為什么需要性能監(jiān)控？下面本篇就來帶大家了解一下Node.js性能監(jiān)控，希望對(duì)大家有所幫助！

為什么需要性能監(jiān)控

Node作為Javascript在服務(wù)端的一個(gè)運(yùn)行時(shí)（Runtime），極大的豐富了Javascript的應(yīng)用場(chǎng)景。

但是Node.js Runtime本身是一個(gè)黑盒，我們無法感知運(yùn)行時(shí)的狀態(tài)，對(duì)于線上問題也難以復(fù)現(xiàn)。

因此性能監(jiān)控是Node.js應(yīng)用程序「正常運(yùn)行」的基石。不僅可以隨時(shí)監(jiān)控運(yùn)行時(shí)的各項(xiàng)指標(biāo)，還可以幫助排查異常場(chǎng)景問題。

組成部分

性能監(jiān)控可以分為兩個(gè)部分：

• 性能指標(biāo)的采集和展示

  • 進(jìn)程級(jí)別的數(shù)據(jù)：CPU，Memory，Heap，GC等
  • 系統(tǒng)級(jí)別的數(shù)據(jù)：磁盤占用率，I/O負(fù)載，TCP/UDP連接狀態(tài)等
  • 應(yīng)用層的數(shù)據(jù)：QPS，慢HTTP，業(yè)務(wù)處理鏈路日志等

• 性能數(shù)據(jù)的抓取和分析

  • Heapsnapshot：堆內(nèi)存快照
  • Cpuprofile：CPU快照
  • Coredump：應(yīng)用崩潰快照

方案對(duì)比

從上圖可以看到目前主流的三種Node.js性能監(jiān)控方案的優(yōu)缺點(diǎn)，以下是簡(jiǎn)單介紹這三種方案的組成：

• Prometheus

  • prom-client是prometheus的nodejs實(shí)現(xiàn)，用于采集性能指標(biāo)
  • grafana是一個(gè)可視化平臺(tái)，用來展示各種數(shù)據(jù)圖表，支持prometheus的接入
  • 只支持了性能指標(biāo)的采集和展示，排查問題還需要其他快照工具，才能組成閉環(huán)

• AliNode

  • alinode是一個(gè)兼容官方nodejs的拓展運(yùn)行時(shí)，提供了一些額外功能：

    • v8的運(yùn)行時(shí)內(nèi)存狀態(tài)監(jiān)控
    • libuv的運(yùn)行時(shí)狀態(tài)監(jiān)控
    • 在線故障診斷功能：堆快照、CPU Profile、GC Trace等

  • agenthub是一個(gè)常駐進(jìn)程，用來收集性能指標(biāo)并上報(bào)

    • 整合了agentx + commdx的便利工具

  • 整體從監(jiān)控，展示，快照，分析形成閉環(huán)，接入便捷簡(jiǎn)單，但是拓展運(yùn)行時(shí)還是有風(fēng)險(xiǎn)

• Easy-Monitor

  • xprofiler 負(fù)責(zé)進(jìn)行實(shí)時(shí)的運(yùn)行時(shí)狀態(tài)采樣，以及輸出性能日志（也就是性能數(shù)據(jù)的抓?。?/li>
  • xtransit 負(fù)責(zé)性能日志的采集與傳輸
  • 跟AliNode最大的區(qū)別在于使用了Node.js Addon來實(shí)現(xiàn)采樣器

性能指標(biāo)

CPU

通過process.cpuUsage()可以獲取當(dāng)前進(jìn)程的CPU耗時(shí)數(shù)據(jù)，返回值的單位是微秒

• user：進(jìn)程執(zhí)行時(shí)本身消耗的CPU時(shí)間
• system：進(jìn)程執(zhí)行時(shí)系統(tǒng)消耗的CPU時(shí)間

Memory

通過process.memoryUsage()可以獲取當(dāng)前進(jìn)程的內(nèi)存分配數(shù)據(jù)，返回值的單位是字節(jié)

• rss：常駐內(nèi)存，node進(jìn)程分配的總內(nèi)存大小
• heapTotal：v8申請(qǐng)的堆內(nèi)存大小
• heapUsed：v8已使用的堆內(nèi)存大小
• external：v8管理的C++所占用的內(nèi)存大小
• arrayBuffers：分配給ArrayBuffer的內(nèi)存大小

從上圖可以看出，rss包含代碼段(Code Segment)、棧內(nèi)存(Stack)、堆內(nèi)存(Heap)

• Code Segment：存儲(chǔ)代碼段
• Stack：存儲(chǔ)局部變量和管理函數(shù)調(diào)用
• Heap：存儲(chǔ)對(duì)象、閉包、或者其他一切

Heap

通過v8.getHeapStatistics()和v8.getHeapSpaceStatistics()可以獲取v8堆內(nèi)存和堆空間的分析數(shù)據(jù)，下圖展示了v8的堆內(nèi)存組成分布：

堆內(nèi)存空間先劃分為空間（space），空間又劃分為頁(yè)（page），內(nèi)存按照1MB對(duì)齊進(jìn)行分頁(yè)。

• New Space：新生代空間，用來存放一些生命周期比較短的對(duì)象數(shù)據(jù)，平分為兩個(gè)空間（空間類型為semi space）：from space，to space

  • 晉升條件：在New space中經(jīng)過兩次GC依舊存活

• Old Space：老生代空間，用來存放New Space晉升的對(duì)象

• Code Space：存放v8 JIT編譯后的可執(zhí)行代碼

• Map Space：存放Object指向的隱藏類的指針對(duì)象，隱藏類指針是v8根據(jù)運(yùn)行時(shí)記錄下的對(duì)象布局結(jié)構(gòu)，用于快速訪問對(duì)象成員

• Large Object Space：用于存放大于1MB而無法分配到頁(yè)的對(duì)象

GC

v8的垃圾回收算法分為兩類：

• Major GC：使用了Mark-Sweep-Compact算法，用于老生代的對(duì)象回收
• Minor GC：使用了Scavenge算法，用于新生代的對(duì)象回收

Scavenge

前提：New space分為from和to兩個(gè)對(duì)象空間

觸發(fā)時(shí)機(jī)：當(dāng)New space空間滿了

步驟：

• 在from space中，進(jìn)行寬度優(yōu)先遍歷

• 發(fā)現(xiàn)存活（可達(dá)）對(duì)象

  • 已經(jīng)存活過一次（經(jīng)歷過一次Scavange），晉升到Old space
  • 其他的復(fù)制到to space中

• 當(dāng)復(fù)制結(jié)束時(shí)，to space中只有存活的對(duì)象，from space就被清空了

• 交換from space和to space，開始下一輪Scavenge

適用于回收頻繁，內(nèi)存不大的對(duì)象，典型的空間換時(shí)間的策略，缺點(diǎn)是浪費(fèi)了多一倍的空間

Mark-Sweep-Compact

三個(gè)步驟：標(biāo)記、清除、整理

觸發(fā)時(shí)機(jī)：當(dāng)Old space空間滿了

步驟：

• Marking（三色標(biāo)記法）

  • 白色：代表可回收對(duì)象
  • 黑色：代表不可回收對(duì)象，且其所產(chǎn)生的引用都已經(jīng)掃描完畢
  • 灰色：代表不可回收對(duì)象，且其所產(chǎn)生的引用還沒掃描完
  • 將V8根對(duì)象直接引用的對(duì)象放進(jìn)一個(gè)marking queue（顯式棧）中，并將這些對(duì)象標(biāo)記為灰色
  • 從這些對(duì)象開始做深度優(yōu)先遍歷，每訪問一個(gè)對(duì)象，將該對(duì)象從marking queue pop出來，并標(biāo)記為黑色
  • 然后將該對(duì)象引用下的所有白色對(duì)象標(biāo)記為灰色，push到marking queue上，如此往復(fù)
  • 直到棧上所有對(duì)象都pop掉為止，老生代的對(duì)象只剩下黑色（不可回收）和白色（可以回收）兩種了
  • PS：當(dāng)一個(gè)對(duì)象太大，無法push到空間有限的棧時(shí)，v8會(huì)把這個(gè)對(duì)象保留灰色跳過，將整個(gè)棧標(biāo)記為溢出狀態(tài)（overflowed），等棧清空后，再次進(jìn)行遍歷標(biāo)記，這樣導(dǎo)致需要額外掃描一遍堆

• Sweep

  • 清除白色對(duì)象
  • 會(huì)造成內(nèi)存空間不連續(xù)

• Compact

  • 由于Sweep會(huì)造成內(nèi)存空間不連續(xù)，不利于新對(duì)象進(jìn)入GC
  • 把黑色（存活）對(duì)象移到Old space的一端，這樣清除出來的空間就是連續(xù)完整的
  • 雖然可以解決內(nèi)存碎片問題，但是會(huì)增加停頓時(shí)間（執(zhí)行速度慢）
  • 在空間不足以對(duì)新生代晉升過來的對(duì)象進(jìn)行分配時(shí)才使用mark-compact

Stop-The-World

在最開始v8進(jìn)行垃圾回收時(shí)，需要停止程序的運(yùn)行，掃描完整個(gè)堆，回收完內(nèi)存，才會(huì)重新運(yùn)行程序。這種行為就叫全停頓（Stop-The-World）

雖然新生代活動(dòng)對(duì)象較小，回收頻繁，全停頓，影響不大，但是老生代存活對(duì)象多且大，標(biāo)記、清理、整理等造成的停頓就會(huì)比較嚴(yán)重。

優(yōu)化策略

• 增量回收（Incremental Marking）：在Marking階段，當(dāng)堆達(dá)到一定大小時(shí)，開始增量GC，每次分配了一定量的內(nèi)存后，就暫停運(yùn)行程序，做幾毫秒到幾十毫秒的marking，然后恢復(fù)程序的運(yùn)行。

這個(gè)理念其實(shí)有點(diǎn)像React框架中的Fiber架構(gòu)，只有在瀏覽器的空閑時(shí)間才會(huì)去遍歷Fiber Tree執(zhí)行對(duì)應(yīng)的任務(wù)，否則延遲執(zhí)行，盡可能少地影響主線程的任務(wù)，避免應(yīng)用卡頓，提升應(yīng)用性能。

• 并發(fā)清除（Concurrent Sweeping）：讓其他線程同時(shí)來做 sweeping，而不用擔(dān)心和執(zhí)行程序的主線程沖突
• 并行清除（Parallel Sweeping）：讓多個(gè) Sweeping 線程同時(shí)工作，提升 sweeping 的吞吐量，縮短整個(gè) GC 的周期

空間調(diào)整

由于v8對(duì)于新老生代的空間默認(rèn)限制了大小

• New space 默認(rèn)限制：64位系統(tǒng)為32M，32位系統(tǒng)為16M
• Old space 默認(rèn)限制：64位系統(tǒng)為1400M，32位系統(tǒng)為700M

因此node提供了兩個(gè)參數(shù)用于調(diào)整新老生代的空間上限

• --max-semi-space-size：設(shè)置New Space空間的最大值
• --max-old-space-size：設(shè)置Old Space空間的最大值

查看GC日志

node也提供了三種查看GC日志的方式：

• --trace_gc：一行日志簡(jiǎn)要描述每次GC時(shí)的時(shí)間、類型、堆大小變化和產(chǎn)生原因
• --trace_gc_verbose：展示每次GC后每個(gè)V8堆空間的詳細(xì)狀況
• --trace_gc_nvp：每次GC的詳細(xì)鍵值對(duì)信息，包含GC類型，暫停時(shí)間，內(nèi)存變化等

由于GC日志比較原始，還需要二次處理，可以使用AliNode團(tuán)隊(duì)開發(fā)的v8-gc-log-parser

快照工具

Heapsnapshot

對(duì)于運(yùn)行程序的堆內(nèi)存進(jìn)行快照采樣，可以用來分析內(nèi)存的消耗以及變化

生成方式

生成.heapsnapshot文件有以下幾種方式：

• 使用heapdump

• 使用v8的heap-profile

• 使用nodejs內(nèi)置的v8模塊提供的api

  • v8.getHeapSnapshot()

  

  • v8.writeHeapSnapshot(fileName)

  

• 使用v8-profiler-next

分析方法

生成的.heapsnapshot文件，可以在Chrome devtools工具欄的Memory，選擇上傳后，展示結(jié)果如下圖：

默認(rèn)的視圖是Summary視圖，在這里我們要關(guān)注最右邊兩欄：Shallow Size 和 Retained Size

• Shallow Size：表示該對(duì)象本身在v8堆內(nèi)存分配的大小
• Retained Size：表示該對(duì)象所有引用對(duì)象的Shallow Size之和

當(dāng)發(fā)現(xiàn)Retained Size特別大時(shí)，該對(duì)象內(nèi)部可能存在內(nèi)存泄漏，可以進(jìn)一步展開去定位問題

還有Comparison視圖是用于比較分析兩個(gè)不同時(shí)段的堆快照，通過Delta列可以篩選出內(nèi)存變化最大的對(duì)象

Cpuprofile

對(duì)于運(yùn)行程序的CPU進(jìn)行快照采樣，可以用來分析CPU的耗時(shí)及占比

生成方式

生成.cpuprofile文件有以下幾種方式：

• v8-profiler（node官方提供的工具，不過已經(jīng)無法支持node v10以上的版本，并不再維護(hù)）
• v8-profiler-next（國(guó)人維護(hù)版本，支持到最新node v18，持續(xù)維護(hù)中）

這是采集5分鐘的CPU Profile樣例

分析方法

生成的.cpuprofile文件，可以在Chrome devtools工具欄的Javascript Profiler（不在默認(rèn)tab，需要在工具欄右側(cè)的