關於sys CPU usage 100%問題的分析
阿新 • • 發佈：2019-01-22
原文地址：https://blogs.oracle.com/database4cn/sys-cpu-usage-100
最近一個客戶抱怨他的核心EBS資料庫出現效能問題。這是一個10.2.0.3的資料庫，
執行在Red Hat Enterprise Linux Server release 5.5 (Linux x86-64)作業系統上。
根據客戶描述，由於需要維護UPS，他們重啟了資料庫，結果重啟資料庫後他們發現只要他們的應用
開始連線資料庫，那麼主機的sys CPU使用率就會變成100%, 但是user CPU使用率幾乎是0.
而且只要停掉監聽或者應用不開啟新session連線資料庫，這個問題就會消失。
如下是問題發生期間的vmstat輸出，可見cpu中的sys（倒數第4列）幾乎100%, CPU Run Queue (第1列)
非常高，而此時free memory還有20G(第4列)，看來記憶體很充裕。
SNAP_INTERVAL 15
CPU_COUNT 32
zzz ***Fri Dec 2 17:05:03 CST 2016
procs -----------memory---------- ---swap-- -----io---- --system-- -----cpu------
r b swpd free buff cache si so bi bo in cs us sy id wa st
48 0 0 22026868 213392 37138888 0 0 21 31 13 39 6 8 86 0 0
44 1 0 21968452 213392 37138900 0 0 0 360 1093 537 8 92 0 0 0
44 1 0 21941632 213392 37139028 0 0 0 288 1080 371 9 91 0 0 0
......
zzz ***Fri Dec 2 17:10:12 CST 2016
procs -----------memory---------- ---swap-- -----io---- --system-- -----cpu------
r b swpd free buff cache si so bi bo in cs us sy id wa st
121 2 0 21495944 218356 37142412 0 0 21 31 13 39 6 9 85 0 0
122 4 0 21486192 218356 37142432 0 0 0 308 119 753 7 93 0 0 0
121 2 0 21478868 218364 37142424 0 0 0 592 97 517 5 95 0 0 0
首先我看了一遍客戶提供的AWR，發現DB相當空閒，雖然CPU time佔據了91.2，但是總的CPU Time
在119分鐘的取樣中只有18345秒(305分鐘)，相對於客戶32個CPU Core來說不是個問題。
Snap Id Snap Time Sessions Cursors/Session
Begin Snap: 38119 02-Dec-16 16:00:28 255 63.2
End Snap: 38121 02-Dec-16 18:00:18 193 48.7
Elapsed: 119.83 (mins)
DB Time: 335.30 (mins) <<< 相當空閒
Top 5 Timed Events
Event Waits Time(s) Avg Wait(ms) % Total Call Time Wait Class
CPU time 18,345 91.2
os thread startup 971 937 965 4.7 Concurrency
latch free 582 657 1,128 3.3 Other
db file sequential read 4,712,799 345 0 1.7 User I/O
log file parallel write 247,562 258 1 1.3 System I/O
AWR中沒發現什麼異常，DB的alert log顯示一些無法fork程序的訊息，估計是資源緊張了。
Fri Dec 2 17:06:16 2016
Process q002 died, see its trace file
Fri Dec 2 17:06:16 2016
ksvcreate: Process(q002) creation failed
好吧，一般情況下如果我們發現CPU高，無論是sys的還是user的，我們一般的做法是先定位top function call
然後通過這些function call來定位oracle或者OS行為，並且通過這些call來搜尋與匹配已知問題。
在linux上，最方便收集這些資訊的就是用perf這個工具。關於perf，參見:
https://perf.wiki.kernel.org/index.php/Tutorial
結果客戶說他們無法安裝perf命令，不過他提到他的OS中顯示很多錯誤:
Dec 2 17:05:23 erpdb1 kernel: BUG: soft lockup - CPU#5 stuck for 10s! [oracle:15668]
Dec 2 17:05:23 erpdb1 kernel: CPU 5:
Dec 2 17:05:23 erpdb1 kernel: Call Trace:
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff8000e9a8>] __set_page_dirty_nobuffers+0xc2/0xe9
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff80007c1b>] unmap_vmas+0x522/0x904
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff80012d08>] unmap_region+0xb8/0x12b
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff80011e45>] do_munmap+0x21b/0x29a
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff800655ab>] __down_write_nested+0x12/0x92
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff80121e88>] sys_shmdt+0x5b/0x133
Dec 2 17:05:23 erpdb1 kernel: [<ffffffff8005e28d>] tracesys+0xd5/0xe0
通過call stack，看來在回收記憶體時報錯了，推測這個錯誤應當發生在程序退出階段，
不過難以斷定這些錯誤與sys cpu高的因果關係。
結合客戶描述的現象，這看起來很像連線風暴，因此我們檢查了ps的輸出，發現程序數並未明顯增加,
不過問題最嚴重的時間斷片了。這些零碎的資訊並不能給我們一個很清晰的線索。
$ awk '/$ORACLE_SID/{n++;next}/^zzz/{if(t)print t,"-",n;t=$0;n=0}END{print t,"-",n}' XXXX_ps_16.12.02.1700.dat
zzz ***Fri Dec 2 17:04:18 CST 2016 - 235
zzz ***Fri Dec 2 17:04:33 CST 2016 - 236
zzz ***Fri Dec 2 17:04:48 CST 2016 - 229
zzz ***Fri Dec 2 17:05:03 CST 2016 - 228 <<<< 此時問題實際上已經發生了
zzz ***Fri Dec 2 17:05:19 CST 2016 - 178 <<<< 17:05 ~ 17:13 的斷片了
zzz ***Fri Dec 2 17:13:19 CST 2016 - 283 <<<<
zzz ***Fri Dec 2 17:13:34 CST 2016 - 283
zzz ***Fri Dec 2 17:13:49 CST 2016 - 196
接下來看了top，發現雖然OS的sys CPU高，不過top的process都是oracle，表明此問題一定
與oracle有點關係。
zzz ***Fri Dec 2 17:05:03 CST 2016
top - 17:05:05 up 9:24, 3 users, load average: 41.76, 28.54, 19.68
Tasks: 660 total, 45 running, 615 sleeping, 0 stopped, 0 zombie
Cpu(s): 8.3%us, 91.7%sy, 0.0%ni, 0.0%id, 0.0%wa, 0.0%hi, 0.0%si, 0.0%st
Mem: 65993408k total, 44046040k used, 21947368k free, 213392k buffers
Swap: 62918564k total, 0k used, 62918564k free, 37139028k cached
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
19610 oracle 25 0 9917m 8.5g 8.5g R 101.8 13.6 1:19.76 oracle
19756 oracle 25 0 9917m 7.0g 7.0g R 100.9 11.1 1:05.76 oracle
19760 oracle 25 0 9917m 6.7g 6.7g R 100.9 10.7 1:06.56 oracle
19942 oracle 25 0 9917m 5.1g 5.1g R 100.9 8.0 0:46.67 oracle
20107 oracle 25 0 9917m 3.1g 3.1g R 100.9 4.9 0:26.39 oracle
20204 oracle 25 0 9917m 1.2g 1.2g R 100.9 1.9 0:10.63 oracle
19486 oracle 25 0 9917m 9.3g 9.3g R 99.9 14.8 1:25.10 oracle
19721 oracle 25 0 9917m 6.9g 6.8g R 99.9 10.9 1:08.22 oracle
那麼問題來了，oracle軟體一般都是執行user code，因此大多數情況下會消耗user space
的CPU，怎麼會消耗sys CPU呢？ 先man一下top:
sy - This is the amount of time that the CPU spent running the kernel.
All the processes and system resources are handled by the Linux kernel.
When a user space process needs something from the system, for example
when it needs to allocate memory, perform some I/O, or it needs to
create a child process, then the kernel is running.
這說明oracle程序是有可能消耗kernel space的CPU的，比如申請記憶體，執行I/O等。
挑出上面的top列出的程序，在ps輸出中找規律:
$ grep 19610 Dec*
TIME USER PID PPID PRI %CPU %MEM VSZ RSS WCHAN S STARTED TIME COMMAND
Dec 2 17:03:17 oracle 19610 1 14 78.5 0.9 10155628 605564 - R 17:03:10 00:00:05 ora_q002_XXXX
Dec 2 17:03:32 oracle 19610 1 14 57.6 2.1 10155628 1437940 - R 17:03:09 00:00:13 ora_q002_XXXX
Dec 2 17:03:47 oracle 19610 1 14 67.6 4.3 10155628 2868692 - R 17:03:10 00:00:25 ora_q002_XXXX
Dec 2 17:04:02 oracle 19610 1 14 75.8 6.9 10155628 4559708 - R 17:03:09 00:00:40 ora_q002_XXXX
Dec 2 17:04:18 oracle 19610 1 14 76.7 9.1 10155628 6015688 - R 17:03:10 00:00:52 ora_q002_XXXX
Dec 2 17:04:33 oracle 19610 1 14 70.9 10.4 10155628 6865876 - R 17:03:09 00:00:59 ora_q002_XXXX
Dec 2 17:04:48 oracle 19610 1 14 67.7 11.6 10155628 7684088 - R 17:03:09 00:01:07 ora_q002_XXXX
Dec 2 17:05:03 oracle 19610 1 14 68.9 13.3 10155628 8838576 - R 17:03:10 00:01:18 ora_q002_XXXX
$ grep 19756 Dec*
TIME USER PID PPID PRI %CPU %MEM VSZ RSS WCHAN S STARTED TIME COMMAND
Dec 2 17:03:47 oracle 19756 1 16 50.0 0.3 10155628 222508 - R 17:03:44 00:00:02 oracleXXXX (LOCAL=NO)
Dec 2 17:04:02 oracle 19756 1 14 47.9 1.4 10155628 961764 - R 17:03:43 00:00:09 oracleXXXX (LOCAL=NO)
Dec 2 17:04:18 oracle 19756 1 14 55.5 3.0 10155628 2021664 - R 17:03:44 00:00:18 oracleXXXX (LOCAL=NO)
Dec 2 17:04:33 oracle 19756 1 14 68.4 5.6 10155628 3703572 - R 17:03:43 00:00:34 oracleXXXX (LOCAL=NO)
Dec 2 17:04:48 oracle 19756 1 14 75.4 8.2 10155628 5459948 - R 17:03:43 00:00:49 oracleXXXX (LOCAL=NO)
Dec 2 17:05:03 oracle 19756 1 14 80.6 10.9 10155628 7217680 - R 17:03:44 00:01:04 oracleXXXX (LOCAL=NO)
從以上輸出可以發現一個明顯規律: 這些程序的RSS在1分多鐘從幾十M變成7~8G，但是VSZ卻沒有變化。
接著man ps
VSZ: virtual memory usage of entire process. vm_lib + vm_exe + vm_data + vm_stack
RSS: resident set size, the non-swapped physical memory that a task has used (in kiloBytes). (alias rssize, rsz).
任何一個oracle程序的VSZ約等於SGA加上這個程序的PGA(實際上VSZ還包含一些kernel記憶體)，正常情況下一個程序的pga是很小的。
以上輸出中VSZ沒有改變，因此發生巨大變化的RSS申請的記憶體一定不是PGA而是SGA（因為如果增長的是PAG那麼VSZ也會跟著增長）。
好吧，那麼只有一個可能了，那就是這個程序在touch整個sga，為什麼會這樣？
我們需要再回到原點再看一眼AWR的資料庫引數資訊，赫然發現如下內容:
sga_max_size 10250878976
sga_target 8304721920
pre_page_sga TRUE <<<< 看這裡
這個設定中的sga_max_size正好10g，與我們在ps中看到的VSZ正好相等。
問題的原因是客戶設定了pre_page_sga=true，這樣在oracle程序啟動階段會touch整個SGA，
這個過程中會呼叫OS的sys call來touch 整個 shared memory entry，因此引發了高SYS CPU消耗。
參見如下文件的描述:
Health Check Alert: Consider setting PRE_PAGE_SGA to FALSE (Doc ID 957525.1)
回過頭來再看alert log，觀察引數pre_page_sga是什麼時候改的，發現它在很久以前的很多次重啟就是true了。
也就是說，這個問題一直都存在，只是客戶最近維護UPS之後才發現，維護UPS這個資訊誤導了我們。