关于 load average 一个诡异的问题

[z5864703]

先说现象，服务器每隔一小时 22 分 load 负载就会从平均 0.6 飙升到 5-7 之间，持续两分钟就回落正常水平，并且偶尔会有三四个小时不出现。诡异的地方是没找到能体现负载上升的关联数据指标，就是检查了所知道的数据都是正常的没有波动，除了 load 负载。
服务器环境（阿里云的 ECS，C6 型）：
系统：centos 7.6.1810
CPU：8 核 intel 的 8269CY
内存：16G，没有开 swap
磁盘：高效云盘 40G
网卡：1 张自带+2 张弹性网卡（公网 IP ）
程序：php7.2.24+swoole4.4.12
业务：差不多维持四十万左右的 TCP 长连接，平常主要数据交互就是心跳指令数据收发

负载飙升的时候，检查监控记录过以下数据指标，并和正常情况下的指标对比，并无异常。
cpu 占用率：10%左右波动
内存占用：7G 左右平稳（ 16G 的总内存）
磁盘 IO：几乎没有，因为业务是数据转发性质，纯内存
处于 R 状态进程：1-5 之间波动
处于 D 状态进程：没有
系统中断：四万七左右波动（通过 vmstat -Sm 1 查看）
上下文切换：五万左右波动（通过 vmstat -Sm 1 查看）
系统函数调用：排名前三 kernel 的_raw_spin_unlock_irqrestore、__do_softirq 与 php 的 execute_ex 保持不变（通过 perf top 查看）
网络流量：维持出 4Mbps 左右，入 7Mbps 左右
网络连接数：无波动

目前可以肯定和业务程序相关，只要业务程序关闭，就不会出现这个现象。但是检查过业务代码，没有符合特征的代码，比如定时器。
目前就是要找到会是什么原因导致的 load 飙升，有没有哪路神仙遇到此问题，或能提供定位问题思路。

[z5864703]

补充：
1.只要连接数上来就会出现，所以问题和长连接数量相关
2.心跳是 60 秒一次，回应 pong 即可，处理效率不存在瓶颈

[jybox]

监控采集的粒度不够？有可能只是极短时间的 CPU 繁忙导致的 load 升高。

[asilin]

我猜测是短时间内大量进程 /线程的创建导致的，推荐使用 ganglia 或者 prometheus 监控来看下；

[z5864703]

@jybox 每秒记录，load 的数值飙升到回落持续时间两分钟，飙升过程 40 秒左右。cpu 没有波动，包括每个核心

[z5864703]

@asilin 业务在启动完就创建完相关进程和线程，运行过程中不会有这个操作

[Sasasu]

gc 扫描

[z5864703]

@Sasasu php 的 gc ？还是？

[dazhangpan]

同意#3 楼，不要光看代码，还是得用工具看一下是否有 short-lived 进程，可以参考这篇文章： https://decodezp.github.io/2019/09/19/test20-troubleshoot-short-lived-process/

[z5864703]

@dazhangpan 看了下，不符合条件。服务器在负载飙升的时候是没有 cpu 占用开销

[capljf]

如果确定是业务代码造成的 load 飙升并且是运行 jvm 的话，可以在 load 升起来的时候 dump 一下内存看看

[z5864703]

@capljf 不是 jvm，是 php 环境