什么是平均负载
我们知道使用top或uptime可以用来了解系统的负载情况。
uptime 2 02:34:03 up 2 days, 20:14, 1 user, load average: 0.63, 0.83, 0.88 02:34:03 // 当前时间 2up 2 days, 20:14 // 系统运行时间 31 user // 正在登录用户数 而最后三个数字，依次则是过去 1 分钟、5 分钟、15 分钟的平均负载
平均负载是指单位时间内，系统处于可运行状态和不可中断状态的平均进程数，也就是平均活跃进程数，它和 CPU 使用率并没有直接关系。
所谓可运行状态的进程，是指正在使用 CPU 或者正在等待 CPU 的进程，也就是我们常用ps 命令看到的，处于 R 状态（Running 或 Runnable）的进程。
不可中断状态的进程则是正处于内核态关键流程中的进程，并且这些流程是不可打断的， 比如最常见的是等待硬件设备的 I/O 响应，也就是我们在 ps 命令中看到的 D 状态（Uninterruptible Sleep，也称为 Disk Sleep）的进程。
比如，当一个进程向磁盘读写数据时，为了保证数据的一致性，在得到磁盘回复前，它是不能被其他进程或者中断打断的，这个时候的进程就处于不可中断状态。如果此时的进程被打断了，就容易出现磁盘数据与进程数据不一致的问题。所以，不可中断状态实际上是系统对进程和硬件设备的一种保护机制。
因此，可以简单理解为，平均负载其实就是平均活跃进程数。平均活跃进程数，直观上的理解就是单位时间内的活跃进程数，但它实际上是活跃进程数的指数衰减平均值。这 个“指数衰减平均”的详细含义你不用计较，这只是系统的一种更快速的计算方式，你把它直接当成活跃进程数的平均值也没问题。
既然平均的是活跃进程数，那么最理想的，就是每个 CPU 上都刚好运行着一个进程，这样每个 CPU 都得到了充分利用。
比如当平均负载为 2 时，意味着什么呢？
在只有 2 个 CPU 的系统上，意味着所有的 CPU 都刚好被完全占用。
在 4 个 CPU 的系统上，意味着 CPU 有 50% 的空闲。
而在只有 1 个 CPU 的系统中，则意味着有一半的进程竞争不到 CPU。
平均负载为多少时合理
平均负载最理想的情况是等于 CPU 个数。所以在评判平均负载时，首先你要知道系统有几个 CPU，这可以通过 top 命令或者从文件 /proc/cpuinfo 中读取
[root@web-01 ~]# grep 'model name' /proc/cpuinfo model name : Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz model name : Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz
有了 CPU 个数，我们就可以判断出，当平均负载比 CPU 个数还大的时候，系统已经出现了过载。
三个不同时间间隔的平均值，其实给我们提供了，分析系统负载趋势的数据来源，让我们能更全面、更立体地理解目前的负载状况。
如果 1 分钟、5 分钟、15 分钟的三个值基本相同，或者相差不大，那就说明系统负载很平稳。
但如果 1 分钟的值远小于 15 分钟的值，就说明系统最近 1 分钟的负载在减少，而过去15 分钟内却有很大的负载。
反过来，如果 1 分钟的值远大于 15 分钟的值，就说明最近 1 分钟的负载在增加，这种增加有可能只是临时性的，也有可能还会持续增加下去，所以就需要持续观察。一旦 1 分钟的平均负载接近或超过了 CPU 的个数，就意味着系统正在发生过载的问题，这时就得分析调查是哪里导致的问题，并要想办法优化了。
这里再举个例子，假设我们在一个单 CPU 系统上看到平均负载为 1.73，0.60，7.98， 那么说明在过去 1 分钟内，系统有 73% 的超载，而在 15 分钟内，有 698% 的超载，从整体趋势来看，系统的负载在降低。
那么，在实际生产环境中，平均负载多高时，需要我们重点关注呢？
一般，当平均负载高于 CPU 数量 70% 的时候，你就应该分析排查负载高的问题了。一旦负载过高，就可能导致进程响应变慢，进而影响服务的正常功能。
但 70% 这个数字并不是绝对的，最推荐的方法，还是把系统的平均负载监控起来，然后根据更多的历史数据，判断负载的变化趋势。当发现负载有明显升高趋势时，比如说负载翻倍了，再去做分析和调查。
平均负载与 CPU 使用率
既然平均负载代表的是活跃进程数，那平均负载高了，不就意味着 CPU 使用率高吗？
平均负载是指单位时间内，处于可运行状态和不可中断状态的进程数。所以，它不仅包括了正在使用 CPU 的进程，还包括等待 CPU 和等待I/O 的进程。
而 CPU 使用率，是单位时间内 CPU 繁忙情况的统计，跟平均负载并不一定完全对应。比如：
CPU 密集型进程，使用大量 CPU 会导致平均负载升高，此时这两者是一致的；
I/O 密集型进程，等待 I/O 也会导致平均负载升高，但 CPU 使用率不一定很高；
大量等待 CPU 的进程调度也会导致平均负载升高，此时的 CPU 使用率也会比较高。
平均负载案例分析
下面，我们以三个示例分别来看这三种情况，并用 iostat、mpstat、pidstat 等工具，找出平均负载升高的根源。
stress 是一个 Linux 系统压力测试工具，这里我们用作异常进程模拟平均负载升高的场景。
而 sysstat 包含了常用的 Linux 性能工具，用来监控和分析系统的性能。我们的案例会用到这个包的两个命令 mpstat 和 pidstat。
安装sysstat wget http://pagesperso-orange.fr/sebastien.godard/sysstat-12.1.5-1.x86_64.rpm yum localinstall sysstat-12.1.5-1.x86_64.rpm -y
mpstat 是一个常用的多核 CPU 性能分析工具，用来实时查看每个 CPU 的性能指标， 以及所有 CPU 的平均指标。
pidstat 是一个常用的进程性能分析工具，用来实时查看进程的 CPU、内存、I/O 以及上下文切换等性能指标。
场景一：CPU 密集型进程
#在第一个终端运行 stress 命令，模拟一个 CPU 使用率 100% 的场景 [root@doit ~]# stress --cpu 1 --timeout 600 stress: info: [25975] dispatching hogs: 1 cpu, 0 io, 0 vm, 0 hdd [root@doit ~]# watch -d uptime Every 2.0s: uptime Thu Jul 11 17:34:31 2019 17:34:31 up 33 days, 3:47, 6 users, load average: 0.80, 0.66, 0.66 #1 分钟的平均负载会慢慢增加到 1.00，而从终端三中还可以看到， [root@doit ~]# mpstat -P ALL 5 Linux 4.20.0-1.el7.elrepo.x86_64 (doit) 07/11/2019 _x86_64_ (2 CPU) 05:33:34 PM CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle 05:33:39 PM all 50.20 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 49.80 05:33:39 PM 0 100.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 05:33:39 PM 1 0.20 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 99.80 #正好有一个 CPU 的使用率为 100%，但它的 iowait 只有 0。这说明，平均负载的升高正是由于 CPU 使用率为 100% 。 [root@doit ~]# pidstat -u 5 1 Linux 4.20.0-1.el7.elrepo.x86_64 (doit) 07/11/2019 _x86_64_ (2 CPU) 05:35:13 PM UID PID %usr %system %guest %wait %CPU CPU Command 05:35:18 PM 27 3769 0.00 0.20 0.00 0.00 0.20 0 mysqld 05:35:18 PM 0 25976 99.80 0.00 0.00 0.00 99.80 0 stress 05:35:18 PM 0 26115 0.00 0.20 0.00 0.00 0.20 1 pidstat #从这里可以明显看到，stress 进程的 CPU 使用率为 100%。
场景二：I/O 密集型进程
[root@doit ~]# stress -i 1 --timeout 600 stress: info: [23627] dispatching hogs: 0 cpu, 1 io, 0 vm, 0 hdd [root@doit ~]# watch -d uptime Every 2.0s: uptime Thu Jul 11 15:50:57 2019 15:50:57 up 33 days, 2:04, 8 users, load average: 1.39, 1.09, 1.00 [root@doit ~]# mpstat -P ALL 5 Linux 4.20.0-1.el7.elrepo.x86_64 (doit) 07/11/2019 _x86_64_ (2 CPU) 03:51:20 PM CPU %usr %nice %sys %iowait %irq %soft %steal %guest %gnice %idle 03:51:25 PM all 0.42 0.00 8.60 25.18 0.00 0.10 0.00 0.00 0.00 65.69 03:51:25 PM 0 0.65 0.00 10.85 51.84 0.00 0.22 0.00 0.00 0.00 36.44 03:51:25 PM 1 0.20 0.00 6.50 0.20 0.00 0.00 0.00 0.00 0.00 93.09 # 平均负载的升高是由于 iowait 的升高。 # 哪个进程，导致 iowait 这么高呢？我们还是用 pidstat 来查询： [root@doit ~]# pidstat -u 5 1 Linux 4.20.0-1.el7.elrepo.x86_64 (doit) 07/11/2019 _x86_64_ (2 CPU) 03:51:44 PM UID PID %usr %system %guest %wait %CPU CPU Command 03:51:49 PM 0 10 0.00 0.20 0.00 0.20 0.20 1 rcu_sched 03:51:49 PM 0 1553 0.00 2.79 0.00 0.00 2.79 1 kworker/1:1H-kblockd 03:51:49 PM 0 1667 0.00 4.19 0.00 0.00 4.19 0 kworker/0:1H-kblockd 03:51:49 PM 0 3086 0.00 0.20 0.00 1.00 0.20 0 haveged 03:51:49 PM 0 24186 0.00 0.20 0.00 0.00 0.20 1 watch 03:51:49 PM 0 24369 0.40 18.16 0.00 8.18 18.56 1 stress 03:51:49 PM 0 24512 0.00 0.20 0.00 0.00 0.20 0 pidstat # 可以发现，还是 stress 进程导致的。 [root@doit ~]# pidstat -d 5 1 Linux 4.20.0-1.el7.elrepo.x86_64 (doit) 07/11/2019 _x86_64_ (2 CPU) 05:06:14 PM UID PID kB_rd/s kB_wr/s kB_ccwr/s iodelay Command 05:06:19 PM 0 25318 0.00 0.00 0.00 347 stress
场景三：大量进程的场景
当系统中运行进程超出 CPU 运行能力时，就会出现等待 CPU 的进程。比如，我们还是使用 stress，但这次模拟的是 8 个进程： [root@doit ~]# stress -c 8 --timeout 600 stress: info: [25324] dispatching hogs: 8 cpu, 0 io, 0 vm, 0 hdd [root@doit ~]# watch -d uptime Every 2.0s: uptime Thu Jul 11 17:24:24 2019 17:24:24 up 33 days, 3:37, 6 users, load average: 6.12, 2.83, 1.08 # 由于系统只有 2 个 CPU，明显比 8 个进程要少得多，因而，系统的 CPU 处于严重过载状态 接着再运行 pidstat 来看一下进程的情况： [root@doit ~]# pidstat -u 5 1 Linux 4.20.0-1.el7.elrepo.x86_64 (doit) 07/11/2019 _x86_64_ (2 CPU) 05:22:26 PM UID PID %usr %system %guest %wait %CPU CPU Command 05:22:31 PM 0 3104 0.00 0.20 0.00 1.00 0.20 1 qemu-ga 05:22:31 PM 27 3769 0.00 0.20 0.00 0.00 0.20 0 mysqld 05:22:31 PM 0 25325 24.95 0.00 0.00 75.45 24.95 1 stress 05:22:31 PM 0 25326 24.75 0.00 0.00 74.65 24.75 1 stress 05:22:31 PM 0 25327 24.95 0.00 0.00 75.45 24.95 1 stress 05:22:31 PM 0 25328 24.75 0.00 0.00 74.65 24.75 0 stress 05:22:31 PM 0 25329 24.95 0.00 0.00 74.65 24.95 1 stress 05:22:31 PM 0 25330 24.95 0.00 0.00 74.65 24.95 0 stress 05:22:31 PM 0 25331 25.15 0.00 0.00 75.05 25.15 0 stress 05:22:31 PM 0 25332 24.95 0.00 0.00 74.85 24.95 0 stress 05:22:31 PM 0 25345 0.00 0.20 0.00 0.00 0.20 1 pidstat 可以看出，8 个进程在争抢 2 个 CPU，每个进程等待 CPU 的时间（也就是代码块中的%wait 列）高达 75%。这些超出 CPU 计算能力的进程，最终导致 CPU 过载。
小结
分析完这三个案例，我再来归纳一下平均负载的理解。
平均负载提供了一个快速查看系统整体性能的手段，反映了整体的负载情况。但只看平均负载本身，我们并不能直接发现，到底是哪里出现了瓶颈。所以，在理解平均负载时，也要注意：
平均负载高有可能是 CPU 密集型进程导致的；
平均负载高并不一定代表 CPU 使用率高，还有可能是 I/O 更繁忙了；
当发现负载高的时候，你可以使用 mpstat、pidstat 等工具，辅助分析负载的来源。
其他：
1.现在大多数CPU有超线程能力，在计算和评估平均负载的时候，CPU的核数是指物理核数，应该是超线程功能的逻辑核数。
2.用htop看负载，因为它更直接（在F2配置中勾选所有开关项，打开颜色区分功能），不同的负载会用不同的颜色标识。比如cpu密集型的应用，它的负载颜色是绿色偏高，iowait的操作，它的负载颜色是红色偏高等等，根据这些指标再用htop的sort就很容易定位到有问题的进程。还有个更好用的atop命令，好像是基于sar的统计生成的报告，直接就把有问题的进程标红了，更直观。