Node.js CPU 偶发 100% 排查小结

发表于 3年以前 | 总阅读数：637 次

开始前，先贴下本文目录，主要篇幅在第二部分：如何定位。

前言（背景）

内部管理系统，Node.js项目线上运行一直稳定、正常，某天开始使用人员反馈系统访问卡顿，同时对应服务器出现CPU 占用 95% ~ 120%过高的钉钉告警，超过100%是因为对应Linux服务器是多核，出现后1~5分钟后正常，偶发出现，这次问题持续时间较长，参考、阅读了不少文章，写个博文记录、总结下。

问题出现 ~ 解决时间 2021.07.21 ~ 2021.08.01

先说下内部系统技术架构，前端React，后端NodeJS框架Egg.js(Koa2封装)。所以监控定位时有些 NodeJs 库不适合接入，这个第二部分详细讲。

如何定位

Node项目接入性能监控平台

NodeJs项目出现CPU占用100%以上时，登录对应服务器命令行top -c查看当前服务器哪个进程占用CPU最高！

对于偶发场景，不可能一直开着终端，且出现问题了没有监控告警，无法知道出现问题的具体时间，不方便定位解决问题。

所以需要接入性能监控平台，具体可看如何接入Node监控平台 - alinode ，我们是内部服务器部署了aliNode，操作界面差不多。接入成功后，出现CPU过高时有以下图表：

当然也有其他 Node.js 插件能实现类似的监控，具体参考：NodeJs调试指南，接入成功后主要看两项：火焰图和GC Trace（垃圾回收跟踪）

火焰图

火焰图（Flame Graph）大家应该听过，它可以将 CPU 的使用情况可视化，使我们直观地了解到程序的性能瓶颈。我们通常要结合操作系统的性能分析工具（profiling tracer）使用火焰图，常见的操作系统的性能分析工具如下：

Linux：perf, eBPF, SystemTap, and ktap。
Solaris, illumos, FreeBSD：DTrace。
Mac OS X：DTrace and Instruments。
Windows：Xperf.exe。

如果未接入NodeJs性能监控，得在服务器（一般是Linux）安装以上分析工具；

接入NodeJs性能监控后能一键导出火焰图，理解火焰图网上很多教程，例如：快速定位NodeJs线上问题 - 之火焰图篇

理论上通过火焰图能定位到具体是哪一行代码导致CPU 过高。

然而，这边实践发现火焰图两问题：

1）时效性不够

例如 Node性能监控上 “抓取性能数据” - 生成火焰图，生成的是最近5分钟的火焰图，出现问题（看到钉钉告警）再上去“抓取”生成的可能是正常运行代码的火焰图。

2）无法定位到具体代码

即使CPU过高问题持续很久， “抓取”的是异常运行状态下的火焰图，也有可能发现生成的图不对劲，无法与我们业务代码锲合，这边就遇到生成的火焰图无法定位到具体代码（-_-||。

不同项目不一样，或许火焰图能帮助大家定位到具体代码。

顺便说下，Node性能监控平台一般能导出火焰图文件，导出的文件名如：u-c3979add-7db3-4365-b1ed-9a2556b6a320-u-x-cpuprofile-4012-20210730-241648.cpuprofile, 在 Chrome 上可导入：

GC Trace（垃圾回收跟踪）

Node 底层V8引擎的垃圾回收一般跟内存相关，为什么CPU过高要看垃圾回收跟踪数据？

因为 NodeJs 内存泄露会导致超过 V8引擎垃圾回收最大内存（1.4G），进而重启 V8 GC 导致 CPU 100%。

默认情况下，32位系统新生代内存大小为16MB，老生代内存大小为700MB，64位系统下，新生代内存大小为32MB，老生代内存大小为1.4GB。

当然可修改 V8 垃圾回收最大内存上限值：

# node在启动时可以传递参数来调整限制内存大小。以下方式就调整了node的使用内存
node --max-old-space-size=1700 // 单位是MB
node --max_semi_space_size=1024 // 单位是KB

以下截图内容引自Node.js 应用故障排查手册，考虑脱敏就不用内部监控系统截图。

Node性能监控平台，默认会抓取 5 分钟的对应进程的 GC 日志信息，等到结束后生成的文件会显示在文件页面：

此时点击转储即可上传到云端以供在线分析展示了，如下图所示：

最后点击这里的分析按钮，即可看到 AliNode 定制后的 GC 信息分析结果的展现：

结果展示中，可以比较方便的看到问题进程的 GC 具体次数，GC 类型以及每次 GC 的耗费时间等信息，方便我们进一步的分析定位。比如这次问题的 GC Trace 结果分析图中，我们可以看到红圈起来的几个重要信息：GC 总暂停时间高达 47.8s，大头是 Scavenge 3min 的 GC 追踪日志里面，总共进行了 988 次的 Scavenge 回收每次 Scavenge 耗时均值在 50 ~ 60ms 之间从这些解困中我们可以看到此次 GC 案例的问题点集中在 Scavenge 回收阶段，即新生代的内存回收。那么通过翻阅 V8 的 Scavenge 回收逻辑可以知道，这个阶段触发回收的条件是：Semi space allocation failed。这样就可以推测，我们的应用在压测期间应该是在新生代频繁生成了大量的小对象，导致默认的 Semi space 总是处于很快被填满从而触发 Flip 的状态，这才会出现在 GC 追踪期间这么多的 Scavenge 回收和对应的 CPU 耗费，这样这个问题就变为如何去优化新生代的 GC 来提升应用性能。

这里可能有同学看不懂 Scavenge GC 和 Mark-sweep GC 。具体到业务代码来说 Scavenge GC 就是一些占用内存比较小的临时变量回收处理。

而 Mark-sweep GC 是占用内存小的全局变量或占用内存大的临时变量回收处理。

总的来说，只要出现 GC Trace（垃圾回收跟踪）时间过长，一般都是内存泄露导致超过 V8引擎垃圾回收最大内存（1.4G）进而重启 V8 GC 导致 CPU 100%。

具体看深入浅出Node(第五章内存控制) - 微信读书，国内最经典的NodeJS书籍《深入浅出Node》虽然是2013年12月1日出版，但关于 V8引擎垃圾回收机制内容放现在也不过时，V8引擎官方最近关于垃圾回收机制更新（2019 - V8 引擎官方：GC算法更新）内容基本没变，只是Mark-sweep GC 阶段添加了三优化机制。

这边场景，观察到 GC Trace 相关数据正常，所以排除内存泄露导致CPU过高。

单独服务器部署

通过火焰图和 GC Trace 还是无法定位到具体代码怎么办？每天都会出现 2 ~ 3次，怀疑是服务器其他服务影响，也考虑到需要多台服务器来重现模拟问题。

所以跟运维申请全新的一台服务器，配置可以低一些，主要用于排除干扰。

在新服务器部署代码后，将访问域名单独映射到新服务器，然后继续观察是否出现 CPU 飙高情况。结论是新服务器运行的代码还是出现 CPU 占用 100%以上情况：

当然单独服务器的 CPU 趋势更加的直观，正常运行CPU 占用率为 1 ~ 5%。

访问日志添加

为什么域名只映射到这台新服务器？主要方便添加、查看日志，多台服务器的话用户访问记录太分散，徒增分析、整理日志时间成本。

EggJs日志 API 可记录用户每次访问的页面，或二级页面弹层时加载数据等 API数据请求；

在中间件添加记录访问日志代码，静态文件请求忽略。

// app -> middleware -> init.ts 
if (!reqPath.includes('/public/')) {
  ctx.logger.warn('reqPath:', reqPath);
}

添加成功后日志中，包含 “WARN”就是用户访问历史记录：

备注：添加用户历史访问后，日志体积会增大，我们内部系统访问的人不多，每天大概产生 3M 日志数据，可考虑添加定时清理日志脚本，每天定时清理。

egg 定时任务API，对应清理日志脚本：

import { Subscription } from 'egg';
import * as fs from 'fs';
import * as child_process from 'child_process';

const CLEAR_WHITE_LIST = ['common-error.log', 'my_app-web.log']; // 保留日志白名单
class ClearLogs extends Subscription {
  static get schedule() {
    return {
      cron: '0 30 7 * * *', // 每天检查一次
      type: 'worker', // 每台机器，随机指定某个进程进行执行定时任务
      // immediate: true,  // 为true时,启动时直接执行
    };
  }
  /**
   * subscribe 是真正定时任务执行时被运行的函数
   */
  async subscribe() {
    const { ctx } = this;
    ctx.logger.info('开始清理日志！');
    this.clearLog();
  }
  async clearLog() {
    const { ctx } = this;
    const loggerPath = ctx.app.config.logger.dir; // eg: /home/webserver/logs/logger/flat_cms/prod
    ctx.logger.info('loggerPath: ', loggerPath);
    const twoCount = (count: number) => {
      return count < 10 ? '0' + count : count.toString();
    };

    // 删除文件、文件夹
    const unlinkFile = (logNameList: string[], subDirPath: string) => {
      // console.log('保留文件列表 - logNameList: ', logNameList);
      const subFiles = fs.readdirSync(subDirPath);
      subFiles.forEach(fileName => {
        const filePath = `${subDirPath}/${fileName}`;
        const state = fs.statSync(filePath);
        if (state.isFile()) {
          if (!logNameList.includes(fileName)) {
            fs.unlinkSync(filePath);
            // console.log('删除文件：', fileName);
          }
        } else if (state.isDirectory()) {
          const workerProcess = child_process.exec(`rm -rf ${filePath}`, 
            (error:any) => {
              if (error) {
                ctx.logger.info('删除文件夹异常 Error code: ' + error.code)
              }
            });
          workerProcess.on('exit', function (code) {
            ctx.logger.info('子进程已退出，退出码 ' + code);
          })
        }
      });
    };
    // 获取最近三天 日志文件
    const logNameList: string[] = []; 
    CLEAR_WHITE_LIST.forEach((logPath)=> {
      logNameList.push(logPath); // eg: common-error.log
    });
    [ new Date(Date.now() - 3600 * 1000 * 24 * 2), new Date(Date.now() - 3600 * 1000 * 24), new Date() ].forEach(timeObj => {
      const logSuffix = `${timeObj.getFullYear()}-${twoCount(timeObj.getMonth() + 1)}-${twoCount(timeObj.getDate())}`; // 简单日期处理,不用moment模块
      CLEAR_WHITE_LIST.forEach((logPath)=> {
        const logName = `${logPath}.${logSuffix}`; // eg: common-error.log.2021-03-06
        logNameList.push(logName);
      });
    });

    unlinkFile(logNameList, loggerPath);
    ctx.logger.info('清理日志结束！');
  }
}

module.exports = ClearLogs;

CPU趋势、历史记录分析和定位

接入NodeJS性能监控后， CPU过高时有钉钉告警，然后通过 CPU趋势图可定位到 CPU 占用过高前分钟级别的细粒度信息，例如：确定 2021.07.29 17:30 ~ 2021.07.29 17:32 这段时间内CPU异常。

结合这段时间内用户访问历史，可整理缩小范围，知道访问了哪些页面、请求了哪些API接口导致CPU过高。

一次可能看不出，每次出现整理一份日志记录，多份数据对比可进一步缩小访问哪些页面导致CPU过高问题范围。

复现问题

有了日志对比，可模拟访问页面，同时登陆服务器运行指令：top -c 观察CPU运行情况，访问上述整理出现CPU过高时 1 ~ 2分钟内的每一路由模拟复现问题。

备注：NodeJS 性能监控平台查看 CPU 运行数据会有一定延时，还是直接登录服务器指令查看更实时！

通过模拟访问定位到访问某路由导致 CPU过高！

因为部署了多台服务器，确定访问某路由能重现后，可直接 IP 访问旧服务器代码，然后相同方式最终确认！

访问某路由时，其他服务器 NodeJs性能监控平台 CPU 情况。（几个尖刺是调试确认时的截图）

定位思路小总结

总的来说定位问题是以下四步骤：

分析火焰图，试图根据火焰图定位到具体代码；
分析 GC Trace, 判断是否代码内存泄露导致CPU 过高；
单独服务器部署，排除干扰，确定是否业务代码导致CPU占用率高，添加每个路由（页面路由、API请求路由）的日志（日志定时清理）；
通过对比 CPU 飙高前 2~ 3分钟内请求的页面，找出对应页面、二级页面等进行访问观察对应服务器CPU占用值。

解决问题

以上确定了具体路由后，就能深入其业务代码（100~200行）查看原因。

最终定位是某个二级弹层请求数据（API路由）时，如果该业务数据满足某一条件时，会将做全表查询，对十多万数据进行遍历处理导致CPU飙高！藏的很深！

原因：历史代码没考虑性能，有全表查询逻辑，当然一开始业务表数据几千条数据不会触发，随着业务演进，数据量增加至十万级别就出现CPU飙升100%情况！

解决：定位到原因解决就简单多了，当然，改动的不是一个API路由，而是对应数据库表关联的所有业务代码。历史代码太多，改动了近10个API路由。

解决的具体方案不展开了，简述就是懒加载、MY SQL 语句优化相关：

问题：数据量大时，根据条件检索特别慢
解决：1）给检索字段添加索引；2）部分根据模糊匹配（LIKE '%${filterVar}%'）前端过滤。
前端过滤 是对当前页数据进行过滤， 配合 pageSize 最大值调整，例如:调整为当前页最多显示5000, 检索效果、交互欠佳；后续考虑大数据检索，新检索条件最好通过新增字段 实现（方便添加索引）；

中台系统列表项数据懒加载
问题：中台系统列表项数据量过大（万级别），导致性能、交互问题， 
解决：进入页面 或 onFocus 请求 Top 100数据， 用户输入后 配合  抖动函数实时更新列表；

小总结

本文主要分享 Node.js 项目运行时出现 CPU 飙升 100% 时，排查、定位到具体业务代码的思路。偶发的线上Node.js问题排查需要各种工具辅助，推荐 alinode 、 Easy-Monitor 这类集成了多种工具的应用性能监控与线上故障定位解决方案。当然网上各种总结帖， CPU 过高问题原因很多，本文提供一种定位思路。有其他更好方法请评论区补充~