一、 CPU 使用率
这是最基础的指标，反映了 CPU 时间片被不同类型任务占用的比例。理解不同状态的占用是定位问题的关键。
1.1 核心指标详解
命令：top, mpstat -P ALL, sar -u
- 指标含义：
| 指标名称 | 对应字段 (top) | 含义详解 | 作用与分析 |
|---|---|---|---|
| User | %us | 用户态使用率。应用程序（如 Java, Nginx, Python）代码逻辑消耗的 CPU 时间。 | 如果此值高，说明业务繁忙或程序算法复杂（如正在进行加密、压缩、循环计算）。一般情况下这是“健康”的高负载。 |
| System | %sy | 内核态使用率。操作系统内核执行系统调用（如读写文件、网络包处理、分配内存）消耗的时间。 | 警示信号。正常情况下不应超过 30%。如果过高，说明进程频繁请求系统资源，或驱动程序有 Bug。 |
| IOWait | %wa | IO 等待时间。CPU 空闲，但因为此时有进程在等待磁盘 I/O 完成，CPU 处于“无所事事但不得不等”的状态。 | 瓶颈信号。虽然它计入 CPU 使用率，但根源是磁盘太慢。说明存储子系统是瓶颈。 |
| Idle | %id | 空闲率。CPU 完全无事可做的时间。 | 反映资源是否富余。注意：高 Idle 并不代表系统一定快（可能卡在 I/O）。 |
| Softirq | %si | 软中断。CPU 处理软中断（主要是网络收发包）的时间。 | 网络信号。如果此值单核飙高，通常意味着由于网络流量极大（如 DDoS 攻击或高频 RPC 调用）导致网卡中断处理不过来。 |
| Steal | %st | 被窃取时间。仅在虚拟机中出现，表示宿主机（Hypervisor）把 CPU 时间分给了其他虚拟机，当前 VM 等待物理 CPU 的时间。 | 环境信号。如果此值高，说明你的云服务器所在的物理宿主机“超卖”严重，邻居在抢资源。 |
作用：快速定位是业务代码慢（User）、系统开销大（Sys）、磁盘慢（IOWait）还是底层宿主机慢（Steal）。
1.2 警报与判断
-
警报阈值：
- 警告 (Warning) ：单核或总使用率 > 75%
- 严重 (Critical) ：单核或总使用率 > 90%
- 异常 (System) ：
%sy> 30% 或%wa> 20%
-
典型场景：
- User 高：程序死循环、复杂的序列化/反序列化、机器学习计算。
- Sys 高：频繁的线程创建/销毁、过多的上下文切换、糟糕的锁竞争。
- IOWait 高：数据库全表扫描、日志写入过快、磁盘故障。
二、 平均负载
Load Average 是衡量系统“繁忙程度”的趋势指标，它和 CPU 使用率不同，它包含正在运行和等待运行（含等待磁盘）的任务。
2.1 核心指标详解
命令：uptime, top, w
- 指标含义：
| 指标名称 | 含义详解 | 作用与分析 |
|---|---|---|
| Load 1/5/15 | 分别代表过去 1分钟、5分钟、15分钟的平均负载。即：运行队列中（Running）+ 不可中断睡眠中（Uninterruptible Sleep/Disk Wait）的进程数平均值。 | 判断趋势。如果不看核数，Load 没有任何意义。标准线 = CPU 逻辑核数。Load < 核数：系统空闲。Load > 核数：系统过载，任务需要排队。 |
2.2 警报与判断
-
警报阈值：
- Load (15min) > CPU核数 * 0.7 （作为预警）。
- Load (1min) > CPU核数 * 1.5 （说明爆发性拥堵）。
-
场景分析：
- Load 高，CPU User 高：计算密集型任务堆积，CPU 确实不够用了。
- Load 高，CPU Idle 高 (关键) ：这是由于大量进程处于
D状态（Disk Sleep），通常是因为磁盘 I/O 极其缓慢或 NFS 挂死，导致进程卡在队列里算作 Load，但 CPU 其实是闲着的。
三、 上下文切换与中断 (Context Switches)
CPU 在不同进程/线程之间切换是需要成本的（保存寄存器、刷新缓存等）。
3.1 指标详解
命令：vmstat 1, pidstat -w
| 指标名称 | 对应字段 | 含义详解 | 作用与分析 |
|---|---|---|---|
| cs | system -> cs | 上下文切换总数。每秒 CPU 切换任务的次数。 | 数值取决于业务类型。如果 cs 飙升到几十万/秒，且 CPU %sy 升高，说明程序并发设计不合理（如频繁唤醒线程）。 |
| cswch | pidstat -> cswch | 自愿上下文切换。进程因为等待资源（如 IO、锁）而主动让出 CPU。 | 说明进程资源不足（如等待数据库返回、等待读盘）。 |
| nvcswch | pidstat -> nvcswch | 非自愿上下文切换。进程时间片用完，被系统强制调度走。 | CPU 瓶颈实锤。说明争抢 CPU 的进程太多，都在排队抢时间片。 |
| in | system -> in | 中断次数。每秒硬件中断的次数。 | 正常情况会波动。如果异常飙高，检查网卡流量或 USB 等外设驱动。 |
四、 运行队列 (Process Queue)
这是最直接反映 CPU 是否“排队”的指标。
4.1 指标详解
命令：vmstat 1
| 指标名称 | 对应字段 | 含义详解 | 作用与分析 |
|---|---|---|---|
| r (Running) | procs -> r | 就绪队列长度。正在运行或等待 CPU 时间片的进程数量。 | 判定饱和度的金标准。如果 r 持续大于 CPU 核数，说明 CPU 资源完全不够分，系统严重卡顿。 |
| b (Blocked) | procs -> b | 阻塞队列长度。处于不可中断睡眠（等待 I/O）的进程数量。 | 如果 b 值高，不要查 CPU，去查磁盘或网络存储（NFS/iSCSI）。 |
五、 总结与排查速查表
| 现象 | 可能原因 | 建议排查工具 | 解决思路 |
|---|---|---|---|
| User 高，Load 高 | 业务代码计算量大，死循环 | top (按 P 排序), perf | 优化代码算法，扩容 CPU，分析 Java 线程栈。 |
| Sys 高，Context Switch 高 | 线程切换频繁，锁竞争激烈 | pidstat -w, vmstat | 检查程序并发模型，是否线程池设置过大，减少不必要的系统调用。 |
| Load 高，CPU 使用率低 | 磁盘 I/O 阻塞 (D状态进程) | iotop, dmesg | 检查磁盘读写延迟，检查 NFS/存储挂载情况。 |
| Softirq (si) 高 | 网络包量过大 (PPS高) | ethtool, nicstat, sar -n DEV | 检查是否遭受攻击，开启网卡多队列，优化网络内核参数。 |
| Steal (st) 高 | 宿主机超卖，邻居抢资源 | 无（需联系云厂商） | 迁移实例，或者扩容。 |
| Wait (wa) 高 | 内存不足导致频繁 Swap | free -h, vmstat | 注意关联：内存不足引起 Swap 换入换出，会直接体现为 CPU 的 IOWait 升高。优先解决内存问题。 |
