方式，把它直接当成活跃进程数的平均值也没问题。

既然平均的是活跃进程数，那么最理想的，就是每个 CPU 上都刚好运行着一个进程，这样每个 CPU 都得到了充分利用。

比如当平均负载为 2 时，意味着什么呢？

• 在只有 2 个 CPU 的系统上，意味着所有的 CPU 都刚好被完全占用。
• 在 4 个 CPU 的系统上，意味着 CPU 有 50% 的空闲。
• 而在只有 1 个 CPU 的系统中，则意味着有一半的进程竞争不到 CPU。

三、平均负载为多少时合理

在 top或uptime 命令的结果里，那是过去 1 分钟、5 分钟、15 分钟的平均负载数，多大的时候能说明系统负载高？或是多小的时候就能说明系统负载很低呢？

我们知道，平均负载最理想的情况是等于 CPU 个数。所以在评判平均负载时，首先你要知道系统有几个 CPU，这可以通过 lscpu命令中读取，比如：

或者从文件/proc/cpuinfo文件中读取

有了 CPU 个数就可以判断出，当平均负载比 CPU 个数还大的时候，系统已经出现了过载。

平均负载有三个数值，到底该参考哪一个呢？

实际上，都要看。三个不同时间间隔的平均值，其实给我们提供了，分析系统负载趋势的数据来源，让我们能更全面、更立体地理解目前的负载状况。

打个比方，就像初秋时北京的天气，如果只看中午的温度，你可能以为还在 7 月份的大夏天呢。但如果你结合了早上、中午、晚上三个时间点的温度来看，基本就可以全方位了解这一天的天气情况了。

同样的，前面说到的 CPU 的三个负载时间段也是这个道理。

• 如果 1 分钟、5 分钟、15 分钟的三个值基本相同，或者相差不大，那就说明系统负载很平稳。
• 但如果 1 分钟的值远小于 15 分钟的值，就说明系统最近 1 分钟的负载在减少，而过去 15 分钟内却有很大的负载。
• 反过来，如果 1 分钟的值远大于 15 分钟的值，就说明最近 1 分钟的负载在增加，这种增加有可能只是临时性的，也有可能还会持续增加下去，所以就需要持续观察。一旦 1 分钟的平均负载接近或超过了 CPU 的个数，就意味着系统正在发生过载的问题，这时就得分析调查是哪里导致的问题，并要想办法优化了。

假设我们在一个单 CPU 系统上看到平均负载为 1.73，0.60，7.98，那么说明在过去 1 分钟内，系统有 73% 的超载，而在 15 分钟内，有 698% 的超载，从整体趋势来看，系统的负载在降低。

那么，在实际生产环境中，平均负载多高时，需要我们重点关注呢？

在我看来，当平均负载高于 CPU 数量 80% 的时候，你就应该分析排查负载高的问题了。一旦负载过高，就可能导致进程响应变慢，进而影响服务的正常功能。但 80% 这个数字并不是绝对的，最推荐的方法，还是把系统的平均负载监控起来，然后根据更多的历史数据，判断负载的变化趋势。当发现负载有明显升高趋势时，比如说负载翻倍了，你再去做分析和调查。

四、平均负载和CPU使用率

先看下两者的基本定义：

平均负载是指单位时间内，处于可运行状态和不可中断状态的进程数。所以，它不仅包括了正在使用 CPU 的进程，还包括等待 CPU 和等待 I/O 的进程。

而 CPU 使用率，是单位时间内 CPU 繁忙情况的统计，跟平均负载并不一定完全对应。比如：

•  CPU 密集型进程，使用大量 CPU 会导致平均负载升高，此时这两者是一致的；
•  I/O 密集型进程，等待 I/O 也会导致平均负载升高，但 CPU 使用率不一定很高；
•  大量等待 CPU 的进程调度也会导致平均负载升高，此时的 CPU 使用率也会比较高。

五、平均负载案例分析

环境准备：

• 系统：ubuntu20.04（其他系统也可）
• 机器配置：4 CPU，8GB 内存
• 预先安装 stress 和 sysstat 包，如 apt install stress sysstat。
• 每个场景都需要你开三个终端，登录到同一台 Linux 机器中。
• 默认以 root 用户运行

先用 uptime 命令，看一下测试前的平均负载情况：

场景一：CPU 密集型进程

· 首先，我们在第一个终端运行 stress 命令，模拟一个 CPU 使用率 100% 的场景：

stress --cpu 1 --timeout 600

接着，在第二个终端运行 uptime 查看平均负载的变化情况：

# -d 参数表示高亮显示变化的区域 
$ watch -d uptime 
..., load average: 1.00, 0.75, 0.39

· 最后，在第三个终端运行 mpstat 查看 CPU 使用率的变化情况：

# -P ALL 表示监控所有 CPU，后面数字 5 表示间隔 5 秒后输出一组数据 
$ mpstat -P ALL 5 Linux 5.4.18-87.76-generic (kylin-pc) 2024年08月13日 _aarch64_ (4 CPU) 
10时45分54秒 CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle
10时45分59秒 all 27.93 0.00 2.76 0.30 0.00 0.00 0.00 0.00 0.00 69.01 
10时45分59秒 0 1.81 0.00 1.61 0.40 0.00 0.00 0.00 0.00 0.00 96.18 
10时45分59秒 1 100.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 
10时45分59秒 2 3.41 0.00 3.81 0.40 0.00 0.00 0.00 0.00 0.00 92.38 
10时45分59秒 3 6.24 0.00 5.63 0.40 0.00 0.00 0.00 0.00 0.00 87.73

从终端二中可以看到，1 分钟的平均负载会慢慢增加到 1.00，而从终端三中还可以看到，正好有一个 CPU 的使用率为 100%，但它的 iowait 只有 0。这说明，平均负载的升高正是由于 CPU 使用率为 100% 。

那么，到底是哪个进程导致了 CPU 使用率为 100% 呢？你可以使用 pidstat 来查询：

# 间隔 5 秒后输出一组数据
 $ pidstat -u 5 1 Linux 5.4.18-87.76-generic (kylin-pc) 2024年08月13日 _aarch64_ (4 CPU) 
10时47分47秒 UID PID %usr %system %guest %wait %CPU CPU Command 
10时47分52秒 0 1 0.20 0.20 0.00 0.00 0.40 0 systemd 
10时47分52秒 0 5 0.00 0.20 0.00 0.00 0.20 0 kworker/0:0-events 
10时47分52秒 1000 8398 0.00 0.20 0.00 0.00 0.20 2 ukui-power-mana 
10时47分52秒 1000 8461 0.20 0.40 0.00 0.00 0.60 0 sogouImeService 
10时47分52秒 0 8623 0.00 0.20 0.00 0.00 0.20 0 sugov:0 
10时47分52秒 0 14188 0.00 0.20 0.00 0.00 0.20 1 activation-daem 
10时47分52秒 0 72343 100.20 0.00 0.00 0.00 100.20 3 stress 
10时47分52秒 0 73707 0.00 0.20 0.00 0.00 0.20 2 watch 
10时47分52秒 128 83352 0.00 0.20 0.00 0.40 0.20 1 cleanup 
10时47分52秒 0 85449 0.00 0.40 0.00 0.00 0.40 0 pidstat

从这里可以明显看到，stress 进程的 CPU 使用率为 100%。

场景二：I/O 密集型进程

首先还是运行 stress 命令，但这次模拟 I/O 压力，即不停地执行 sync：

$ stress -i 1 --timeout 600

· 还是在第二个终端运行 uptime 查看平均负载的变化情况：

$ watch -d uptime 10:50:32 up 19 min, 4 users, load average: 1.75, 1.60, 1.09

然后，第三个终端运行 mpstat 查看 CPU 使用率的变化情况：

# 显示所有 CPU 的指标，并在间隔 5 秒输出一组数据 $
 mpstat -P ALL 5 1 Linux 5.4.18-87.76-generic (kylin-pc) 2024年08月13日 _aarch64_ (4 CPU) 
10时51分51秒 CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle 
10时51分56秒 all 2.49 0.00 10.73 16.73 0.00 0.05 0.00 0.00 0.00 69.99 
10时51分56秒 0 1.81 0.00 4.42 0.60 0.00 0.20 0.00 0.00 0.00 92.97 
10时51分56秒 1 1.81 0.00 4.42 0.80 0.00 0.00 0.00 0.00 0.00 92.97 
10时51分56秒 2 0.84 0.00 22.76 47.39 0.00 0.00 0.00 0.00 0.00 29.02 
10时51分56秒 3 5.50 0.00 11.81 19.35 0.00 0.00 0.00 0.00 0.00 63.34 
平均时间: CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle 
平均时间: all 2.49 0.00 10.73 16.73 0.00 0.05 0.00 0.00 0.00 69.99 
平均时间: 0 1.81 0.00 4.42 0.60 0.00 0.20 0.00 0.00 0.00 92.97 
平均时间: 1 1.81 0.00 4.42 0.80 0.00 0.00 0.00 0.00 0.00 92.97 
平均时间: 2 0.84 0.00 22.76 47.39 0.00 0.00 0.00 0.00 0.00 29.02 
平均时间: 3 5.50 0.00 11.81 19.35 0.00 0.00 0.00 0.00 0.00 63.34

　　

从这里可以看到，1 分钟的平均负载会慢慢增加到 1.75，其中一个 CPU 的系统 CPU 使用率升高到了 22.76，而 iowait 高达 47.39%。这说明，平均负载的升高是由于 iowait 的升高。

那么到底是哪个进程，导致 iowait 这么高呢？我们还是用 pidstat 来查询：

# 间隔 5 秒后输出一组数据，-u 表示 CPU 指标 
$ pidstat -u 5 1 Linux 5.4.18-87.76-generic (kylin-pc) 2024年08月13日 _aarch64_ (4 CPU) 
10时55分14秒 UID PID %usr %system %guest %wait %CPU CPU Command 
10时55分19秒 0 1 0.00 0.20 0.00 0.00 0.20 0 systemd 
10时55分19秒 0 23 0.00 0.20 0.00 0.00 0.20 2 ksoftirqd/2 
10时55分19秒 0 24556 0.20 0.00 0.00 0.00 0.20 3 cupsd 
10时55分19秒 0 95026 0.20 21.91 0.00 5.38 22.11 1 stress

　　

可以发现，还是 stress 进程导致的。

场景三：大量进程的场景

当系统中运行进程超出 CPU 运行能力时，就会出现等待 CPU 的进程。

比如，我们还是使用 stress，但这次模拟的是 16个进程：

stress -c 16 --timeout 600

由于系统只有 4 个 CPU，明显比 16 个进程要少得多，因而，系统的 CPU 处于严重过载状态，平均负载高达 5.99：

$ uptime 10:58:32 up 27 min, 4 users, load average: 5.99, 2.90, 1.77

接着再运行 pidstat 来看一下进程的情况：

# 间隔 5 秒后输出一组数据 $ pidstat -u 5 1 Linux 5.4.18-87.76-generic (kylin-pc) 2024年08月13日 _aarch64_ (4 CPU) 
10时59分41秒 UID PID %usr %system %guest %wait %CPU CPU Command 
10时59分46秒 0 1 0.20 0.00 0.00 0.00 0.20 2 systemd 
10时59分46秒 0 9 0.00 0.20 0.00 0.00 0.20 0 ksoftirqd/0 
10时59分46秒 0 302 0.00 0.20 0.00 0.39 0.20 1 scto_sm2_kthread 
10时59分46秒 0 128741 22.79 0.00 0.00 76.23 22.79 1 stress 
10时59分46秒 0 128742 22.59 0.00 0.00 76.82 22.59 2 stress 
10时59分46秒 0 128743 23.58 0.00 0.00 75.83 23.58 3 stress 
10时59分46秒 0 128744 22.00 0.00 0.00 77.60 22.00 3 stress 
10时59分46秒 0 128745 24.17 0.00 0.00 75.05 24.17 1 stress 
10时59分46秒 0 128746 23.77 0.00 0.00 75.44 23.77 3 stress 
10时59分46秒 0 128747 24.17 0.00 0.00 75.05 24.17 1 stress 
10时59分46秒 0 128748 24.36 0.00 0.00 74.85 24.36 2 stress 
10时59分46秒 0 128749 25.54 0.00 0.00 73.87 25.54 1 stress 
10时59分46秒 0 128750 23.18 0.00 0.00 76.42 23.18 1 stress 
10时59分46秒 0 128751 23.97 0.00 0.00 75.05 23.97 1 stress 
10时59分46秒 0 128752 22.59 0.00 0.00 76.03 22.59 2 stress 
10时59分46秒 0 128753 22.00 0.00 0.00 77.01 22.00 1 stress 
10时59分46秒 0 128754 22.40 0.00 0.00 77.21 22.40 3 stress 
10时59分46秒 0 128755 23.38 0.00 0.00 75.44 23.38 1 stress 
10时59分46秒 0 128756 23.18 0.00 0.00 76.23 23.18 2 stress　

可以看出，16个进程在争抢 4 个 CPU，每个进程等待 CPU 的时间（也就是代码块中的 %wait 列）高达 70%。这些超出 CPU 计算能力的进程，最终导致 CPU 过载。

六、总结

平均负载提供了一个快速查看系统整体性能的手段，反映了整体的负载情况。在理解平均负载时，也要注意：

• 平均负载高有可能是 CPU 密集型进程导致的；
• 平均负载高并不一定代表 CPU 使用率高，还有可能是 I/O 更繁忙了；
• 当发现负载高的时候，你可以使用 mpstat、pidstat 等工具，辅助分析负载的来源。

更多精彩文章，请扫码关注微信公众号