计算机科学的先驱Donald Knuth（高德纳）曾经说过：“过早的优化是万恶之源”，更详细的原文如下：“We should forget about small efficiencies, say about 97% of the time: premature optimization is the root of all evil. Yet we should not pass up our opportunities in that critical 3%. A good programmer will not be lulled into complacency by such reasoning, he will be wise to look carefully at the critical code; but only after that code has been identified.”它向我们揭示了一个道理，我们应该首先定位到那3%真正成为瓶颈的代码，而忽略97%那些“small efficiencies”，所谓“将军赶路，不打小鬼”，这是我们进行一切性能优化的前提。因此，剖析(profiling)，成为了性能优化中最重要的环节之一。
性能剖析，要求我们的思维方式主要是top-down的，我们能全局地从顶部向下的看问题，这就像一个全科医生，出了问题后，能大致估摸出一个方向知道是哪个器官可能出了问题。但是，我们同时也必须具备down-top的能力，正如一个专科医生，能看到细小器官的癌细胞最终会怎样向全身发散，从而危机到人的健康和生命。
系统的性能优化不太是一个通过review几千万行代码，发现问题，然后更正问题优化的过程。而更多是一个通过某些剖析手段，把系统当成黑盒子，暴露数据，top-down地看这个系统，在发掘问题后，再深入到白盒down-top的过程。《魏略》曰：“亮在荆州，以建安初与颍川石广元、徐元直、汝南孟公威等俱游学，三人务於精熟，而亮独观其大略。”性能优化本身，是一个从统帅诸葛亮逐步变身单兵战神吕布的过程，而你首先必须是统帅。
一、性能剖析的总体认识
下面我们也来一个“观其大略”的环节，先“不求甚解”地看一看内核性能分析关注的指标，分析角度和一些其他基本常识。
吞吐
吞吐强调单位时间里可以做多少有用功。比如，我们会用netperf来评估网络的带宽；用sysbench来评估MySQL的QPS（Queries Per Second）和TPS（Transactions Per Second）；用vm-scalability来评估Linux内存管理的吞吐性能等；用tbench来评估内核调度器wake-up路径上的优化是否有效等。
为了提高吞吐，我们常常采用的一个方法是横向拓展硬件或者软件的规模，比如增加更多的CPU、使用多线程等。然而世间万物，不如意者十之八九，不是你爱她多一点，她就一定会爱上你。吞吐的拓展受限于著名的Amdahl's law和Universal Scalability law(USL)。
按照USL，核多(核数为p)，实际的加速倍数是：
p增大的时候，不仅仅是分子增大，分母也增大，分母σ因子随着p线性增大，k因子随着p的平方线性增大。USL的分母中去掉+k*p*(p-1)就是Amdahl's law，所以Amdahl's law并没有USL完整准确。
其中的σ系数是contention（核间、多线程间因为竞争等锁、同步等而不能并行执行），k系数是coherency（核间、多线程之间的协同形成共识的开销）。σ系数比较好理解，比如两个CPU访问同一个链表，他们需要竞争锁，假设平均1秒里面0.1秒在等锁，则2个cpu实际只有2*0.9=1.8秒在做有用功，而不是2.0。k系数相对难理解一点，比如我们在CPU0释放一个spinlock，在ticket spinlock里面，这个spinlock的新值要通过cache同步网络同步给系统的每个CPU形成所有CPU对这个新值的一致性理解，这个cache同步的开销很大，而且随着p的平方而增大。这就是为什么内核针对spinlock不断在进行优化，比如从ticket spinlock变成qspinlock，其实是减小了需要coherency的CPU个数。
举一个栗子，软件的童鞋很可能会天真地以为内核的atomic_inc()、TLB flush之类的操作是非常便宜的，其实它们都有严重的k因子问题，就是coherency开销。如果做一个简单的操作:
lcase A: 100核，100个线程同时做atomic_inc()，做一秒钟；
lcase B: 10核，10个线程同时做atomic_inc()，做一秒钟。
case A原子操作的次数不会是case B的10倍，它实际远小于10倍，比如实测结果可能是吓死你的4倍（当然每个具体的SoC都可能不一样），等于10倍的硬件目前这个世界还没有做出来，未来也造不出来。
这些σ系数、k系数对服务器的影响，远大于对桌面和手机等系统，因为服务器上的p特别大。所以，长期困扰服务器的问题，比如我从50个cpu变成100个cpu，MySQL的吞吐一定增加了一倍了吗？不好意思，很可能只是吓死你的1.3倍，如果运气不好的话，还可能倒退。
再回到spinlock，大量的文献显示，由于ticket spinlock等在核间coherency上的巨大开销，许多业务的性能可随着CPU核数量的增大而减小【1】。
最开始核增加的时候，相关业务的性能在提升，到某个拐点后，再增加更多的CPU，性能不升反降，出现了collapse。
延迟
甲骨文的“山”，是一个象形字，它较好地贴合了Linux世界里的延迟模型。Linux世界的延迟往往呈现为这种multi-modal（有多个峰值而不是只分布在一个峰值周围）或者两极分化特性。
由于这种multi-modal分布的存在，这个时候，我们描述平均值的意义其实不是特别大。比如一个班上有30个学生，其中10个人90分以上（学霸），还有10个人50分以下（学渣），另外还有10个在50-90分之间。我们说这个班的学生平均分60分，其实没有任何意义，拉马老师来和我们平均，没意思的。这个时候，我们需要直方图来描述这种分布，从而更加直观地看出来这个班的学霸和学渣比率。
如果我们想看一个真实的Linux例子，下面是我的PC在运行“sudo cat /dev/nvme0n1 > /dev/null”的过程中，我看到的BIO(block I/O)的延迟分布：
我们看到了2个峰值，一个峰值在64us-127us之间；另外一个峰值，则围绕着1024-2047us分布。当然，还有一个值会偏移地特别远，比如有2个采样点，落在了131072us-262143us之间。那2个离群很远的值，我们一般也称呼它们为outlier，它们是夜空中最闪亮的星，天生不是凡人。
种种迹象表明，我们仅关注平均值的意义非常有限。对于偏移中线的部分，在延迟分析领域，我们还特别关注一个非常重要的概念，tail latency，中文可译为尾延迟。比如我们说，90%的延迟落在1ms以内，99%的延迟在10ms以内，但是还有1%的延迟可能更大，甚至形成一个很长很长的尾巴，可能有的达到了1秒也说不定。在延迟分析领域，我们很可能关注这些尾部，比如大家一起竞争mutex，那些延迟很大的case，可能会形成手机系统的卡顿，因此丢帧。对于服务器、电商、云服务等领域而言，高的尾延迟，会直接影响到企业的revenue。
延迟的几个主要可能的来源：
1.进程实际可以运行(TASK_RUNNING)，但是由于调度延迟的原因抢不到CPU；
2.进程同步等待一个I/O动作的完成，这些I/O动作可能是syscall的read/write，也可能是mmap内存page fault后的I/O；
3.系统内存吃紧，进程陷入direct memory reclaim，直接回收内存；
4.进程等其他进程释放锁，这里又分2种可能性
a.等锁队列比较长，比如等mutex、spinlock，前面已经挂了一个连在等，等到自己的时候，心已经碎了；
b.等锁队列可能不长，但是持有锁的进程遭遇了情况1、情况2和3，导致长期不放锁。类似你在等厕位，他却坐马桶上看了场电影。
所有的上述不确定情况，都可能形成不确定的tail latency。我们需要某些手段把它剖析和呈现出来。
功耗
内核有cpufreq, cpuidle，意识到功耗的调度器等。这些都致力于在降低功耗的情况下，总体不降低性能。除这些以外，我们也应该认识到，降低内核本身的CPU利用率，比如内存compaction、内存swap/reclaim、锁自旋等的开销，也能进一步降低功耗。在一个内存受限的系统中，我们不能低估内核本身的开销所引起的功耗增加。
比如，我在 qemu上ARM64 Linux-5.19-rc2内核，然后运行下面简单的程序：
这个程序申请了1GB内存，然后fork出来64个进程，其中最原始那个父进程不停读写这个1GB的内存。代码gcc编译结果a.out。系统的内存是900M，并开启了zRAM交换功能。运行起来后，我们看它的CPU消耗，a.out固然是很大，可是kswapd0这个内核线程也是非常大的CPU占用。
kswapd0相对我们的有用功a.out，只是辅助的工作，本质属于浪费电。此外，我们的a.out本身占用的接近100%的CPU，也主要耗费在a.out自身的动作上吗？这个时候我们也有兴趣看一下，我们“perf top -p
所以从性能分析的角度来说，我们也要把这些红框部分挖掘出来进行分析优化，因为本质他们也是纯耗电，属于overhead而不是real work。
90分到100分特别难
在所有的性能优化领域，我们都不得不正视一点，无论你多么地不愿意：就是前期的优化是相对比较容易的，越到后来越难。一个考10分的学渣，也许经过努力比较容易考到60分，再继续挑灯夜战，可能也能考到90，但是哪怕本着“只要学不死，就往死里学”的极限热情，他也不一定能从90分考到100分，当然它可能考到91分。
努力到一定程度后，有没有可能越努力成绩越差呢？我觉得是可能的，因为Universal Scalability law(USL)，学麻了容易走火入魔，反而出现性能的collapse。
成年人最重要的心理素质是学会和自己的平凡和解，打牌输了不要赖着不走再打一局不如隔天换个场子打。性能优化也是一样的，在某个角度已经搞到了91分，这个时候继续钻牛角尖的代价可能就比较大了。也许我们可以换另外一个角度，来做个从30分到91分的过程，最终实现总成绩91+91=182分，而不是100+30=130分。
在总成绩182的情况下，再去追求总成绩200，心态和效率都高很多。
off-cpu和on-cpu分析同样重要
当我们分析代码在CPU的耗时花费在哪里的时候，我们关心系统的on-cpu profiling，但是，当我们关注延迟等问题的时候，我们不仅要关注on-cpu profiling，更多的时候，我们需要关注off-cpu profiling。off-cpu profiling的目的在于全面地评估进程不在CPU上面跑的时候，因为什么原因被调度出去。off-cpu profiling完整地打印出进程离开CPU的原因的调用栈和时间分布，比如off-cpu发生在等锁(如mutex和rwsem)、等I/O完成、被调度抢占等情况。
性能profiling应同时着眼于on-cpu和off-cpu这两种情况。这个和优化我们的工作效率是一样的，我们既要上班时候尽可能降低CPU消耗，on-cpu的时候少做纯耗电的无用功；也要看看是什么原因引起我们上班的时候钓鱼划水，把引起我们off-cpu的原因分析出来从而减少摸鱼。
二、on-cpu分析
on-cpu分析主要着眼于2个点:一是找到占用CPU大的热点代码；二是提高单位运行时间内，CPU执行有效指令的条数。前一个点重心在于降低CPU利用率，后一个点则着重于提高CPU的工作效率。下面层层展开，展开过程中会直接介绍相关的工具。
on-cpu火焰图
我们看到前述代码中，kswapd0占据了57.7%的CPU。所以我们现在特别感兴趣，它的CPU的具体走向，火焰图可进行一个比较完整的呈现。假设kswapd0的PID是54，下面我们抓取内核线程54的信息：
我们把采样到的数据，通过火焰图工具进行绘制：
我们得到如下火焰图：
火焰图上我们发现，kswapd的时间有小部分发生在swap_writepage向zRAM写被替换的页面，而大部分发生在判断页面是否被访问的folio_reference_one()，以及页面向zRAM写之前unmap这个页面后的ptep_clear_flush()这2个动作上面。
你也许会想到要去减少folio_reference_one()和ptep_clear_flush()上面的开销，这是一个剖析和发现的过程。
CPU消耗比例分布
火焰图固然呈现了相关函数的CPU比例，但是，很多时候我们生成报告，尤其是向社区发patch，我们需要发送文字版的优化报告，这些报告可以突出CPU热点在哪里。这个时候，我们可以用perf report的功能。
啥也不说了，盯着perf report里面排名第1，第2的整起来。相关的这种数据报告在Linux社区非常常见，比如MGLRU的patch 【2】 里面就列出了MGLRU中某一特性优化前后的CPU消耗对比数据：
我们看到属于overhead的page_vma_mapped_walk()的减小，但是属于lzo1x_1_do_compress()的real work的增大。所以，我们看数据说话，没有数据支撑的性能优化，是很难形成任何说服力的。这也就是为什么我们在内核社区发性能优化的patch，必然会被要求大量benchmark数据支撑。
最后一公里
前面我们发现try_to_unmap()后调用的ptep_clear_flush()是热点函数，但是它热在哪里，具体热在哪一行代码呢？这个时候，我们需要进一步“perf annotate ptep_clear_flush”。
从annotate的结果可以看出，至少，在笔者运行的qemu平台上，tlbi附近的开销是非常大的，其他的代码开销几乎可以忽略不计。当然，真实的ARM64硬件上，tlbi也绝对不便宜。
中断屏蔽的问题
在一个类似如下spin_lock_irqsave()、spin_unlock_irqrestore()的区间里，由于采样的中断都是被屏蔽的，所以中间perf的采样结果，都会在spin_unlock_irqrestore()开启中断的这一刻爆出来，导致ARM64平台下，采样的热点落在类似spin_unlock_irqrestore()这样的地方。这是不准确的。
我们在调试时，可以使能ARM64_PSEUDO_NMI选项，并传递irqchip.gicv3_pseudo_nmi=1这样的bootargs参数。这样，内核会用GIC的高优先级中断模拟NMI，在local_irq_disable()、spin_lock_irqsave()、spin_lock_irq()这样的API里面只是屏蔽低优先级中断。
举一个典型的栗子，ARM64 IOMMU(SMMU)的map/unmap开销大，导致dma_map_single/sg, dma_unmap_single/sg这些APIs在开启IOMMU的情况下，吞吐率不高。这个时候，我们通过前面的火焰图、CPU利用率分布报告很可能已经抓到了热点在drivers/iommu/arm/arm-smmu-v3/arm-smmu-v3.c【3】的arm_smmu_cmdq_issue_cmdlist()这个函数，但是这个函数长成这个样子，进去的时候就关中断，出来的时候才开中断：
这个时候，你不开启irqchip.gicv3_pseudo_nmi=1是不可能perf annonate出来这个函数哪句话是热点的，所有热点都会落在末尾的local_irq_restore()这句话。但是开启后，你才会抓到真正的热点：
CPU执行效率topdown分析
CPU利用率相等的情况下，执行效率是不是一样的呢？比如都是一秒里面干0.5秒的活，CPU利用率50%，干出来的活是一样多吗？不是的，现代计算机系统普遍采用多发射、流水线、分支预测、预取、乱序投机执行等各种复杂机制，这使得同样时间段内能实际执行的有效指令条数，会是可变的。有两个非常重要的概念值得所有人关注：
CPI：（Cycles Per Instruction）每个指令要多少周期。
IPC：（Instructions Per Cycle）每个周期执行多少指令。
CPI和IPC为反比例关系。在同样CPU利用率的情况下，我们追求尽可能高的IPC。比如1个代码跑起来IPC是2.0，另外一个1.0，那么意味着同样的时间段，前者执行的指令是后者的2倍，CPU执行指令更顺畅，stalled（被添堵、处理器空转）的环节更少。
比如我在我的PC上面运行ls，可以看到IPC是0.9：
比如运行gcc main.c，可以看到IPC是1.36：
Ahmand Yasin在它的IEEE论文《A top-down method for performance analysis and counter architercture》中，革命性地给出了一个从CPU指令执行的顺畅程度来评估和发现瓶颈的方法，允许我们从黑盒的角度以诸葛孔明“隆中对”式的格局来看问题。
现在处理器，一般在4个方面占用流水线的时间，而top-down方法，可以黑盒地呈现软件在CPU上面运转的时候，CPU的流水线究竟在干什么。
Front End Bound（前端依赖）: 处理器的前端主要完成指令的译码，把获取的指令翻译为一系列的micro-ops（μops）。当CPU stalled在Front End，通常意味着CPU在取指慢（比如icache miss、解释执行等）,或者复杂指令的翻译过程由于μops cache不命中等原因而变地漫长。Front End stalled多，意味着前端无法及时给后端“喂饱”μops。目前主流的x86处理器，每个cycle可以给Back End喂4个指令，如果Back End也及时执行的话，IPC最高可达4.0。
Back End Bound（后端依赖）：处理器的后端主要完成前端“喂”过来的μops的执行，执行的过程可能涉及读写操作数（load/store）、对操作数进行加减乘除各种运算之类。Back End Bound又可再细分为2类，core bound意味着软件更多依赖于微指令的处理能力；memory bound意味着软件更加依赖CPU L1～L3缓存和DRAM内存性能。当CPU stalled在Back End，通常意味着复杂运算指令延迟大，或操作数从memory（包括cache和DDR）获取的延迟大，导致部分pipeline slots为空（stall）。
Retiring：μops被执行完成，最终的retire动作，提交结果到寄存器或者内存。
Bad Speculation：处理器虽然在干活，但是投机执行的指令可能没有用。比如分支本身应该进“else”的，预测的结果却进了“if”执行错误的分支，虽然没有stall，但是这些错误分支里面的指令实际白白执行了不会retire，所以也浪费了pineline的时间。这里有一个基本常识，比如“if(a) do x; else do y;”，处理器并不是等待a的判决结果后，再去做x或者y，而是先根据历史情况投机执行x或者y，当然这个投机有可能出错。
注意Front End Bound、Back End Bound和我们平时说的软件是CPU bound还是I/O Bound是相似概念，比如CPU bound的软件更加依赖计算能力并对CPU性能敏感（比如编译Linux内核、编译Android），I/O bound的软件更加依赖于I/O动作本身并对I/O性能敏感（比如你把硬盘dd if=/dev/sda1 of=xxx到xxx地方去）。
我们把CPU pipeline上的任何一个硬件资源想象成一个pipeline slots，假设CPU可以同时处理4条μops，下图共有40个slots，如果所有slots都做有用功，μops都能retiring，则IPC为4.0：
假设其中的20个slots要么是empty没活干(stalled)，或者做的是无用功（分支预测错误等情况），那么它的IPC可能就是2.0了。
Intel处理器架构下，已经将top-down完全地工具化，有专门的top-down工具，有的甚至已经图形化了，比如VTune Profiler里面就有类似功能【4】，可以具体化到每一个特定函数的Front-end Bound、Back-End Bound、Bad Speculation、Retiring等的情况：
大家从上表可以看出，基本retiring的比例越低，证明pipeline slots的stall越大，CPI也就越高（IPC越低）。比如，refresh_potential()的CPI高达3.589，主要是它的Back-End Bound严重，其中Memory Bound高达73.2%，所以优化这个函数，要多从cache命中率(L1,L2,L3)、DDR带宽/延迟角度考虑。而优化sort_basket()函数则要多从分支预测优化角度考虑，因为它的Bad Speculation高达50.4%。
有的童鞋对Bad Speculation可能还是不太明白，下面我们通过一个代码栗子：
这个里面有个随机数r = rand()，会极大地破坏分支预测的准确性，所以topdown的结果如下：
如果我们把里面的rand()函数变成自己的版本，让分支结果并不那么随机：
再次topdown，结果则是(retiring很大，绿色友好程序)：
此时的IPC也很大，达到3.49，比较接近4.0了：
Intel方面，脚本化的工具则有pmu-tools【5】。比如笔者在自己的X86 PC（内存24GB）上面开启zRAM后运行如下代码：
假设kswapd的PID是202，我们捕获以下kswapd的bound情况：
由此我们可以看出，在上述场景下，kswapd跑起来主要是一个Back End Bound，其中Back End Bound里面的memory和core bound各占25.1%和19.3%，至于memory bound的部分，它又可以细分到L1,L2，L3 cache更深层次的原因。
我们现在觉得memory bound是上述场景下kswapd的大头，我们实际也可以采样下kswapd的cache-misses。简单运行“sudo perf top -e cache-misses -p 202”命令看一下，cache misses率最高的是LZ4_compress_fast_extState()、memset_erms()和isolate_lru_pages()。你也许可以怎么去优化这些函数，从而减小它们的Back-End bound的部分，提高kswapd的IPC。
Intel的平台享受上面的工具化优势。其他平台的童鞋也不必懊恼，perf本身也具有topdown能力，perf stat后面有个参数是--topdown：
查看Intel童鞋的这个patch【6】，最新版本的perf实际也可以支持td-level=2这样更细粒度的topdown打印：
整个on-cpu分析的过程是top-down的，过程中的某些步骤也是topdown的，我们用一个流程图来描述：
三、off-cpu分析
off-cpu分析更多关注延迟问题，所以我们首先要获知延迟的分布，这个时候我们最好使用直方图。之后，我们可以过度到用off-cpu火焰图等进一步分析off-cpu在等什么，而在lock contention的场合，则可以使用perf lock来进一步进行锁的分析。
直方图
直方图深入人心，哪怕什么工具都没有，纯粹地用Linux内核也可以划出直方图。这个功能位于菜单tracer->Histogram triggers，通过内核tracepoints实现。
下面我们随便举个例子，看看mm/vmscan.c中shrink_inactive_list()一般回收page个数的分布。注意，这纯粹是一个栗子，不对应任何的实际工程。
在直方图中，我们关心2个点，一个是key，一个是value。比如我们以回收页面的个数为key，回收到这一key值页面个数的次数为value。
我们在include/trace/events/vmscan.h和mm/vmscan.c中增加这个trace：
trace_mm_vmscan_nr_reclaimed(nr_reclaimed, 1);这句话表示回收nr_reclaimed个页面的次数增加1。
现在我们使能tracer，以nr_reclaimed为key, times为value，按照times降序排列：
运行系统，触发一些内存回收动作，采样到一些值后，直接读取直方图：
从直方图可看出，实验场景中，回收到32个pages的机会最多，占据76598次，其次是回收到1个、0个和2个的。
下面我们把所有采样复原，改为依据nr_reclaimed升序显示：
复原：
开启新的采样：
运行系统，触发一些内存回收动作，采样到一些值后，直接读取直方图：
有的童鞋说，我现在关注的是延迟时间的分布，不是nr_reclaimed。这完全不影响我们的原理，比如latency单位是us，我想搜集0-5ms, 5-10ms, 10-15ms, 15-20ms各个档次的分布，我只需要trace：
trace_xxx_sys_yyy_latency(latency/5000, 1);
后面在hist中，0-5ms会是一行，5-10ms会是一行，依此类推。另外，内核里面统计延迟可用类似的代码逻辑（来源于kernel/dma/map_benchmark.c的map_benchmark_thread函数）：
eBPF/BCC中本身内嵌多个直方图工具，可满足许多常见的生活必须，比如之前演示的biolatency，还有这些已经自带：
bitehist.py: Block I/O size histogram.
argdist: Display function parameter values as a histogram or frequency count.
bitesize: Show per process I/O size histogram.
btrfsdist: Summarize btrfs operation latency distribution as a histogram.
cpudist: Summarize on- and off-CPU time per task as a histogram.
dbstat: Summarize MySQL/PostgreSQL query latency as a histogram.
ext4dist: Summarize ext4 operation latency distribution as a histogram.
funcinterval: Time interval between the same function as a histogram.
runqlat: Run queue (scheduler) latency as a histogram.
runqlen: Run queue length as a histogram.
xfsdist: Summarize XFS operation latency distribution as a histogram.
zfsdist: Summarize ZFS operation latency distribution as a histogram.
funclatency这个笔者也经常用，比如看一下vfs_read()这个函数的执行时间分布，只需要把函数名加在funclatency之后就好：
我们看到vfs_read()在实验场景，一般延迟是8-16us之间占据第一名。但是偶尔也能大到惊人的4294967296ns，也就是4.2秒，从直方图最后一行可以看出，这些可能就是outlier了。
eBPF/BCC可以依附于kprobe、tracepoints上，在eBPF/BCC上定制直方图，只用写非常简单的脚本即可，因为直方图是其本身内嵌的功能。比如在patch【7】中，笔者想知道kernel/sched/fair.c的select_idle_cpu()在进程被唤醒的时候，统计选中与target同cluster idle CPU，不同cluster idle CPU和没找到idle cpu的比例，只需要写一个简单的脚本：
这个脚本的关键是涂了红色的三行，定义了一个直方图对象dist,然后就在里面通过dist.increment(e)增加采样点，最后通过b["dist"].print_linear_hist("idle")把直方图画出来：
eBPF/BCC里面有许多直方图的例子，我们定制自己的直方图的时候，依葫芦画瓢就好。
off-cpu火焰图
实际上，eBPF/BCC的代码仓库已经写好了off-cpu工具，可以直接拿来用：
https://github.com/iovisor/bcc/blob/master/tools/offcputime.py
它的原理是抓捕内核进行进程上下文切换的时间和backtrace，比如可以对finish_task_switch()内核函数施加探针。因为我们在这个点可以知道什么进程被切换走了，什么进程被切换回来的，结合这些点的backtrace搜集，我们就可以得到睡眠和唤醒的调用栈，以及时间差。可以在这个函数加tracepoint，但是没有tracepoint的情况下，我们也可以直接attach kprobe探针。
finish_task_switch()的函数原型是：
可见参数prev是被切换走的进程，而我们通过current可以拿到当前的进程，也即我们切入的进程。通过下面的算法，即可求出整个off-cpu区间的时间和backtrace：
通过在内核finish_task_switch()的kprobe点上插入eBPF/BCC代码来完成这个算法，这样不需要修改和重新编译内核。之后，我们可以把eBPF/BCC捕获的数据，借助flamegraph工具，绘制出off-cpu火焰图。
下面给一个非常简单的案例，在我的Ubuntu x86 PC上面运行以下代码，创建32个进程，每个进程申请1G内存，然后循环执行：16字节对齐的时候写入一个字节，1MB对齐的时候睡眠30us。
测试内核是5.11.0-49-generic，内核未开启抢占，但是允许PREEMPT_VOLUNTARY：
# CONFIG_PREEMPT_NONE is not set
CONFIG_PREEMPT_VOLUNTARY=y
# CONFIG_PREEMPT is not set
测试的环境开启了zRAM的swap，但是关闭了磁盘相关的swap：
捕获a.out 30秒的off-cpu数据，并绘制火焰图。
得到如下火焰图：
从以上火焰图可以看出，a.out的延迟主要是3个方面原因：
发生在其用户态代码本身调用的nanosleep()上;
发生在page_fault的处理上;
时间片到期后， timer中断进来，把它切换走。
我们把这3个块分别画3个圆圈：
火焰图的纵向是backtrace，横向是每一种情况的off-cpu时间，横向越宽代表这个调用stack上的off-cpu时间越久。
假设我们shrink_inactive_list()这个函数特别感兴趣，则可点击shrink_inactive_list()这个函数，单独查看这个函数的off-cpu细节，我们发现，它其中一半的off-cpu是因为它自己调用了一个msleep()，还有很大一部分发上在它主动call了_cond_resched()，然后CPU被别人抢走;如果我们关注mutex_lock() 的延迟，则显然发生在shrink_inactive_list() -> shrink_page_list() -> add_to_swap -> get_swap_pages() -> mutex_lock()这个路径上。
如果我们把焦点移到kswapd，我们还是运行上面的a.out代码，但是我们捕获和分析的对象换为kswapd。捕获kswapd的off-cpu数据30秒并绘制off-cpu火焰图。
绘制出来的kswapd的off-cpu火焰图如下：
可见多数延迟发生在kswapd各种路径下（比如shrink_inactive_list -> shrink_page_list路径）主动调用_cond_resched()出让CPU，还有一部分延迟发生在最右边的shrink_slab的i915显卡驱动的slab shrink，点击放大它：
从上图可以看出，我们在内存回收shrink_slab()的时候，被i915驱动的i915_gem_shrink()堵住了，而i915_gem_shrink()被一个mutex_lock_interruptible()堵住了，所以i915驱动持有的一个mutex实际上给shrink_slab()是添堵了。
特别有意思的是，这个off-cpu火焰图，还可以变成双层的off-wake火焰图。比如A进程等一个锁睡眠了，B进程是持有锁的人，B唤醒了A，在off-wake火焰图上，它会以双层调用栈的形式进行展示。比如在a.out引起匿名页频繁swap的情况下，抓一下kswapd的off-wake火焰图：
得到的图如下：
从图上可以完整看出,kswapd off-cpu的原因和唤醒者。比如画红圈的区域，kswapd因为调用kswapd_try_to_sleep()而主动进入睡眠，a.out在swap in的过程中do_swap_page()因而需要alloc_pages()的时候因为申请内存的压力，唤醒了kswapd内核线程。天蓝色的是kswapd，淡蓝色的是唤醒者。唤醒者的调用栈是从上到下，off-cpu的kswapd的调用栈是从下到上，中间通过灰色隔离带隔开。这种描述方式，确实看起来比较惊艳有木有？
Lock Contention分析
在使能内核CONFIG_LOCKDEP 和CONFIG_LOCK_STAT 选项的情况下，我们可以通过perf lock来进行lock的contention分析。其实perf lock主要是利用了内核一系列的锁的tracepoints，比如trace_lock_acquired(lock, ip)、trace_lock_acquired(lock, ip)、trace_lock_release(lock, ip)等。
在我运行一个匿名页频繁swap out/in的系统里，抓取lock情况：
然后生成报告：
看起来&rq->__lock、ptlock_ptr(page)、&lruvec->lru_lock的竞争比较激烈。尤其是&lruvec->lru_lock，由于contention比较多，total wait时间比较大。这里要特别留意一点，lock contention不一定是off-cpu的，可能也有on-cpu的，对于mutex, rwsem更多是off-cpu的；spinlock，则更多是on-cpu的。
对于off-cpu以及相关的延迟问题，我们需要通过直方图获知延迟分布、off-cpu/off-wakeup火焰图获知off-cpu的原因和唤醒者，如果是锁竞争的情况，则进一步通过内核perf lock剖析锁竞争。
四、总结
性能优化经常是一个全栈的工作，对工程师的要求也比较高。它是一个很难用一篇文章完整描述清楚的话题，所以本文更多只是起一个提纲挈领的作用，许多话题有待以后有机会进一步展开。文中疏漏，在所难免，还请读者朋友海涵。最后推荐给亲爱的读者朋友们2本书:
BrenDan Gregg的《System Performance Enterprise and the Cloud(Second Edition)》；
Denis Bakhvalor的《Performance Analysis and Tuning on Modern CPUs》
参考文献
【1】https://people.csail.mit.edu/nickolai/papers/boyd-wickizer-locks.pdf
【2】https://lore.kernel.org/linux-mm/20220614071650.206064-8-yuzhao@google.com/
【3】https://git.kernel.org/pub/scm/linux/kernel/git/torvalds/linux.git/tree/drivers/iommu/arm/arm-smmu-v3/arm-smmu-v3.c
【4】https://www.intel.com/content/www/us/en/develop/documentation/vtune-cookbook/top/methodologies/top-down-microarchitecture-analysis-method.html#top-down-microarchitecture-analysis-method_GUID-FA8F07A1-3590-4A91-864D-CE96456F84D7
【5】https://github.com/andikleen/pmu-tools
【6】https://lore.kernel.org/all/1612296553-21962-9-git-send-email-kan.liang@linux.intel.com/
【7】https://www.spinics.net/lists/arm-kernel/msg882962.html
长按关注 内核工匠微信 Linux 内核黑科技 | 技术文章 | 精选教程
