Go / 系统课时
用 pprof 找 CPU 热点
用 pprof 找 CPU 热点
CPU 占用升高时,先猜“是不是 goroutine 太多”通常没有证据。更可靠的方法是在真实负载期间采集 CPU Profile,再用 go tool pprof 看哪些函数真正消耗采样时间。本节用一个可运行程序制造热点,并演示从采集到定位的最短路径。
学习目标
- 启用
net/http/pprof的 CPU Profile 端点并在负载期间采样。 - 读懂
top中的 flat 与 cum,区分“自身耗时”和“连同下游调用的累计耗时”。 - 避免用过短采样、空闲期采样或单次结果直接下结论。
先确认采样对象和时间窗口
CPU Profile 记录的是采样期间正在消耗 CPU 的调用栈,因此采集窗口必须覆盖问题发生时段。服务空闲时抓到的 Profile 只能说明“空闲时在做什么”,不能代表高峰期。
pprof 的 HTTP 方式适合在线服务:引入 net/http/pprof 后启动一个只绑定管理地址的 HTTP 端口,再通过 /debug/pprof/profile?seconds=N 获取固定时间窗口的 CPU Profile。生产环境不要把该端点直接暴露到公网。
构造一个可定位的 CPU 热点
下面的程序启动 pprof 端点,并持续执行一个有意设计的计算热点 busy。管理端口绑定到回环地址,只允许本机访问。
package main
import (
"fmt"
"net/http"
_ "net/http/pprof"
"time"
)
var sink uint64
//go:noinline
func busy() uint64 {
var sum uint64
for i := uint64(0); i < 8_000_000; i++ {
// 故意保留纯 CPU 计算,方便在 Profile 中形成稳定热点。
sum += (i * 31) ^ (i >> 3)
}
return sum
}
func main() {
go func() {
fmt.Println("pprof=http://127.0.0.1:6060/debug/pprof/")
if err := http.ListenAndServe("127.0.0.1:6060", nil); err != nil {
panic(err)
}
}()
for {
sink = busy()
time.Sleep(10 * time.Millisecond)
}
}预期输出
pprof=http://127.0.0.1:6060/debug/pprof/程序会持续占用部分 CPU,实际占用比例会受 CPU 核数、Go 版本和系统调度影响。
采集并读取 top
保持程序运行,在另一个终端执行下面的命令。seconds=10 表示采样 10 秒,-top 直接打印函数级热点。
go tool pprof -top "http://127.0.0.1:6060/debug/pprof/profile?seconds=10"预期输出
File: <BINARY>
Type: cpu
Duration: <TIME>, Total samples = <TIME>
Showing nodes accounting for <PERCENT> of <TIME> total
flat flat% sum% cum cum%
<TIME> <PERCENT> <PERCENT> <TIME> <PERCENT> main.busy<BINARY>、<TIME> 和 <PERCENT> 会随构建方式与运行环境变化,但 main.busy 应出现在主要热点中。若它完全没有出现,先确认采样期间程序确实在执行该函数,而不是立即怀疑 pprof 失效。
用 flat 和 cum 判断热点性质
flat 表示样本直接落在当前函数自身的时间,适合发现真正执行大量计算的函数;cum 表示当前函数连同它调用的下游函数累计占用的时间。一个函数 cum 很高但 flat 很低,往往说明它只是调用链入口,真正开销在更深层。
因此排查顺序通常是先看 top 找高占比函数,再回到源码确认该函数是否执行了不必要的计算、锁竞争前的忙等、频繁序列化或异常循环。优化后应在相似负载与相似采样窗口下重新采集,而不是只比较一次运行的绝对百分比。
避免把采样结果读错
CPU Profile 不是延迟 Profile:请求慢可能是网络等待、磁盘等待或锁阻塞,而这些时间未必表现为高 CPU。遇到“延迟高但 CPU 不高”时,应结合 goroutine、mutex、block 等 Profile 继续定位。
采样窗口也不能太短。几百毫秒的结果容易受瞬时调度影响;线上排查时应选择能覆盖异常阶段、又不会长期占用诊断资源的窗口。只有在同一问题场景下重复采样并观察热点稳定出现,优化结论才更可信。