身为一个SRE，工作中经常会遇到各种奇奇怪怪的服务异常问题。这些问题在staging（测试环境）没有发现，但放到真实的生产环境就会碰到，最关键的是难以复现，某些问题可能是几个月才会复现。
初次碰到可能会手忙脚乱，暴力的解决手段是将机器拉下线，然后开始专家会诊，但是脱离了线上真实环境，没有线上真实流量，某些问题可能不好复现了，这种方式还不是特别适合。
如何找到病因
大部分情况，其实我们已经可以通过top，pidstat等命令定位到具体是哪一个服务出的问题。当然重启服务可以解决60%以上的服务异常问题，但是重启后会丢失现场。
重启一时爽，一直重启就不爽了。还是需要定位到具体的问题。我还是希望知道底病根在哪，最好直接告诉我哪个具体函数，哪条语句导致的问题或者bug。最差也得知道是大致什么节点的什么类型故障
很多人可能会想到GDB。虽然这些工具很伟大，但是这应该不适合我们sre在已经服务已经发病的情况下使用，因为线上的服务不能被中止。GDB在调试过程中设置断点会发出SIGSTOP信号，这会让被调试进程进入T (TASK_STOPPED or TASK_TRACED)暂停状态或跟踪状态。同时 GDB 所基于的 ptrace 这种很古老的系统调用，其中的坑和问题也非常多。
比如 ptrace 需要改变目标调试进程的父亲，还不允许多个调试者同时分析同一个进程，而且不太熟悉GDB的人可能会把程序调试挂了，这种交互式的追踪过程通常不考虑生产安全性，也不在乎性能损耗。另外提一下，strace也是基于ptrace的，所以strace也是对性能不友好的。
那么就要提到动态追踪技术了，动态追踪技术通常通过探针这样的机制发起查询。动态追踪一般来说是不需要应用目标来配合的，随时随地，按需采集，而且它非常大的优势为性能消耗极小（通常5%或者更低的水平）。
动态追踪
动态追踪的工具很多，systemtap，perf，ftrace，sysdig，dtrace，eBPF等，由于我们的线上服务器是Linux系统，且内核版本没有那么激进的使用最新的版本，所以我还是比较倾向于使用perf或者systemtap。就我个人而言，perf无疑是我的最爱了。
动态追踪的事件源根据事件类型不同，主要分为三类。静态探针， 动态探针以及硬件事件。
静态探针：事先在代码中定义好的一类，已经编译进应用程序或内核中的探针。常见的有 tracepoints（这是散落在内核源代码中的一些hook，使能后一旦特定的代码被运行到时就会被触发）还有USDT探针。
动态探针：事先没有在代码中定义，但是可以在运行时动态加载，比如函数返回值等。常见的有uprobes（跟踪用户态函数）和kprobes（跟踪内核态函数）。
硬件事件：一般由PMC产生，比如intel的CPU，一般会内置统计性能的寄存器（Hardware Prefirmance Counter）。
想要查看可触发的采样事件可以通过 perf list 去展示
$ perf list
List of pre-defined events (to be used in -e):
branch-instructions OR cpu/branch-instructions/ [Kernel PMU event]
branch-misses OR cpu/branch-misses/ [Kernel PMU event]
... ...可以看下perf是支持很多事件的（注：由于线上服务器内核版本不是最新的，所以这里看到的有些少）
$ perf list | wc -l
1196其主要分这几大类（不同的版本可能看到的不一样），HardWare Event，SoftWare Event，Kernel Tracepoint Event，User Statically-Defined Tracing (USDT)，Dynamic Tracing。
HardWare Event
就是上面提到的PMC，通过这些内容可以获取到cpu周期，2级缓存命中等事件，其实这些有些太过底层，在实际业务中并用不到这些的。
SoftWare Event
软件事件是区别硬件事件的，比如缺页，上下文切换等。
Kernel Tracepoint Event
内核追踪点事件一般就是我们能想到的一些内核事件。Linux内核中定义了大量的跟踪点，在代码层面就被编译进内核，如TCP，文件系统，磁盘I/O，系统调用，随机数产生等等了。
User Statically-Defined Tracing (USDT)
与内核追踪点事件类似，只不过是用户级的，需要在源代码中插入DTRACE_PROBE()代码，其实不少软件都已经实现了，如Oracle。且一般在编译的时候使用 ./configure --with-dtrace。如下所示是加上探测器的一段代码，在<sys/sdt.h>中加入的了DTRACE_PROBE() 宏的引用
#include <sys/sdt.h>
...
void
main_look(void)
{
...
query = wait_for_new_query();
DTRACE_PROBE2(myserv, query__receive, query->clientname, query->msg);
process_query(query)
...
}Dynamic Tracing
动态追踪。当内核编译时开启CONFIG_KPROBES和CONFIG_UPROBES就可以使用动态的跟踪。有了这些，我们就可以通过添加探针，来追踪一个应用程序的内核调用，如打开文件，发送tcp报文。
$ perf probe --add 'do_sys_open filename:string'$ perf record -e probe:do_sys_open -aR -p ${Service PID}
$ perf script -i perf.data当然了，perf有很多的用法，下面大致介绍一下。
有了perf，我还可以对应用程序发生的系统调用做一次详细的剖析。有了这些可以深层次的分析一个代码的调用关系。就像下面一样，压缩文件发生的是大量的read和write
# perf stat -e 'syscalls:sys_enter_*' gzip file 2>&1 | awk '$1 != 0'
Performance counter stats for 'gzip file':
1 syscalls:sys_enter_utimensat
1 syscalls:sys_enter_unlink
3 syscalls:sys_enter_newfstat
1 syscalls:sys_enter_lseek
2,180 syscalls:sys_enter_read
4,337 syscalls:sys_enter_write
3 syscalls:sys_enter_access
1 syscalls:sys_enter_fchmod
1 syscalls:sys_enter_fchown
...
2.309268546 seconds time elapsed亦或者通过perf trace 去跟踪某个进程的系统调用。比starce好用多了。事实上前面也提到过strace是对性能很不友好的。这里可以看下，gzip同样的文件，相同的操作，被strace后，执行总是慢一些。我试了很多次，perf的追踪总是在2.3s左右，而strace就是2.9s左右。
# time strace -c gzip file
% time seconds usecs/call calls errors syscall
------ ----------- ----------- --------- --------- ----------------
67.69 0.125751 29 4337 write
27.36 0.050826 23 2180 read
4.12 0.007661 7661 1 unlink
0.20 0.000377 94 4 openat
0.12 0.000231 77 3 3 access
0.08 0.000157 22 7 close
...
------ ----------- ----------- --------- --------- ----------------
100.00 0.185767 6568 4 total
real 0m2.919s
user 0m0.669s
sys 0m2.263sperf最强大的还是 perf record,它支持先记录，后查看，记录完成后通过perf report查看。比如我想记录某个应用程序的IO情况。以SimpleHTTPServer为例，可以看到当从SimpleHTTPServer下载文件时的读磁盘的调用。
$ perf record -e block:block_rq_issue -ag -p ${Service PID}
$ perf report -i perf.data
Samples: 105 of event 'block:block_rq_issue', Event count (approx.): 105
Children Self Trace output
- 0.95% 0.95% 8,0 R 0 () 24895224 + 1024 [python]
0
__GI___libc_read
tracesys
sys_read
vfs_read
do_sync_read
xfs_file_aio_read
xfs_file_buffered_aio_read
generic_file_aio_read
page_cache_async_readahead
ondemand_readahead
__do_page_cache_readahead
... ...或者是对一个应用服务程序进行全方位的追踪
perf record -F 99 -ag -p ${Service PID} -- sleep 10然后通过perf report -i perf.data 来进行分析
Samples: 21 of event 'cpu-clock', Event count (approx.): 5250000
Children Self Command Shared Object Symbol
- 76.19% 0.00% python [kernel.vmlinux] [k] system_call
- system_call
- 28.57% sys_recvfrom
SYSC_recvfrom
- sock_recvmsg
+ 23.81% inet_recvmsg
- 4.76% security_socket_recvmsg
selinux_socket_recvmsg
sock_has_perm
avc_has_perm_flags
+ 23.81% sys_sendto
+ 19.05% sys_shutdown
+ 4.76% sys_newstat
这里的分析结果显示分为四列其中 Overhead 是我们需要关注的，因为这个比例占用的多的话，证明该程序的大部分时间都在处理这个事件。其次是Symbol，也就是函数名，未知的话会用16进制表示的。
perf stat 也是一个不错的程序性能分析工具，在上面的例子中，我通过perf stat记录了某个程序的系统调用。它可以提供一个整体情况和汇总数据。
下面这个是一个疯狂的C代码。可以看出，这是一个疯狂的循环。
void longa(){ int i,j; for(i = 0; i < 10000000000000000; i++)
j=i;
}void foo1(){ int i; for(i = 0; i< 1000; i++)
longa();
}int main(void){
foo1();
}编译后使用一下 perf stat
$ perf stat ./a.out
Performance counter stats for './a.out':
30249.723058 task-clock (msec) # 1.000 CPUs utilized
150 context-switches # 0.005 K/sec
2 cpu-migrations # 0.000 K/sec
113 page-faults # 0.004 K/sec
<not supported> cycles
<not supported> instructions
<not supported> branches
<not supported> branch-misses
30.260523538 seconds time elapsed可以看出，这是一个cpu密集型程序，会大量耗费cpu的计算资源。
更多的例子可以到 大神brendan gregg的博客上看到，不仅仅是磁盘情况，还有更多奇妙的例子。
博客地址：http://www.brendangregg.com/perf.html
虽然可以通过 $ perf record -ag -p ${Service PID} 来记录追踪一个进程的所有事件，但是需要注意的是，动态追踪需要调试符号，这些调试符号诸如函数和变量的地址，数据结构和内存布局，映射回源代码的抽象实体的名称等等，如果没有的话，将看到一堆16进制地址。这是很痛苦的。
而我们这里大部分应用都是java服务，java服务是跑在jvm里的。如果直接使用record看到的全是vm引擎符号，这些只能让我们看到诸如gc一类的信息，看不到具体某个java的类和方法，不过可以通过 开源的 perf-map-agent，它通过虚拟机维护的 /tmp/perf-PID.map来进行符号的转换。但是由于x86上的hotspot省略了frame pointer，所以就算转换了符号，可能还是不能显示完整的堆栈。不过在JDK 8u60+可以通过添加-XX:+PreserveFramePointer。同样java的动态追踪可以参考大神brendan gregg的博客。
博客地址：
http://www.brendangregg.com/FlameGraphs/cpuflamegraphs.html#Java
当所需要的工具安装好且都配置完成后，可以使用如下命令对java服务进行动态追踪其调用过程。
git clone --depth=1 https://github.com/brendangregg/FlameGraphperf record -F 99 -a -g -- sleep 30; ./FlameGraph/jmaps
perf script > out.stacks01
cat out.stacks01 | ./FlameGraph/stackcollapse-perf.pl | grep -v cpu_idle | \
./FlameGraph/flamegraph.pl --color=java --hash > out.stacks01.svg同样，systemtap也十分厉害的动态追踪框架，它把用户提供的脚本，转换为内核模块来执行，用来监测和跟踪内核行为。
systemtap就不在这里多做介绍了，有兴趣的朋友可以去systemtap官网看看，这里有许多现成的脚本，如网络监控（监控tcp的连接，监控内核丢包的源头等），磁盘监控（io监控，每个应用的读写时间等）等等。
相较于perf，systemtap的一个巨大的优势是systemtap是可编程的，想追踪什么写个脚本就ok了，目前perf也在支持可编程计划，eBPF的补丁计划加上后，perf会变得更加强大。
systemtap官网教程：
https://sourceware.org/systemtap/SystemTap_Beginners_Guide/useful-systemtap-scripts.html
一次故障的动态追踪过程
就在前不久，一阵急促的短信报警涌来，是线上服务器的load告警了，我开始扫码登陆服务器，熟练的使用 top -c 观察着线上服务器的指标。
大致现象我没有截图，口述一下吧，有2个服务的cpu使用率达到300%，wa有些高，我怀疑到是程序bug了疯狂读磁盘。于是使用iotop，查看io情况，可以看到总体的写磁盘速度是 135M/s 。而读请求几乎是0 ，这是怎么回事，这几个服务在疯狂写数据？不应该吧，这几个服务似乎没有这么大的写磁盘需求啊，如果有，应该就是日志了。在看日志前，先 perf record -ag -p ${Service Pid} 记录服务的状态。查看了应用服务的日志，消息队列似乎处理出错了，日志量巨大且繁杂，各种日志都有。到底哪里有问题呢？虽然已经定位到故障可能和消息队列有关，但是还不能确定是哪里的问题。
中断 perf record 后，我利用上面提到的方法，导出火焰图。
可以看到应用程序主要在做抛异常、网络相关调用、gc、写磁盘的操作。除了已知的操作外，问题服务的其余大量操作都集中在网络的数据包收发上，再结合之前看到消息队列的相关报错，应该定位是网络连接消息队列出的问题，应该消息队列连不上了，而代码有重试机制。
根据猜测，再到日志中找线索，果然是这个问题。如果是在大海般的日志中捞出有用的日志信息可能还需要些时间吧，这里需要提一下，传统的埋点多了不好，少了也不好，总归是比较难以权衡的。（因为该java服务没有开启PreserveFramePointer，所以看不到java代码级的调用）于是很快的完成了故障的定位，接下来就好办了，哪里有问题治哪里。
PS：perf 和 systemtap 的使用我这里只是很粗浅的介绍了一下，大神brendan gregg有详细博客去介绍动态追踪的每一个细节。开源社区也有很多动态追踪的扩展，如春哥在OpenResty的性能追踪上有很多十分赞的工具，同时我表示十分赞叹OpenResty的强大。我在动态追踪的路上还是一个初级学习者，远远比不上春哥等大神级别的人物，如果有什么错误也请指正。
参考文献：
http://www.brendangregg.com/FlameGraphs/cpuflamegraphs.html#Java
http://openresty.org/posts/dynamic-tracing/#rd?utm_source=tuicool&utm_medium=referral
http://www.brendangregg.com/perf.html
https://zhuanlan.zhihu.com/p/34511018
https://www.ibm.com/developerworks/cn/linux/l-cn-perf1/
文章首发于小米运维公众号，原文请戳：《浅谈动态追踪技术》