问题现象

  1. 在zabbix系统中，对Hadoop集群的历史监控数据分析时，发现在执行大Job任务时，某些服务节点的cpu sys态很高；
  2. 具体以hadoop_A服务节点为例，在10:15-10:40这个时间段，cpu user态为60%，而sys态则高达35%；
  3. 对于整个Hadoop集群，并不是所有的节点都会出现sys过高的问题，产生此类问题的都是部署CentOS6系统的节点。

定位分析

1. 根据zabbix系统中cpu sys很高的问题发生时间，找到触发问题的大Job，以便于后面的问题重现和问题验证；

2. 对问题节点hadoop_A的硬件信息和OS系统日志/var/log/messages进行初步检查，并未发现异常；

3. 重启Job，重现问题。并使用nmon工具对问题节点hadoop_A的资源负载进行粗粒度的实时监测；

hadoop_A节点上某一时刻瞬时的负载状态

4. 通过上图，注意到网络流量达到了119.7MB/s，接收和发送的峰值都超过了120MB/s，初步怀疑网口在某一时间成为瓶颈，导致内核的sys过高。对hadoop_A的网口计数器细化分析，系统在uptime了83天的状态下，网口计数器中除overruns指标达22万之外，其他的网络指标正常。 这说明网络确实曾达到过峰值，也丢过包，但频率非常低，sys过高的问题应该不是网络负载过高触发。

ifconfig查询网口的计数器状态

5. 需要对系统进行更细粒度的分析，找出系统sys态消耗在什么地方。在hadoop_A节点上部署perf工具，通过perf top对kernel事件采样，实时分析内核事件。

perf top在某一时刻的状态图

通过perf top监控可以断定：kernel中存在频繁的spin_lock_irqsave内核系统调用, sys态消耗过高应该与此有关。

6. 重启Job，再次重现问题，并利用perf工具对内核函数的调用关系采样：

perf record -a -g -F 1000 sleep 30

采样结束后，在当前目录上会生成一个perf.data文件，使用perf工具查看函数调用关系：

perf report -g

perf report查看到的调用关系

7. 通过调用依赖关系分析，spin_lock_irqsave主要called by compaction_alloc，初步推测问题由kernel的内存管理部分触发。联想到centos 6相对于centos 5在kernel内存管理模块的一些改进点（如transparent huge page, 基于numa的内存分配等），有没有可能是CentOS6新增的THP特性导致cpu sys过高？再在google上搜一把相关函数名的关键字，印证这个猜测。

问题验证

1. 选择在节点hadoop_A上面做验证测试，通过以下内核参数优化关闭系统THP特性:

echo never > /sys/kernel/mm/redhat_transparent_hugepage/enabled
echo never > /sys/kernel/mm/redhat_transparent_hugepage/defrag

2. 重启触发问题的大Job，在hadoop_A节点未出现cpu sys 状态过高的现象。

3. 在生产系统上运行24小时后，通过zabbix系统观察，其他内核未优化节点如hadoop_B,hadoop_C等节点依然存在cpu sys态过高的问题，而关闭了THP特性的hadoop_A节点没有出现cpu sys态过高的问题，验证了之前的分析。

hadoop_B和hadoop_C依然存在cpu sys态过高的问题

hadoop_A cpu sys态正常

结论

将 Hadoop 集群中所有 CentOS6 类型节点的 THP 特性关闭掉 (在 CentOS6 中，THP特性默认都是打开的)，关闭方法如下：

echo never > /sys/kernel/mm/redhat_transparent_hugepage/enabled
echo never > /sys/kernel/mm/redhat_transparent_hugepage/defrag

值得注意的是，需要在 puppet 系统中部署该项优化，以免节点重启导致修改丢失。

参考

事后，在redhat官网和cloudera官网也搜到了相关的内容，附录下来，供参考。

  1. 在 RedHat 的官网上，有对 THP 特性的细化说明：
  2. 在 Cloudera 的 CDH4 部署说明中，也建议将系统的 THP的 compaction 特性关闭：