經常有使用者諮詢「MongoDB CPU 利用率很高，都快跑滿了」，應該怎麼辦？

遇到這個問題，99.9999% 的可能性是「使用者使用上不合理導致」，本文主要介紹從應用的角度如何排查 MongoDB CPU 利用率高的問題

Step1: 分析資料庫正在執行的請求

使用者可以通過 Mongo Shell 連線，並執行 db.currentOp() 命令，能看到資料庫當前正在執行的操作，如下是該命令的一個輸出示例，標識一個正在執行的操作。重點關注幾個欄位

• client：請求是由哪個客戶端發起的？
• opid：操作的opid，有需要的話，可以通過 db.killOp(opid) 直接幹掉的操作
• secs_running/microsecs_running： 這個值重點關注，代表請求執行的時間，如果這個值特別大，就得注意了，看看請求是否合理
• query/ns: 這個能看出是對哪個集合正在執行什麼操作
• lock*：還有一些跟鎖相關的引數，需要了解可以看官網文件，本文不做詳細介紹

db.currentOp 文件在這裡，多看官網文件

    {
        "desc" : "conn632530",
        "threadId" : "140298196924160",
        "connectionId" : 632530,
        "client" : "11.192.159.236:57052",
        "active" : true,
        "opid" : 1008837885,
        "secs_running" : 0,
        "microsecs_running" : NumberLong(70),
        "op" : "update",
        "ns" : "mygame.players",
        "query" : {
            "uid" : NumberLong(31577677)
        },
        "numYields" : 0,
        "locks" : {
            "Global" : "w",
            "Database" : "w",
            "Collection" : "w"
        },
        ....
    },
 

這裡先要明確一下，通過 db.currentOp() 檢視正在執行的操作，目的到底是什麼？

並不是說我們要將正在執行的操作都列出來，然後通過 killOp 逐個幹掉；這一步的目的是要看一下，是否有「意料之外」的耗時請求正在執行。

比如你的業務平時 CPU 利用率不高，運維管理人員連到資料庫執行了一些需要全表掃描的操作，然後突然 CPU 利用率飆高，導致你的業務響應很慢，那麼就要重點關注下那些執行時間很長的操作。

一旦找到罪魁禍首，拿到對應請求的 opid，執行 db.killOp(opid) 將對應的請求幹掉。

如果你的應用一上線，cpu利用率就很高，而且一直持續，通過 db.currentOp

Step2：分析資料庫慢請求

MongoDB 支援 profiling 功能，將請求的執行情況記錄到同DB下的 system.profile 集合裡，profiling 有3種模式

profiling 設定文件在這裡，多看官網文件

• 關閉 profiling
• 針對所有請求開啟 profiling，將所有請求的執行都記錄到 system.profile 集合
• 針對慢請求 profiling，將超過一定閾值的請求，記錄到system.profile 集合

預設請求下，MongoDB 的 profiling 功能是關閉，生產環境建議開啟，慢請求閾值可根據需要定製，如不確定，直接使用預設值100ms。

operationProfiling：
  mode: slowOp
  slowOpThresholdMs： 100

基於上述配置，MongoDB 會將超過 100ms 的請求記錄到對應DB 的 system.profile 集合裡，system.profile 預設是一個最多佔用 1MB 空間的 capped collection。

檢視最近3條 慢請求，{$natrual: -1} 代表按插入數序逆序
db.system.profile.find().sort({$natrual: -1}).limit(3)

在開啟了慢請求 profiling 的情況下（MongoDB 雲資料庫是預設開啟慢請求 profiling的），我們對慢請求的內容進行分析，來找出可優化的點，常見的包括。

profiling的結果輸出含義在這裡，多看官網文件

CPU殺手1：全表掃描

全集合（表）掃描 COLLSCAN，當一個查詢（或更新、刪除）請求需要全表掃描時，是非常耗CPU資源的，所以當你在 system.profile 集合 或者 日誌檔案發現 COLLSCAN 關鍵字時，就得注意了，很可能就是這些查詢吃掉了你的 CPU 資源；確認一下，如果這種請求比較頻繁，最好是針對查詢的欄位建立索引來優化。

一個查詢掃描了多少文件，可檢視 system.profile 裡的 docsExamined 的值，該值越大，請求CPU開銷越大。

> 關鍵字：COLLSCAN、 docsExamined

CPU殺手2：不合理的索引

有的時候，請求即使查詢走了索引，執行也很慢，通常是因為合理建立不太合理（或者是匹配的結果本身就很多，這樣即使走索引，請求開銷也不會優化很多）。

如下所示，假設某個集合的資料，x欄位的取值很少（假設只有1、2），而y欄位的取值很豐富。

{ x: 1, y: 1 }
{ x: 1, y: 2 }
{ x: 1, y: 3 }
......
{ x: 1, y: 100000} 
{ x: 2, y: 1 }
{ x: 2, y: 2 }
{ x: 2, y: 3 }
......
{ x: 1, y: 100000} 

要服務 {x: 1: y: 2} 這樣的查詢

db.createIndex( {x: 1} )         效果不好，因為x相同取值太多
db.createIndex( {x: 1, y: 1} )   效果不好，因為x相同取值太多
db.createIndex( {y: 1 } )        效果好，因為y相同取值很少
db.createIndex( {y: 1, x: 1 } )  效果好，因為y相同取值少

至於{y: 1} 與 {y: 1, x: 1} 的區別，可參考MongoDB索引原理 及 複合索引官方文件 自行理解。

一個走索引的查詢，掃描了多少條索引，可檢視 system.profile 裡的 keysExamined 欄位，該值越大，CPU 開銷越大。

>關鍵字：IXSCAN、keysExamined

CPU殺手3：大量資料排序

當查詢請求裡包含排序的時候，如果排序無法通過索引滿足，MongoDB 會在記憶體李結果進行排序，而排序這個動作本身是非常耗 CPU 資源的，優化的方法仍然是建立索引，對經常需要排序的欄位，建立索引。

當你在 system.profile 集合 或者 日誌檔案發現 SORT 關鍵字時，就可以考慮通過索引來優化排序。當請求包含排序階段時， system.profile 裡的 hasSortStage 欄位會為 true。

> 關鍵字：SORT、hasSortStage

其他還有諸如建索引，aggregationv等操作也可能非常耗 CPU 資源，但本質上也是上述幾種場景；建索引需要全表掃描，而vaggeregation 也是遍歷、查詢、更新、排序等動作的組合。

Step3: 服務能力評估

經過上述2步，你發現整個資料庫的查詢非常合理，所有的請求都是高效的走了索引，基本沒有優化的空間了，那麼很可能是你機器的服務能力已經達到上限了，應該升級配置了（或者通過 sharding 擴充套件）。

當然最好的情況時，提前對 MongoDB 進行測試，瞭解在你的場景下，對應的服務能力上限，以便及時擴容、升級，而不是到 CPU 資源用滿，業務已經完全撐不住的時候才去做評估。