最開始公司運維同學反饋，個別宿主機上存在進程CPU峯值使用率異常的現象。而數萬臺機器中只出現了幾例，也就是說萬分之幾的概率。監控產生的些小誤差，不會造成宕機等嚴重後果，很容易就此被忽略了。但我們考慮到這個異常轉瞬即逝、並不易被察覺，可能還存在更多這樣的機器，又或者現在正常將來又不正常，內核研發本能的好奇心讓我們感到：此事必有蹊蹺！於是追查下去。
問題現象
現象一：CPU監控非0即100%
該問題現象表現在Redis進程CPU監控的峯值時而100% 時而爲0，有的甚至是幾十分鐘都爲0，突發1秒100%後又變爲0，如下圖。
而從大量機器的統計規律看，這個現象在2.6.32 內核不存在，在4.1內核存在幾例。2.6.32是我們較早期採用的版本，爲平臺的穩定發展做了有力支撐，4.1 可以滿足很多新技術需求，如新款CPU、新板卡、RDMA、NVMe和binlog2.0等。後臺無縫維護着兩個版本，併爲了能力提升和優化而逐步向4.1及更高版本過渡。
現象二：top顯示非0即300%
登錄到機器上執行top -b -d 1 –p
問題分析
上述異常程序使用的是同樣的數據源：/proc/pid/stat中進程運行佔用的用戶態時間utime和內核態時間stime。我們抓取utime和stime更新情況後，發現utime或者stime每隔幾分鐘或者幾十分鐘才更新，更新的步進值達到幾百到1000+，而正常進程看到的是每幾秒更新，步進值是幾十。
定位到異常點後，還要找出原因。排除了監控邏輯、IO負載、調用瓶頸等可能後，確認是4.1內核的CPU時間統計有 bug。
cputime統計邏輯
檢查/proc/pid/stat中utime和stime被更新的代碼執行路徑，在cputime_adjust()發現了一處可疑的地方：
當utime+stime>=rtime的時候就直接跳出了，也就是不更新utime和stime了！這裏的rtime是runtime，代表進程運行佔用的所有CPU時長，正常應該等於或近似進程用戶態時間+內核態時間。 但內核配置了CONFIG_VIRT_CPU_ACCOUNTING_GEN選項，這會讓utime和stime分別單調增長。而runtime是調度器裏統計到的進程真正運行總時長。
內核每次更新/proc/pid/stat的utime和stime的時候，都會跟rtime對比。如果utime+stime很長一段時間都大於rtime，那代碼直接goto out了， /proc/pid/stat就不更新了。只有當rtime持續更新追上utime+stime後，才更新utime和stime。
冷補丁和熱補丁
第一回合：冷補丁
出現問題的代碼位置已經找到，那就先去內核社區看看有沒有成熟補丁可用，看一下kernel/sched/cputime.c的 changelog，看到一個patch：確保stime+utime=rtime。再看描述：像top這樣的工具，會出現超過100%的利用率，之後又一段時間爲0，這不就是我們遇到的問題嗎？真是踏破鐵鞋無覓處，得來全不費工夫！（patch鏈接：https://lore.kernel.org/patchwork/patch/609410/）
該補丁在4.3內核及以後版本才提交， 卻並未提交到4.1穩定版分支，於是移植到4.1內核。打上該補丁後進行壓測，再沒出現cputime時而100%時而0%的現象，而是0-100%之間平滑波動的值。
至此，你可能覺得問題已經解決了。但是，問題才解決了一半。而往往“但是”後邊纔是重點。
第二回合：熱補丁
給內核代碼打上該冷補丁只能解決新增服務器的問題，但公司還有數萬存量服務器是無法升級內核後重啓的。
如果沒有其它好選擇，那存量更新將被迫採用如下的妥協方案：監控程序修改統計方式進行規避，不再使用utime和stime，而是通過runtime來統計進程的執行時間。
雖然該方案快速可行，但也有很大的缺點：
- 很多業務部門都要修改統計程序，研發成本較高；
- /proc/pid/stat的utime和stime是標準統計方式，一些第三方組件並不容易修改；
- 並沒有根本解決utime和stime不準的問題，用戶、研發、運維使用ps、top命令時還會產生困惑，產生額外的溝通協調成本。
幸好，我們還可以依靠UCloud已多次成功應用的技術：熱補丁技術。
所謂熱補丁技術，是指在有缺陷的服務器內核或進程正在運行時，對已經加載到內存的程序二進制打上補丁，使得程序實時在線狀態下執行新的正確邏輯。可以簡單理解爲像關二爺那樣不打麻藥在清醒狀態下刮骨療傷。當然，對內核刮骨療傷內核是不會痛的，但刮不好內核就會直接死給你看，沒有絲毫猶豫，非常乾脆利索又耿直。
熱補丁修復
而本次熱補丁修復存在兩個難點：
難點一： 熱補丁製作
這次熱補丁在結構體新增了spinlock成員變量，那就涉及新成員的內存分配和釋放，在結構體實例被複制和釋放時，都要額外的對新成員做處理，稍有遺漏可能會造成內存泄漏進而導致宕機，這就加大了風險。
再一個就是，結構體實例是在進程啓動時初始化的，對於已經存在的實例如何塞進新的spinlock成員？所謂兵來將擋水來土掩，我們想到可以在原生補丁使用spinlock成員的代碼路徑上攔截，如果發現實例不含該成員，則進行分配、初始化、加鎖、釋放鎖。
要解決問題，既要攀登困難的山峯，又得控制潛在的風險。團隊編寫了腳本進行幾百萬次的加載、卸載熱補丁測試，並無內存泄漏，單機穩定運行，再下一城。
難點二：難以復現
另一個難題是該問題難以復現，只有在現網生產環境纔有幾個case可驗證熱補丁，而又不可以拿用戶的環境去冒險。針對這種情況我們已經有標準化處理流程去應對，那就是設計完善的灰度策略，這也是UCloud內部一直在強調的核心理念和能力。經過分析，這個問題可以拆解爲驗證熱補丁穩定性和驗證熱補丁正確性。於是我們採取瞭如下灰度策略：
- 穩定性驗證：先拿幾臺機器測試正常，再拿公司內部500臺次級重要的機器打熱補丁，灰度運行幾天正常，從而驗證了穩定性，風險盡在掌控之中。
- 正確性驗證：找到一臺出現問題的機器，同時打印utime+stime以及rtime，根據代碼的邏輯，當rtime小於utime+stime時會執行老邏輯，當rtime大於utime+stime時會執行新的熱補丁邏輯。如下圖所示，進入熱補丁的新邏輯後，utime+stime打印正常且與rtime保持了同步更新，從而驗證了熱補丁的正確性。
- 全網變更： 最後再分批在現網環境機器上打熱補丁，執行全網變更，問題得到根本解決，此處要感謝運維同學的全力協助。
總結
綜上，我們詳細介紹了進程cputime統計異常問題的完整分析和解決思路。該問題並非嚴重的宕機問題，但卻可能會讓用戶對監控數據產生困惑，誤認爲可能機器負載太高需要加資源，問題的解決會避免產生不必要的開支。此外，該問題也會讓研發、運維和技術支持的同學們使用top和ps命令時產生困惑。最終我們對問題的本質仔細分析並求證，用熱補丁的方式妥善的解決了問題。
文章首發於公衆號"UCloud技術": https://mp.weixin.qq.com/s/nIOvQuLtdQwLPi8AqJiBPg