一次压测引发的数据库CPU飙升...
这是2024年的第43篇文章
（ 本文阅读时间：15分钟 ）
一次压测过程中，当数据库的qps和tps都正常时，如果cpu利用率异常的高，应该如何排查？希望通过这篇文章，给你一些启发...
01
业务背景
业务需要控制频道内兑换现金的数量，于是在产品设计上给兑换现金增加了库存限制。
在此基础上形成了秒杀场景，峰值时核心接口qps上涨了近600倍（几十到几万） ，因此需要进行压测来对系统和DB水位摸一下高。
02
压测准备
大致分为下面几个步骤：
1）**压测流量评估：**就是定一下每个接口大致压测多少qps，以及压测时到各个下游系统的流量估计。
2）**压测改造：**因为压测都是用的压测账户，在频道里没有历史痕迹，很多逻辑是走不到的，并且这些逻辑的不同，会直接影响到数据库和下游的流量，因此我们需要根据频道的现有数据进行链路的mock（包括上述的流量评估也得基于这些不同链路的比例去算），举例如下：
3）**测试&发布：**既然改了代码，还是得交给可爱的测试同学回归下线上链路的，当然压测的链路就可以自己测一测了，看看改造是否符合预期，hsf控制台可以很方便的模拟影子链路：
4）**下游流量报备：**当然还是得跟各个下游系统知会一声的，切勿悄悄滴进村，打枪滴不要。
5）**压测数据准备：**主要是压测平台上的各种接口和压测流量配置（注意减去压测时的背景流量），以及压测账号申请等等（这一步也是交给测试同学）。
6）**小流量预跑：**在正式压测之前，大概用1%的流量先跑一下，看看本身系统以及下游是否有异常（这一步很有必要，有时候下游系统比较复杂，可能部分场景并不能支持压测流量，提前跑一下能发现很多问题，避免正式压测的时候下游报警，然后就是👋忙🦶乱）。
03
问题出现
好了，万事具备，经过上面一系列步骤，想必本次压测一定是顺顺利利吧！
压测，启动！
====== 10%压测流量，cpu利用率11% ====== 挺正常
====== 30%压测流量，cpu利用率20% ====== 稳中向好
====== 50%压测流量，cpu利用率30% ====== 符合预期
====== 80%压测流量，cpu利用率50% ====== 感觉有点问题，但是说不出来哪里有问题！
====== 100%压测流量，cpu利用率80% ===== 嗯？好像不对劲？有点高
====== 100%压测流量，稳定几分钟后，突然飙到100% ===== .....卧槽，肯定有问题，暂停压测！
唉，还是太年轻了。
赶紧排查，先拉了压测时间段的cpu曲线图：
看着cpu的监控图，我的脑海里浮现了三个疑问：
1.同等流量下，压测时的cpu利用率为什么高于线上实际值（线上约等于压测80%流量时，cpu利用率实际40%不到，压测时已经到60%了）？
2.流量80%时，为什么压测流量持续不动，cpu利用率会缓慢上涨呢？
3.流量100%时，分明一开始cpu利用率还维持在80%以下，然后突然就飙到100%了？
总体来说，就是CPU高于预期。
04
问题排查
第一时间我猜测是我的压测改造不符合预期，导致打到db的qps和tps过高导致。
急了，开始看代码，然后挑了几个压测trace在鹰眼上看调用，没找到问题。
然后发现我好蠢呐（主要是有点慌张），dbservice本身就有tps和qps的监控：
看了一下，有两点，一是持续压测的时候，qps并没有持续上涨，二是差不多同流量下qps的值确实略高于线上实际值，但远远没有cpu差值这么多，所以基本可以排除一开始的猜测。
陷入了瓶颈.....
这时候我知道今天的压测指定是不行了，所以很干脆地摆了，开始安心的找问题～
4.1 发现疑点
这时候拉了DBA同学一起帮我们看问题，DBA同学表示，一，数据库在长时间高压下会发生性能劣化，这也是cpu从80%突然暴涨到100%的原因（解答了第三个问题），至于CPU利用率异常是表象，qps和tps只是其中一个影响因素，建议我们看看其他指标。
于是挨个查看数据库性能指标（带宽、慢sql、RT....），然后终于发现了一个疑点：
这个缓慢升高的行读，非常符合压测流量80%时cpu曲线的变化，很可能是问题二的原因...
那是不是也有可能是问题一的原因呢？
4.2 确认疑点
对比正常峰值流量下的行读指标
好吧，这都差了一个数量级了，基本可以确定问题出在行读异常上了
开始思考为什么行读这么多还在持续上涨，难道是同一个sql查出来的行数会变多？
4.3 定位sql
其实这时候心里已经隐隐约约猜到问题在哪了，但还是顺着这个行读异常排查下去
通过对比定位到了有问题的sql
压测时：
正常时：
点进去也能看到具体的sql信息：
好吧，和我猜的一样，这下悬着的心终于死了。
4.4 代码分析
至于为什么同一条sql压测的平均行读会高这么多，还是得从代码层面来分析。
首先先看下改造逻辑和逻辑推导：
这么压测改造的原因是压测的账号是有限的（同一批压测账号重复的去轮询），如果所有账号都调过一遍接口，那后面的每次查询都能查到任务，不会再有DB写，为了更好的模拟线上实际情况，因此通过这种方法去让账号重新路由到注册逻辑。
然后看下任务的查询逻辑，如下：
`private TaskInstanceParam createQueryParamByEffectiveTime(TaskQueryParam queryParam) {` `final TaskInstanceParam dbQueryParam = new TaskInstanceParam();` `Date now = TimeTravelManager.getCurrentTime(queryParam.getUserId());` `dbQueryParam.createCriteria()` `.andUserIdEqualTo(queryParam.getUserId())` `.andBizTypeEqualTo(queryParam.getBizType())` `.andTemplateIdEqualTo(queryParam.getSubBizType())` `.andEffectiveStartTimeLessThanOrEqualTo(now)` `.andEffectiveEndTimeGreaterThan(now);` `dbQueryParam.appendOrderByClause(OrderCondition.EFFECTIVESTARTTIME, SortType.DESC);` `dbQueryParam.setPagination(1, 1);` `return dbQueryParam;` `}`
其实就是查询符合 effectiveStartTime <= now < effectiveEndTime 的最新一条任务， 所以每次注册插入的任务，都会在下次同一账号查询时，为sql多加一条符合条件的行记录。
至此原因已经很清晰了：随着压测的持续进行，每一个账户注册的任务条数会越来越多，因此同一条sql查询到的符合条件的行数会越来越多，CPU就会花费越来越多的资源逐行处理。
后续的解法：
1）查询的时候mock到数据的userId（提前准备好的线上实际来访userId，随机取一个）；
2）因为不影响查询了，所以插入逻辑不变。
05
原理刨析
接下来请ChatGpt老师上台，为我们普及下相关原理：
我 ：什么是行读，行读高cpu利用率就高嘛？
我 ：哦，听起来行读是比较笼统的概念，那什么是逻辑读和物理读呢，区别在哪里？
我：嗯哼，原理解释有点干燥，画个关系图（挑衅）？
我：啊？阿珍你来真的啊?
我：那总结一下，其实就是行读包括逻辑读和物理读两种，前者优于后者，平时的开发中，应该注意合理建立索引和优化sql，来减少扫描整体行读数以及物理读的次数呗，说的对就夸一下我？
06
反思
1.压测流量80%时，就应该敏感地关注到cpu是高于日常水位的，其实可以避免压测调到100%的cpu飙升；
2.对于DB的性能指标，压测时只关注了最表层的cpu利用率，其他的性能指标监控没有关注到位；
3.对于我们的任务场景下，查询的是有效期内的最新一条任务，实际上不太适合反复注册的压测mock，所以在压测改造时，还需要关注改造方式与场景的匹配程度。
欢迎留言一起参与讨论~
