小编说： 今天为大家介绍一款实用工具——阿里开源内核诊断工具diagnose-tools。diagnose-tools是由阿里巴巴开发的linux内核诊断工具，用于linux性能分析，特别是大规模集群系统中的抖动问题分析。diagnose-tools工具是阿里工程师谢宝友在过去一年多时间开发的，代码行数超过 ５万行。同时，他也是《深入理解并行编程》、《自研操作系统：DIM-SUM设计与实现》的作者。

1. 引言

作为一名Linux工程师，难免会遇到系统宕机、夯机、性能抖动等问题。在夯机时，常见的做法是编写一个简单的脚本去遍历系统中所在线程的堆栈。例如：

#!/bin/sh
#****************************************************************#
# ScriptName: load.sh
# Author: baoyou.xie@aliyun.com
# Create Date: 2020-08-13 19:32
# Modify Author: @alibaba-inc.com
# Modify Date: 2020-08-13 19:32
# Function:
#***************************************************************#

for pid in `ls /proc/`; do
    for tid in `ls /proc/$pid/task`; do
        echo pid: $pid, tid: $tid
        cat /proc/$pid/task/$tid/stack
    done
done 

</pre>

只要找到进程的调用链，有经验的工程师会很快知道引起系统卡顿的原因。换句话说，类似问题比较容易解决。

确实，在单机中，解决这些问题的方法很多，看起来也很简单。但是，这样的脚本可能存在如下问题：

1. 在生产环境中，一台100个CPU的服务器，往往有数万甚至数十万个线程，运行这样的脚本要花费一分钟时间。

2. 如果在上千台机器中部署这样的脚本，必然会引起生产故障。

3. 这样的脚本只能找到线程在内核中的堆栈。如果应用程序运行在用户态，就没有办法知道这些应用程序到底在做什么，为何引起系统卡顿。

2. 难题

互联网一线工程师最头疼的难题是“集群内RT偶发抖动”，以及系统卡顿。

其中，RT抖动问题最大的难点在于：

• 上千台机器中出现异常的机器随机。

• 异常发生的时间随机。

• 故障持续时间也只有几秒钟。

常规的单机诊断手段有以下不足：

• 占用超过1%的CPU。

• 部署复杂，可能需要安装python／systemtap等工具。

• 消耗内存和存储资源。

可以说，集群范围内的RT偶发抖动是一个业界难题，被全世界的运维工程师所讨厌。

在日常业务稳定性分析的过程中，作者用内核模块实现了一些小工具，并将这些小工具集成到diagnose-tools中。为了将工具方便应用到线上生产环境，作者特意使用Linux内核模块实现了diagnose-tools工具。

这些小工具解决了不少线上的稳定性问题。特别是在2019年“双11”压测中，发挥了重要作用，为2019年最稳的“双11”贡献了力量。

3. 用途

◆ load-monitor

在系统卡顿的时候，往往伴随着系统Load指标升高。这可以通过top/uptime等命令看到当前系统的Load指标。一旦发现系统Load升高，就可以使用load-monitor子功能找到当前系统中处于Ｄ状态和Ｒ状态的进程。这些状态的进程与系统Load指标息息相关。diagnose-tools工具不但能找到这些进程的名称，还能打印出进程的内核态堆栈/用户态堆栈/进程组/CGROUP组等信息。最重要的是，工具还可以为此生成火焰图，这样就可以一目了然地找到问题原因。

当然了，你可以运行如下命令来看看工具的效果：

sh /usr/diagnose-tools/test.sh load-monitor

◆ sys-delay

在服务器Linux中，随着系统负载的增加，会暴露出Linux内核中不少有隐患的代码。例如：过长的循环、锁竞争、不合理的流程。这些代码会导致系统调用变慢，从而引起卡顿。sys-delay功能是找到这些异常代码的好工具。

sys-delay功能的实现原理，是在应用程序进入系统调用的地方，挂接一个trace-point钩子，记录下进入时间，在退出系统调用的时候结束监控。并且启动一个定时器，监控执行时间过长的调用链。

这个功能找到不少异常流程，相关的工程师制作了热补丁，提升了阿里混部系统的平滑度。

◆ run-trace

run-trace功能是解决应用程序RT抖动的利器。为至少10个业务方解决了2019年“双11”压测过程中的问题。可以略微夸张一点地讲，这个功能为2019年最稳的“双11”发挥了不小的作用，这也间接促进了2019 年“双11”成功获得国家科技进步奖。

run-trace功能的原理是在计算RT开始和结束的地方，挂接钩子，系统记录下在此期间应用程序的所有行为。可以针对应用程序进行微秒级的采样，得到应用程序的用户态调用链，找到应用程序异常期间的所有异常事件。

◆ perf

与开源社区大名鼎鼎的perf工具相比，diangose-tools工具的perf功能不算强大，但是很有特色。特别是在运行数十个容器的宿主机中，使用此工具可以针对部分ＣＰＵ进行采样，并且完整输出进程用户态／内核态调用链，这些特色是开源perf工具所没有的。此功能也协助分析了不少线上生产环境中的问题。

◆ 其他功能

除了这些功能外，diagnose-tools工具还有２０多个小功能。包括网络、Ｉ/Ｏ相关的诊断工具。限于篇幅，作者并不能在此详细列出所有功能的介绍。有兴趣的读者可以：

1.参考源码目录 /documents/usage.docx里的详细介绍。

2.参考源码目录SOURCE/script/test.sh，试着使用每个功能并观察其结果。

3.添加linux-kernel微信号与作者联系。

4. 效果

通过工具，我们最终在线上生产环境中，发现了不少内存回收、系统堆叠、不合理的监控工具引起的问题。

同时根据工具的诊断结果，产生了19个内核优化补丁，同时也调整线上生产系统的Linux配置参数。

最终实现的效果是：将混部机房的Load高告警数量降低了67%，节省了数千台物理机。同时也将阿里云存储抖动告警降低了50倍。

5. 特点

要达到这样的效果，主要在于工具轻量化的特点。这是本工具优于脚本／ebpf／systemtap的地方。它的性能开销小到何种地步呢？举个例子，在10G网络吞吐量的情况下，对每个报文进行监控，仅仅占用3%的CPU。

正是由于轻量化的特点，才可以将工具常态化运行在集群中，抓住异常信息。最终实现秒级系统资源监控，突破了一个业界技术难题。

6. 适用范围

除了轻量化的特点外，diagnose-tools工具的适用面也比较广，不仅可以用于阿里生产环境的操作系统，也可以用于标准linux 2.6 / 3.x / 4.x / 5.x版本。当然了，还可以用于常见的Linux发行版，例如ubuntu／centos／debian，甚至也有公有云客户将它用于定制linux中。

diagnose-tools还可以获取用户态应用程序的调用链，而不管这些应用程序是用Java / C / C++ 还是go语言开发。甚至，作者希望业界同人对工具进行改造，以支持python等其他开发语言编写的应用程序。

在实践中，也可以基于diagnose-tools进行二次开发，与业务调度程序配合，完成更复杂的功能。实际上，已经有业务方在这样使用diagnose-tools工具了。

7. 现状

diagnose-tools工具已经被一些公有云客户、友商、开源爱好者使用，并且帮助解决了不少Linux性能问题，特别是抖动问题。

目前，diagnose-tools工具已经开放源码。更详细的信息，请大家参考:

https://github.com/alibaba/diagnose-tools

有一些热情的开源爱好者已经为diagnose-tools提供了patch，这些patch已经被合入到工具中，并且被作者用于线上生产系统的问题诊断中。

欢迎更多的开源爱好者参与到diagnose-tools工具的开发中来！

本文作者新书《自研操作系统：DIM-SUM设计与实现》已上市！

谢宝友 著

本书作者从零开始完成的DIM-SUM操作系统，具备很多现代操作系统的先进特性，比如高效的内存管理、进程管理、虚拟文件系统、LEXT3文件系统等。更加难能可贵的是，他不但公开了源代码，还把自研DIM-SUM操作系统的设计心得和体会总结成册，给国内从事基础软件开发的技术人员提供了宝贵的一手资料。