用于衡量CPU的繁忙程度的正确指标

1. 引言

可能你认为的 90%CPU利用率意味着这样的情形：

而实际却可能是这样的：

CPU 并非 90% 的时间都在忙着，很大一部分时间在等待，或者说“停顿(Stalled)”了。这种情况表示处理器流水线停顿，一般由资源竞争、数据依赖等原因造成。多数情况下表现为等待访存操作，其中又以读操作为主。在停顿周期内，不能执行指令，这意味着你的程序不往前走。值得注意的是，图中 “Stalled” 状态所占的比例是作者依据生产环境中的典型场景计算而来，具有普遍现实意义。因此，大多时候 CPU 处于停顿状态，而你却不知道，因为 CPU 利用率这个指标没有告诉你真相。通过进一步分析 CPU 停顿的原因，可以指导代码优化，提高执行效率，这是我们深入理解CPU微架构的动力之一。

2. CPU 利用率的真实含义是什么？

我们通常所说的CPU利用率是指 “non-idletime”：即CPU不执行 idle thread的时间。操作系统内核会在上下文切换时记录CPU的运行时间。假设一个 non-idle thread 开始运行，100ms 后结束，内核会认为这段时间内 CPU 利用率为 100%。这种度量方式源于分时复用系统。早在阿波罗登月舱的导航计算机中，idle thread 当时被叫做 “DUMMY JOB”，工程师通过比对运行 “DUMMY JOB” 和 “实际任务” 的时间来衡量导航系统的利用率。

那么这个所谓“利用率”的问题在哪儿呢？

当今时代，CPU 执行速度远远大于内存访问速度，等待访存的时间成为占用 CPU 时间的主要部分。当你在 top 中看到很高的 “%CPU”，你可能认为处理器是瓶颈，但实际上却是内存。在过去很长一段时间内，CPU 频率增长的速度大于DRAM访存延时降低的速度（CPU DRAM gap），直到2005年前后，处理器厂商们才开始放弃“频率路线”，转向多核、超线程技术，再加上多处理器架构，这些都导致访存需求急剧上升。尽管厂商通过增大 cache 容量、优化 cache 策略、提升总线带宽来试图缓解访存瓶颈，但我们的程序仍深受 CPU stall 困扰。

3. 如何真正辨别 CPU 在做些什么？

在 PMC(Performance Monitoring Counters) 的帮助下，我们能看到更多的 CPU 运行状态信息。下图中，perf采集了10秒内全部 CPU 的运行状态。

这里我们重点关注的核心度量指标是 IPC(instructions per cycle)，它表示平均每个 CPU cycle 执行的指令数量，很显然该数值越大性能越好。上图中IPC 为 0.78，看起来还不错，是不是 78% busy 呢？现代处理器一般有多条流水线，运行perf的那台机器，IPC 的理论值可达到 4.0。如果我们从 IPC的角度来看，这台机器只运行到其处理器最高速度的 19.5%（0.78 / 4.0)。幸运的是，在处理器内部，有很多 PMU event，可用来帮助我们分析造成 CPU stall 的原因。用好 PMU 需要我们熟悉处理器微架构，可以参考IntelSDM。

4. 最佳实践是什么？

如果 IPC < 1.0, 很可能是 Memory stall 占主导，可从软件和硬件两个方面考虑这个问题。软件方面：减少不必要的访存操作，提升 cache 命中率，尽量访问本地节点内存；硬件方面：增加 cache 容量，加快访存速度，提升总线带宽。

如果IPC > 1.0, 很可能是计算密集型的程序。可以试图减少执行指令的数量：消除不必要的工作。火焰图CPU flame graphs，非常适用于分析这类问题。硬件方面：尝试超频、使用更多的 core 或 hyperthread。作者根据PMU相关的工作经验，设定了1.0这个阈值，用于区分访存密集型(memory-bound)和计算密集型(cpu-bound)程序。读者可以根据自己的实际工作平台，合理调整这个阈值。

5. 性能工具应该告诉我们什么？

作者认为，性能工具中使用 %CPU 时都应该附带上 IPC，或者将 %CPU 拆分为指令执行消耗 cycle(%INS) 和 stalled 的 cycle(%STL)。对应到top，在Linux系统有一个能够显示每个处理器 IPC 的工具tiptop:

6. 其他可能让 CPU 利用率引起误解的因素

除了访存导致的 stall 容易让人误解 CPU 利用率外，还有其他一些因素：

温度原因导致处理器 stall；

Turboboost 干扰了时钟速率；

内核使得时钟速率加快；

平均带来的问题：1分钟利用率平均 80%，掩盖了中间 100% 部分；

自旋锁: CPU 一直在被使用，同时 IPC 也很高，但是应用逻辑上并没有任何进展。

7. 更新：CPU 利用率真的错了吗?

这篇文章引起了大量留言：

http://www.brendangregg.com/blog/2017-05-09/cpu-utilization-is-wrong.html的留言栏;

https://news.ycombinator.com/item?id=14301739

https://www.reddit.com/r/programming/comments/6a6v8g/cpu_utilization_is_wrong/

总结下作者的回答是：这里讨论的并不是 iowait (那是磁盘IO)，而且如果你已经确认是访存密集型，是有些处理办法（参考上面）。

那么 CPU 利用率指标是确确实实错误的，还是只是容易误导？如作者前面所说，他认为许多人把高 CPU 利用率理解为瓶颈在 CPU 上，这一行为才是错误的；其实单看 CPU 利用率并不清楚瓶颈在何处，很多时候瓶颈是在外部。这个指标技术上看是否正确？如果 CPU stall 的周期并不能被其他地方使用，它们是不是也就因此是“忙于等待“（听起来有点矛盾）？在有些情况，确实如此，你可以说 CPU 利用率作为操作系统级别的指标技术上看是对的，但是容易产生误导。从另一个角度来说，有超线程的情况下，那些 stalled 的周期是可以被其他线程使用的，这时 “%CPU” 可能会将可用的周期统计为正在使用，这种情况是错误的。这篇文章作者想关注的是解释清楚这个问题，并给出解决方法建议，但没错，CPU 利用率这个指标本身也是存在一些问题的。

当你可能会说利用率作为一个指标已经不对，Andrian Cockcroft之前讨论已经指出过 (http://www.hpts.ws/papers/2007/Cockcroft_HPTS-Useless.pdf)。

8. 结论

CPU 利用率已经开始成为一个容易误导的指标：它包含访存导致的等待周期，这样会影响一些新应用。也许 “%CPU” 应该重命名为 “%CYC”（cycles的缩写）。要清楚知道 “%CPU” 的含义，需要使用其他指标进行辅助，其中就包括每周期指令数(IPC)。IPC < 1.0 多半意味着访存密集型，IPC > 1.0 多半意味着计算密集型。作者之前的文章中涵盖有 IPC 说明，以及用于测量 IPC 的 Performance Monitoring Counters（PMCs）的介绍。

所有的性能监控产品如果展示 “%CPU”，都应该同时展示 PMC 指标用于解释其真实意义，不要误导用户。比如，可以把 “%CPU” 和 “IPC” 一起放，或者说指令执行消耗周期和 stalled 周期。有这些指标之后，开发者和操作者就能够知道该如何更好地对应用和系统进行调优。