mirror of
https://github.com/LCTT/TranslateProject.git
synced 2024-12-23 21:20:42 +08:00
107 lines
4.6 KiB
Markdown
107 lines
4.6 KiB
Markdown
|
Go 程序的持续分析
|
|||
|
|
============================================================
|
|||
|
|
|
|||
|
|
Google 最有趣的部分之一就是我们的持续分析服务。我们可以看到谁在使用 CPU 和内存，我们可以持续地监控我们的生产服务以争用和阻止配置文件，并且我们可以生成分析和报告，并轻松地告诉我们可以进行哪些有重要影响的优化。
|
|||
|
|
|
|||
|
|
我简单研究了 [Stackdriver Profiler][2]，这是我们的新产品，它填补了针对云端用户云端分析服务的空白。请注意，你无需在 Google 云平台上运行你的代码即可使用它。实际上，我现在每天都在开发时使用它。它也支持 Java 和 Node.js。
|
|||
|
|
|
|||
|
|
#### 在生产中分析
|
|||
|
|
|
|||
|
|
pprof 可安全地用于生产。我们针对 CPU 和堆分配分析的额外开销会增加 5%。一个实例中每分钟收集 10 秒。如果你有一个 Kubernetes Pod 的多个副本，我们确保进行分摊收集。例如，如果你拥有一个 pod 的 10 个副本，模式，那么开销将变为 0.5％。这使用户可以始终进行分析。
|
|||
|
|
|
|||
|
|
我们目前支持 Go 程序的 CPU、堆、互斥和线程分析。
|
|||
|
|
|
|||
|
|
#### 为什么？
|
|||
|
|
|
|||
|
|
在解释如何在生产中使用分析器之前，先解释为什么你想要在生产中进行分析将有所帮助。一些非常常见的情况是：
|
|||
|
|
|
|||
|
|
* 调试仅在生产中可见的性能问题。
|
|||
|
|
|
|||
|
|
* 了解 CPU 使用率以减少费用。
|
|||
|
|
|
|||
|
|
* 了解争用的累积和优化的地方。
|
|||
|
|
|
|||
|
|
* 了解新版本的影响，例如看到 canary 和生产之间的区别。
|
|||
|
|
|
|||
|
|
* 通过[关联][1]分析样本以了解延迟的根本原因来丰富你的分布式经验。
|
|||
|
|
|
|||
|
|
#### 启用
|
|||
|
|
|
|||
|
|
Stackdriver Profiler 不能与 _net/http/pprof_ 处理程序一起使用，并要求你在程序中安装和配置一个一行的代理。
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
go get cloud.google.com/go/profiler
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
在你的主函数中，启动分析器：
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
if err := profiler.Start(profiler.Config{
|
|||
|
|
Service: "indexing-service",
|
|||
|
|
ServiceVersion: "1.0",
|
|||
|
|
ProjectID: "bamboo-project-606", // optional on GCP
|
|||
|
|
}); err != nil {
|
|||
|
|
log.Fatalf("Cannot start the profiler: %v", err)
|
|||
|
|
}
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
当你运行你的程序后，profiler 包将每分钟报告给 profiler 10 秒钟。
|
|||
|
|
|
|||
|
|
#### 可视化
|
|||
|
|
|
|||
|
|
当分析报告给后端后，你将在 [https://console.cloud.google.com/profiler][4] 上看到火焰图。你可以按标签过滤并更改时间范围，也可以按服务名称和版本进行细分。数据将会长达 30 天。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
你可以选择其中一个分析，按服务，区域和版本分解。你可以在火焰中移动并通过标签进行过滤。
|
|||
|
|
|
|||
|
|
#### 阅读火焰图
|
|||
|
|
|
|||
|
|
火焰图可视化由 [Brendan Gregg][5] 非常全面地解释了。Stackdriver Profiler 增加了一点它自己的特点。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
我们将查看一个 CPU 分析，但这也适用于其他分析。
|
|||
|
|
|
|||
|
|
1. 最上面的 x 轴表示整个程序。火焰上的每个框表示调用路径上的一帧。框的宽度与执行该函数花费的 CPU 时间成正比。
|
|||
|
|
|
|||
|
|
2. 框从左到右排序，左边是花费最多的调用路径。
|
|||
|
|
|
|||
|
|
3. 来自同一包的帧具有相同的颜色。这里所有运行时功能均以绿色表示。
|
|||
|
|
|
|||
|
|
4. 你可以单击任何框进一步展开执行树。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
你可以将鼠标悬停在任何框上查看任何帧的详细信息。
|
|||
|
|
|
|||
|
|
#### 过滤
|
|||
|
|
|
|||
|
|
你可以显示，隐藏和高亮符号名称。如果你特别想了解某个特定调用或包的消耗，这些信息非常有用。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
1. 选择你的过滤器。你可以组合多个过滤器。在这里，我们将高亮显示 runtime.memmove。
|
|||
|
|
|
|||
|
|
2. 火焰将使用过滤器过滤帧并可视化过滤后的框。在这种情况下，它高亮显示所有 runtime.memmove 框。
|
|||
|
|
|
|||
|
|
--------------------------------------------------------------------------------
|
|||
|
|
|
|||
|
|
via: https://medium.com/google-cloud/continuous-profiling-of-go-programs-96d4416af77b
|
|||
|
|
|
|||
|
|
作者：[JBD ][a]
|
|||
|
|
译者：[geekpi](https://github.com/geekpi)
|
|||
|
|
校对：[校对者ID](https://github.com/校对者ID)
|
|||
|
|
|
|||
|
|
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
|||
|
|
|
|||
|
|
[a]:https://medium.com/@rakyll?source=post_header_lockup
|
|||
|
|
[1]:https://rakyll.org/profiler-labels/
|
|||
|
|
[2]:https://cloud.google.com/profiler/
|
|||
|
|
[3]:http://cloud.google.com/go/profiler
|
|||
|
|
[4]:https://console.cloud.google.com/profiler
|
|||
|
|
[5]:http://www.brendangregg.com/flamegraphs.html
|