内容简介:性能分析的技术和工具可以分为以下几类:内核维护着各种统计信息,被称为Tracing是收集每个事件的数据进行分析。
使用火焰图进行 Java 性能分析
性能分析 工具 的分类
性能分析的技术和工具可以分为以下几类:
- Counters
内核维护着各种统计信息,被称为 Counters
,用于对事件进行计数。例如,接收的网络数据包数量,发出的磁盘I/O请求,执行的系统调用次数。常见的这类工具有:
- vmstat: 虚拟和物理内存统计
- mpstat: CPU使用率统计
- iostat:磁盘的I/O使用情况
- netstat:网络接口统计信息,TCP/IP协议栈统计信息,连接统计信息
- Tracing
Tracing是收集每个事件的数据进行分析。 Tracing 会捕获所有的事件,因此有比较大的CPU开销,并且可能需要大量存储来保存数据。
常见的 Tracing 工具有:
- tcpdump: network packet tracing
- blktrace: block I/O tracing
- perf: Linux Performance Events, 跟踪静态和动态探针
- strace: 系统调用tracing
- gdb: 源代码级调试器
- Profiling
Profiling是通过收集目标行为的样本或快照,来了解目标的特征。 Profiling 可以从多个方面对程序进行动态分析,如 CPU
、 Memory
、 Thread
、 I/O
等,其中对 CPU
进行 Profiling
的应用最为广泛。
CPU Profiling
原理是基于一定频率对运行的程序进行采样,来分析消耗CPU时间的代码路径。可以基于固定的时间间隔进行采样,例如每10毫秒采样一次。也可以设置固定速率采样,例如每秒采集100个样本。
CPU Profiling
经常被用于分析代码的热点,比如“哪个方法占用CPU的执行时间最长”、“每个方法占用CPU的比例是多少”等等,然后我们就可以针对热点瓶颈进行分析和性能优化。
Linux上常用的 CPU Profiling 工具有:
- perf 的 record 子命令
- BPF profile
- Monitoring
系统性能监控会记录一段时间内的性能统计信息,以便能够基于时间周期进行比较。这对于容量规划,了解高峰期的使用情况都很有帮助。历史值还为我们理解当前的性能指标提供了上下文。
监控单个操作系统最常用工具是 sar (system activity reporter,系统活动报告)命令。 sar
通过一个定期执行的agent来记录系统计数器的状态,并可以使用 sar
命令查看它们,例如:
$ sar Linux 4.15.0-88-generic (mazhen) 03/19/2020 _x86_64_ (4 CPU) 12:53:08 PM LINUX RESTART 12:55:01 PM CPU %user %nice %system %iowait %steal %idle 01:05:01 PM all 14.06 0.00 10.97 0.11 0.00 74.87 01:15:01 PM all 9.60 0.00 7.49 0.09 0.00 82.83 01:25:01 PM all 0.04 0.00 0.02 0.02 0.00 99.92 01:35:01 PM all 0.03 0.00 0.02 0.01 0.00 99.94
本文主要讨论如何使用 perf
和 BPF
进行 CPU Profiling
。
perf
perf最初是使用 Linux
性能计数器子系统的工具,因此 perf
开始的名称是 Performance Counters for Linux
(PCL)。 perf
在Linux 2.6.31
合并进内核,位于 tools/perf 目录下。
随后 perf
进行了各种增强,增加了 tracing
、 profiling
等能力,可用于性能瓶颈的查找和热点代码的定位。
perf
是一个面向事件(event-oriented)的性能剖析工具,因此它也被称为 Linux perf events (LPE)
,或 perf_events
。
perf
的整体架构如下:
perf
由两部分组成:
- perf Tools :perf用户态命令,为用户提供了一系列工具集,用于收集、分析性能数据。
- perf Event Subsystem :Perf Events是内核的子系统之一,和用户态工具共同完成数据的采集。
内核依赖的硬件,比如说 CPU
,一般会内置一些性能统计方面的寄存器( Hardware Performance Counter ),通过软件读取这些特殊寄存器里的信息,我们也可以得到很多直接关于硬件的信息。 perf
最初就是用来监测 CPU
的性能监控单元(performance monitoring unit, PMU)的。
perf Events分类
perf
支持多种性能事件:
这些性能事件分类为:
- Hardware Events : CPU性能监控计数器performance monitoring counters(PMC),也被称为performance monitoring unit(PMU)
- Software Events : 基于内核计数器的底层事件。例如,CPU迁移,minor faults,major faults等。
- Kernel Tracepoint Events : 内核的静态
Tracepoint
,已经硬编码在内核需要收集信息的位置。 - User Statically-Defined Tracing (USDT) : 用户级程序的静态
Tracepoint
。 - Dynamic Tracing : 用户自定义事件,可以动态的插入到内核或正在运行中的程序。
Dynamic Tracing
技术分为两类:
可以使用perf的 list
子命令查看当前可用的事件:
$ sudo perf list List of pre-defined events (to be used in -e): branch-instructions OR branches [Hardware event] branch-misses [Hardware event] bus-cycles [Hardware event] cache-misses [Hardware event] cache-references [Hardware event] cpu-cycles OR cycles [Hardware event] ... alignment-faults [Software event] bpf-output [Software event] context-switches OR cs [Software event] cpu-clock [Software event] cpu-migrations OR migrations [Software event] ... alarmtimer:alarmtimer_cancel [Tracepoint event] alarmtimer:alarmtimer_fired [Tracepoint event] alarmtimer:alarmtimer_start [Tracepoint event] alarmtimer:alarmtimer_suspend [Tracepoint event] block:block_bio_backmerge [Tracepoint event] block:block_bio_bounce [Tracepoint event] ...
perf的使用
如果还没有安装 perf
,可以使用 apt
或 yum
进行安装:
sudo apt install linux-tools-$(uname -r) linux-tools-generic
perf
的功能强大,支持硬件计数器统计,定时采样,静态和动态tracing等。本文只介绍几个常用的使用场景,如果想全面的了解 perf
的使用,可以参考 perf.wiki 。
- CPU Statistics
使用 perf
的 stat
命令可以收集性能计数器统计信息,精确统计一段时间内 CPU 相关硬件计数器数值的变化。例如:
-> % sudo perf stat dd if=/dev/zero of=/dev/null count=10000000 10000000+0 records in 10000000+0 records out 5120000000 bytes (5.1 GB, 4.8 GiB) copied, 12.2795 s, 417 MB/s Performance counter stats for 'dd if=/dev/zero of=/dev/null count=10000000': 12280.299325 task-clock (msec) # 1.000 CPUs utilized 16 context-switches # 0.001 K/sec 0 cpu-migrations # 0.000 K/sec 70 page-faults # 0.006 K/sec 41,610,802,323 cycles # 3.388 GHz 20,195,746,887 instructions # 0.49 insn per cycle 3,972,723,471 branches # 323.504 M/sec 90,061,565 branch-misses # 2.27% of all branches 12.280445133 seconds time elapsed
- CPU Profiling
可以使用 perf record
以任意频率收集快照。这通常用于CPU使用情况的分析。
-
sudo perf record -F 99 -a -g sleep 10
对所有CPU( -a )进行 call stacks
( -g )采样,采样频率为 99 Hertz
( -F 99 ),即每秒99次,持续10秒( sleep 10 )。
-
sudo perf record -F 99 -a -g -p PID sleep 10
对指定进程( -p PID )进行采样。
-
sudo perf record -F 99 -a -g -e context-switches -p PID sleep 10
perf
可以和各种 instrumentation points
一起使用,以跟踪内核调度程序( scheduler
)的活动。其中包括 software events
和 tracepoint event
(静态探针)。
上面的例子对指定进程的上下文切换( -e context-switches )进行采样。
- report
perf record
的运行结果保存在当前目录的 perf.data
文件中,采样结束后,我们使用 perf report
查看结果。
- 交互式查看模式
$ sudo perf report
以 +
开头的行可以回车,展开详细信息。
- 使用
--stdio
选项打印所有输出
$ sudo perf report --stdio
context-switches
的采样报告:
后面我们会介绍 火焰图 ,以可视化的方式展示 stack traces
,比 perf report
更加直观。
BPF
BPF是 Berkeley Packet Filter 的缩写,最初是为BSD开发,第一个版本于1992年发布, 用于改进网络数据包捕获的性能 。 BPF
是在内核级别进行过滤,不必将每个数据包拷贝到用户空间,从而提高了数据包过滤的性能。 tcpdump
使用的就是 BPF
。
2013年 BPF
被重写,被称为 Extended BPF (eBPF) ,于2014年包含进 Linux
内核中。改进后的 BPF
成为了通用执行引擎,可用于多种用途,包括创建高级性能分析工具。
BPF
允许在内核中运行 mini programs
,来响应系统和应用程序事件(例如磁盘I/O事件)。这种运作机制和 JavaScript
类似: JavaScript
是运行在浏览器引擎中的 mini programs
,响应鼠标点击等事件。 BPF
使内核可编程化,使用户(包括非内核开发人员)能够自定义和控制他们的系统,以解决实际问题。
BPF
可以被认为是一个 虚拟机 ,由指令集,存储对象和helper函数三部分组成。 BPF
指令集由位于 Linux 内核的 BPF runtime
执行, BPF runtime
包括了 解释器 和 JIT编译器 。 BPF
是一种灵活高效的技术,可以用于 networking
, tracing
和安全等领域。我们重点关注它作为系统监测工具方面的应用。
和 perf
一样, BPF
能够监测多种性能事件源,同时可以通过调用 perf_events
,使用 perf
已有的功能:
BPF
可以在内核运行计算和统计汇总,这样大大减少了复制到用户空间的数据量:
BPF
已经内置在Linux内核中,因此你无需再安装任何新的内核组件,就可以在生产环境中使用BPF。
BCC和bpftrace
直接使用 BPF
指令进行编程非常繁琐,因此很有必要提供高级语言前端方便用户使用,于是就出现了 BCC
和 bpftrace
。
BCC(BPF Compiler Collection)提供了一个C编程环境,使用 LLVM
工具链来把 C 代码编译为 BPF
虚拟机所接受的字节码。此外它还支持 Python
, Lua
和 C++
作为用户接口。
bpftrace是一个比较新的前端,它为开发 BPF
工具提供了一种专用的高级语言。 bpftrace
适合单行代码和自定义短脚本,而 BCC
更适合复杂的脚本和守护程序。
BCC
和 bpftrace
没有在内核代码库,它们存放在GitHub上名为 IO Visor 的 Linux Foundation
项目中。
BCC的安装
BCC
可以参考官方的 安装文档 。以 Ubuntu 18.04 LTS
为例,建议从源码build安装:
- 安装build依赖
sudo apt-get -y install bison build-essential cmake flex git libedit-dev \ libllvm6.0 llvm-6.0-dev libclang-6.0-dev python zlib1g-dev libelf-dev sudo apt-get -y install luajit luajit-5.1-dev
- 编译和安装
git clone https://github.com/iovisor/bcc.git mkdir bcc/build; cd bcc/build cmake .. make sudo make install
- build python3 binding
cmake -DPYTHON_CMD=python3 .. pushd src/python/ make sudo make install popd
make install
完成后, BCC
自带的工具都安装在了 /usr/share/bcc/tools
目录下。 BCC
已经包含70多个 BPF
工具,用于性能分析和故障排查。这些工具都可以直接使用,无需编写任何 BCC
代码。
我们试用其中一个工具 biolatency
,跟踪磁盘 I/O
延迟:
-> % sudo /usr/share/bcc/tools/biolatency Tracing block device I/O... Hit Ctrl-C to end. ^C usecs : count distribution 0 -> 1 : 0 | | 2 -> 3 : 0 | | 4 -> 7 : 0 | | 8 -> 15 : 0 | | 16 -> 31 : 2 |*** | 32 -> 63 : 0 | | 64 -> 127 : 3 |***** | 128 -> 255 : 7 |*********** | 256 -> 511 : 6 |********** | 512 -> 1023 : 11 |****************** | 1024 -> 2047 : 16 |************************** | 2048 -> 4095 : 24 |****************************************| 4096 -> 8191 : 1 |* | 8192 -> 16383 : 6 |********** | 16384 -> 32767 : 3 |***** |
biolatency
展示的直方图比 iostat
的平均值能更好的理解磁盘 I/O
性能。
BCC
已经自带了 CPU profiling
工具:
- tools/profile : Profile CPU usage by sampling stack traces at a timed interval.
此外, BCC
还提供了 Off-CPU 的分析工具:
- tools/offcputime : Summarize off-CPU time by kernel stack trace
一般的 CPU profiling
都是分析 on-CPU
,即CPU时间都花费在了哪些代码路径。 off-CPU
是指进程不在CPU上运行时所花费的时间,进程因为某种原因处于休眠状态,比如说等待锁,或者被进程调度器(scheduler)剥夺了 CPU 的使用。这些情况都会导致这个进程无法运行在 CPU 上,但是仍然花费了时间。
off-CPU
分析是对 on-CPU
的补充,让我们知道线程所有的时间花费,更全面的了解程序的运行情况。
后面会介绍 profile
, offcputime
如何生成火焰图进行可视化分析。
bpftrace的安装
bpftrace 建议运行在Linux 4.9 kernel或更高版本。根据 安装文档 的说明,是因为 kprobes
、 uprobes
、 tracepoints
等主要特性是在 4.x
以上加入内核的:
- 4.1 - kprobes
- 4.3 - uprobes
- 4.6 - stack traces, count and hist builtins (use PERCPU maps for accuracy and efficiency)
- 4.7 - tracepoints
- 4.9 - timers/profiling
可以运行 scripts/check_kernel_features.sh 脚本进行验证:
$ ./scripts/check_kernel_features.sh All required features present!
bpftrace
对Linux的版本要求较高,以 Ubuntu
为例, 19.04
及以上才支持 apt
安装:
sudo apt-get install -y libbpfcc-dev
18.04
和 18.10
可以从源码build,但需要先build好 BCC
。
- 安装依赖
sudo apt-get update sudo apt-get install -y bison cmake flex g++ git libelf-dev zlib1g-dev libfl-dev systemtap-sdt-dev binutils-dev sudo apt-get install -y llvm-7-dev llvm-7-runtime libclang-7-dev clang-7
- 编译和安装
git clone https://github.com/iovisor/bpftrace mkdir bpftrace/build; cd bpftrace/build; cmake -DCMAKE_BUILD_TYPE=Release .. make -j8 sudo make install
make install
完成后, bpftrace
自带的工具安装在 /usr/local/share/bpftrace/tools
目录下,这些工具的说明文档可以在 项目主页 找到。
我们同样试用查看 Block I/O
延迟直方图的工具:
-> % sudo bpftrace /usr/local/share/bpftrace/tools/biolatency.bt Attaching 4 probes... Tracing block device I/O... Hit Ctrl-C to end. ^C @usecs: [128, 256) 6 |@@@@@@@@@@ | [256, 512) 4 |@@@@@@ | [512, 1K) 8 |@@@@@@@@@@@@@ | [1K, 2K) 20 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ | [2K, 4K) 30 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@| [4K, 8K) 1 |@ | [8K, 16K) 3 |@@@@@ | [16K, 32K) 0 | | [32K, 64K) 2 |@@@ |
关于 bpftrace
脚本编写不在本文的讨论范围,感兴趣的可以参考 reference_guide 。
火焰图
火焰图 是 Brendan Gregg 发明的将 stack traces
可视化展示的方法。火焰图把时间和空间两个维度上的信息融合在一张图上,将频繁执行的代码路径以可视化的形式,非常直观的展现了出来。
火焰图可以用于可视化来自任何 profiler
工具的记录的 stack traces
信息,除了用来 CPU profiling
,还适用于 off-CPU
, page faults
等多种场景的分析。本文只讨论 on-CPU
和 off-CPU
火焰图的生成。
要理解火焰图,先从理解 Stack Trace
开始。
Stack Trace
Stack Trace
是程序执行过程中,在特定时间点的函数调用列表。例如, func_a()
调用 func_b()
, func_b()
调用 func_c()
,此时的 Stack Trace
可写为:
func_c func_b func_a
Profiling Stack Traces
我们做 CPU profiling
时,会使用perf或bcc定时采样 Stack Trace
,这样会收集到非常多的 Stack Trace
。前面介绍了 perf report
会将 Stack Trace
样本汇总为调用树,并显示每个路径的百分比。火焰图是怎么展示的呢?
考虑下面的示例,我们用perf定时采样收集了多个 Stack Trace
,然后将相同的 Stack Trace
归纳合并,统计出次数:
func_e func_d func_b func_a 1 func_b func_a 2 func_c func_b func_a 7
可以看到,总共收集了10个样本,其中代码路径 func_a->func_b->func_c
有7次,该路径上的 func_c
在CPU上运行。 func_a->func_b
进行了两次采样, func_b
在CPU上运行。 func_a->func_b->func_d->func_e
一次采样, func_e
在CPU上运行。
火焰图
根据前面对 Stack Trace
的统计信息,可以绘制出如下的火焰图:
火焰图具有以下特性:
- 每个长方块代表了函数调用栈中的一个函数
- Y 轴显示堆栈的深度(堆栈中的帧数)。调用栈越深,火焰就越高。顶层方块表示 CPU 上正在运行的函数,下面的函数即为它的祖先。
- X 轴的宽度代表被采集的样本数量,越宽表示采集到的越多,即执行的时间长。需要注意的是,X轴从左到右不代表时间,而是所有的调用栈合并后,按字母顺序排列的。
拿到火焰图,寻找最宽的塔并首先了解它们。顶层的哪个函数占据的宽度最大,说明它可能存在性能问题。
可以使用Brendan Gregg开发的开源项目 FlameGraph 生成交互式的SVG火焰图。该项目提供了脚本,可以将采集的样本归纳合并,统计出 Stack Trace
出现的频率,然后使用 flamegraph.pl 生成SVG火焰图。
我们先把FlameGraph项目clone下来,后面会用到:
git clone https://github.com/brendangregg/FlameGraph.git
Java CPU Profiling
虽然有很多Java专用的 profiler
工具,但这些工具一般只能看到Java方法的执行,缺少了 GC
, JVM
的CPU时间消耗,并且有些工具的 Method tracing
性能损耗比较大。
perf
和 BCC profile
的优点是它很高效,在内核上下文中对堆栈进行计数,并能完整显示用户态和内核态的CPU使用,能看到native libraries(例如libc),JVM(libjvm),Java方法和内核中花费的时间。
但是, perf
和 BCC profile
这种系统级的profiler不能很好地与Java配合使用,它们识别不了Java方法和 stack traces
。这是因为:
JIT(just-in-time)
为了能生成包含Java栈与Native栈的火焰图,目前有两种解决方式:
- 使用
JVMTI
agent perf-map-agent ,生成Java符号表,供perf
和bcc
读取(/tmp/perf-PID.map)。同时要加上-XX:+PreserveFramePointer
JVM 参数,让perf
可以遍历基于帧指针(frame pointer)的堆栈。 - 使用 async-profiler ,该项目将
perf
的堆栈追踪和JDK提供的 AsyncGetCallTrace 结合了起来,同样能够获得mixed-mode火焰图。同时,此方法不需要启用帧指针,所以不用加上-XX:+PreserveFramePointer
参数。
下面我们就分别演示这两种方式。
perf-map-agent
perf
期望能从 /tmp/perf-<pid>.map
中获得在未知内存区域执行的代码的符号表。 perf-map-agent
可以为 JIT
编译的方法生成 /tmp/perf-<pid>.map
文件,以满足 perf
的要求。
首先下载并编译 perf-map-agent
:
git clone https://github.com/jvm-profiling-tools/perf-map-agent.git cd perf-map-agent cmake . make
配合 perf
使用
perf-map-agent
提供了 perf-java-flames 脚本,可以一步生成火焰图。
perf-java-flames
接收 perf record
命令参数,它会调用 perf
进行采样,然后使用 FlameGraph 生成火焰图,一步完成,非常方便。
注意,记得要给被 profiling
的Java进程加上 -XX:+PreserveFramePointer
JVM 参数。
设置必要的环境变量:
export FLAMEGRAPH_DIR=[FlameGraph 所在的目录] export PERF_RECORD_SECONDS=[采样时间]
-
./bin/perf-java-flames [PID] -F 99 -a -g -p [PID]
对指定进程( -p PID ),在所有CPU( -a )上进行call stacks( -g )采样,采样频率为99 Hertz ( -F 99 ),持续时间为 PERF_RECORD_SECONDS
秒。命令运行完成后,会在当前目录生成名为 flamegraph-pid.svg
的火焰图。
-
./bin/perf-java-flames [PID] -F 99 -g -a -e context-switches -p [PID]
对指定进程的上下文切换( -e context-switches )进行采样,并生成火焰图。
- 当然也可以只为
perf
生成Java符号表,然后直接使用perf采样
./bin/create-java-perf-map.sh [PID]; sudo perf record -F 99 -p [PID] -a -g -- sleep 15 ./bin/create-java-perf-map.sh [PID]; sudo perf record -g -a -e context-switches -p [PID] sleep 15 # 查看报告 sudo perf report --stdio
配合 bcc profile
使用
FlameGraph
项目提供了 jmaps 脚本,它会调用 perf-map-agent
为当前运行的所有Java进程生成符号表。
首先为 jmaps
脚本设置好 JAVA_HOME
和 perf-map-agent
的正确位置:
JAVA_HOME=${JAVA_HOME:-/usr/lib/jvm/java-8-oracle} AGENT_HOME=${AGENT_HOME:-/usr/lib/jvm/perf-map-agent} # from https://github.com/jvm-profiling-tools/perf-map-agent
运行 jmaps
,可以看到它会为当前所有的Java进程生成符号表:
$ sudo ./jmaps Fetching maps for all java processes... Mapping PID 30711 (user adp): wc(1): 3486 10896 214413 /tmp/perf-30711.map
我们在做任何 profiling
之前,都需要调用 jmaps
,保持符号表是最新的。
- CPU Profiling火焰图
# Profiling sudo ./jmaps ; sudo /usr/share/bcc/tools/profile -dF 99 -afp [PID] 10 > out.profile01.txt # 生成火焰图 ./flamegraph.pl --color=java --hash <out.profile01.txt > flamegraph.svg
- off-CPU火焰图
# Profiling sudo ./jmaps ; sudo /usr/share/bcc/tools/offcputime -fp [PID] 10 > out.offcpu01.txt # 生成火焰图 ./flamegraph.pl --color=java --bgcolor=blue --hash --countname=us --width=1024 --title="Off-CPU Time Flame Graph" < out.offcpu01.txt > out.offcpu01.svg
- off-CPU,并过滤指定的进程状态
Linux的进程状态有:
状态 | 描述 |
---|---|
TASK_RUNNING | 意味着进程处于可运行状态。这并不意味着已经实际分配了CPU。进程可能会一直等到调度器选中它。该状态确保进程可以立即运行,而无需等待外部事件。 |
TASK_INTERRUPTIBLE | 可中断的等待状态,主要为恢复时间无法预测的长时间等待。例如等待来自用户的输入。 |
TASK_UNINTERRUPTIBLE | 不可中断的等待状态。用于因内核指示而停用的睡眠进程。它们不能由外部信号唤醒,只能由内核亲自唤醒。例如磁盘输入输出等待。 |
TASK_STOPPED | 响应暂停信号而运行中断的状态。直到恢复前都不会被调度 |
TASK_ZOMBIE | 僵尸状态,子进程已经终止,但父进程尚未执行wait(),因此该进程的资源没有被系统释放。 |
在状态 TASK_RUNNING
(0)会发生非自愿上下文切换,而我们通常感兴趣的阻塞事件是 TASK_INTERRUPTIBLE
(1)或 TASK_UNINTERRUPTIBLE
(2), offcputime
可以用 --state
过滤指定的进程状态:
# Profiling sudo ./jmaps ; sudo /usr/share/bcc/tools/offcputime -K --state 2 -f 30 > out.offcpu01.txt # 生成火焰图 ./flamegraph.pl --color=io --countname=ms < out.offcpu01.txt > out.offcpu01.svg
async-profiler
async-profiler 将 perf
的堆栈追踪和JDK提供的 AsyncGetCallTrace 结合了起来,做到同时采样Java栈与Native栈,因此也就可以同时分析Java代码和Native代码中存在的性能热点。
AsyncGetCallTrace
是JDK内部提供的一个函数,它的原型如下:
typedef struct { jint lineno; // BCI in the source file jmethodID method_id; // method executed in this frame } ASGCT_CallFrame; typedef struct { JNIEnv *env_id //Env where trace was recorded jint num_frames; // number of frames in this trace ASGCT_CallFrame *frames; } ASGCT_CallTrace; void AsyncGetCallTrace(ASGCT_CallTrace *trace, // pre-allocated trace to fill jint depth, // max number of frames to walk up the stack void* ucontext) // signal context
可以看出,该函数直接通过 ucontext
就能获取到完整的Java调用栈。
async-profiler的使用
下载并解压好 async-profiler
安装包。
从Linux 4.6开始,从 non-root
进程使用 perf
捕获内核的 call stacks
,需要设置如下两个内核参数:
# echo 1 > /proc/sys/kernel/perf_event_paranoid # echo 0 > /proc/sys/kernel/kptr_restrict
async-profiler
的使用非常简单,一步就能生成火焰图。另外,也不需要为被 profiling
的Java进程设置 -XX:+PreserveFramePointer
参数。
./profiler.sh -d 30 -f /tmp/flamegraph.svg [PID]
总结
为Java生成 CPU profiling
火焰图,基本的流程都是:
- 使用工具采集样本
- 使用
FlameGraph
项目提供的脚本,将采集的样本归纳合并,统计出Stack Trace
出现的频率 - 最后使用
flamegraph.pl
利用上一步的输出,绘制SVG火焰图
为了能够生成 Java stacks
和 native stacks
完整的火焰图,解决 perf
和 bcc profile
不能识别Java符号和Java stack traces
的问题,目前有以下两种方式:
-
perf-map-agent
加上perf
或bcc profile
-
async-profiler
(内部会使用到perf
)
如果只是对Java进程做 on-CPU
分析, async-profiler
更加方便好用。如果需要更全面的了解Java进程的运行情况,例如分析系统锁的开销,阻塞的 I/O 操作,以及进程调度器( scheduler
)的工作,那么还是需要使用功能更强大的 perf
和 bcc
。
参考资料
以上所述就是小编给大家介绍的《使用动态分析技术分析 Java》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 使用动态分析技术分析 Java
- Spring事务源码分析专题(一)JdbcTemplate使用及源码分析
- 使用Miasm分析Shellcode
- fishhook使用场景&源码分析
- WMRouter使用和源码分析
- Docker 空间使用分析与清理
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。