Serverless下的NodeJS Runtime监控及Profile

注：文章整理自腾讯云高级前端工程师陈家兴在Hello Serverless 沙龙深圳站上的演讲，演讲主题为《NodeJS Runtime监控》，感兴趣的读者可关注公众号，后台回复「Serverless 深圳」领取讲师演讲PDF。

根据统计数据，SCF的用户中，NodeJs和Python的用户是最多的，而相信在座的各位应该有很多就是NodeJS的开发者，大家对监控方面有过实践或者感兴趣的话应该能有自己的收获，而如果你不是Node的开发者，那也没关系，其中的很多原理都是相通的，也希望各位能从不同的角度看这个话题，应该能碰撞出更多火花。我这次分享的主题是node JS runtime监控，我这里就先花一点点时间说两句为啥要做监控。

监控的作用

相信在座的各位都是有相当开发经验的开发者了，我们日常是否需要监控？肯定需要！但实际监控都能做到什么，可能有些同学其实并没有太明确的概念。

实际上，监控的作用很简单，只有两个，第一个就是发现问题，监控一般跟数据跟图表挂钩，当数据和图表表现出跟往常不一样的特征的时候，我们马上就能知道，可能是哪里出问题。

而另一个作用就是解决问题，一般来说，不同的问题会呈现不一样的数据特征，比如说，内存呈不断上升的，到了顶峰突然又断崖式地降下来，明显就是内存泄露到最后内存耗尽，最后服务自动重启的特征，通过数据的不同特征，就可以根据经验或者推理，找到问题的原因，进而验证和解决问题。

简单讲完为什么需要监控，就来讲这次的分享的重点，Node Runtiem级监控。

我们先来看看常规的监控，常规的都能监控到什么呢。

CPU使用率 —— CPU使用的百分比
内存使用量
出包入包量和网卡流量 —— 互联网基本上所有应用都会跟网络沟通

而runtime级别的监控都能监控到什么呢，CPU使用时间，其中包括系统时间和用户时间，Node程序内内存使用情况，里面包了程序内存消耗总量，实际内存使用量

，空闲内存量，等等。下面还有一个Event loop Lag，我后面再详细说一下。

很明显的对比就是，常规监控都是一个概览额总值，而Runtime级别的监控下是更详细的数据，包括内部使用上面的各方面的细节，而更详细的数据，对开发者无疑就意味着更容易发现问题和解决问题。

大文豪鲁迅曾经说过，Talk is cheap, show me the code。这里先看看API，对于CPU来说，有两个API可以获取到相关的信息，一方面是cpuUsage，另一方面是cpus。

明明都是CPU信息，为什么会在两个不同的库下面呢，其实理解里面的内容就会发现挺有道理的，后者在os库下面，给出的其实是系统CPU的信息，前者放在process库中，是当前进程使用CPU的信息。所以，从runtime级别监控的观点来看，后者其实不是rumtime级别需要关注的，我们需要关注的是前者，前者返回的是类似{ user: 65655, system: 24929 }的结构。

对于内存来说，这里也是主要有两个API可以获取内存相关的信息，先是memoryUsage接口，能获取到。

rss：node进程总内存占用量
heapTotal：总堆内存占用量（已申请下来的）
heapUsed：实际堆内存使用量
external：扩展等外部程序的内存占用量

而getHeapStatistics获取到的信息跟memoryUsage是有重合的，这里就不详细介绍了，就说两个点，一个是getHeapStatistics能获取到最大可用堆内存，这是memoryUsage没有返回的，至于node可用的最大内存，比较久之前的版本会有即使调整—max-old-space-size也只能到1.7G（64bit）的内存，目前使用的node的版本也都去掉了这个限制。

另一个是，在node10的getHeapStatistics 返回的数据多了两个值。number_of_native_contexts native_context 的值是当前活动的顶层上下文的数量。随着时间的推移，此数字的增加表示内存泄漏。number_of_detached_contexts detached_context 的值是已分离但尚未回收垃圾的上下文数。该数字不为零表示潜在的内存泄漏。

关于Event loop lag，Event loop lag直译就是事件循环延迟，我觉得可能叫异步调用延迟会比较合适。

这里我先放一张阮一峰老师用过的@busyrich的一张图，这张图说的是NodeJS的事件循环是怎样运作的，众所周知，NodeJS是单线程的，异步任务的调度在nodeJS的环境下是由LibUV库运作的，我也不再这里长篇大论地解释Event loop了，如果对此还不太清楚的同学可以到阮一峰老师的博客学习一下。这里只说一下这个延时到底是怎么来的，简单点来说，我们设定一个异步任务，在同步队列执行完之后就是马上执行，但是如果同步队列一直被阻塞的话，就是出现异步任务延时执行的现象，这种现象在一些CPU密集型的服务中会比较常见，如果你的服务的异步任务执行延时忽然不正常了，很可能就在某个地方出现了类似死循环的问题，同步任务把队列占满了，当然，死循环往往也会伴随内存泄露出现。

Event loop lag没有API能直接获取，不过测量起来也非常简单，这里放上简单的原理代码。直接利用setTimeout的实际执行时间和设定时间直接的差值，这份代码是我随手撸的用以说明原理的demo，实际使用上还要稍作加工，npm也有库能直接使用，也写得非常简单实用。

监控性能消耗

Runtime级别监控对比外部监控还有一个不一样，就是需要介入到Runtime中，不难想象，做数据的收集肯定是会对性能有一些影响的，可能我们就会担心会不会大幅影响性能呢，为此我特意在云函数上做了一些测试。

在耗时上，在一个比较简单的服务上，添加监控后发现，耗时的确是高了蛮多，但随着测试样本增大，平均耗时有一直下降的趋势，说明添加监控初始化时可能会消耗大概几十ms左右的时间，后面其实每次增加的耗时也就不到1毫秒。

在内存消耗上这种趋势会更加明显一些，需要一点点内存来缓存数据，次数一多起来，差别基本就趋于0了，所以综上所述，rumtime里面添加监控的性能消耗其实都是非常小的。

Runtime Profile

很多时候，监控数据更多用于发现问题，有些更复杂的问题，还得需要更详细的信息，这里就涉及到做Runtime的profile了。

从现实的场景出发，我们往往就像这个狼叔一样，后面的服务器都炸了，可是我们还是一脸懵逼的状态，我们往往发现问题是源于接口调用成功率降低，或者调用时间不正常地变长了，那出现这些问题的原因其实可能有很多，有可能是出现了逻辑死循环，有可能是内存泄漏，频繁触发GC，node的GC其实是非常消耗系统资源的，甚至GC也解决不了问题，导致内存耗尽，需要重启服务，那么出现这些问题的时候除了监控数据，还有什么东西能帮助我排查到底是哪里的问题呢？

这里就需要profile出场了，我会主要介绍两种profile，一个是heap dump，也就是内存快照，另外就是CPU profile。

估计很多开发者都会接触过heap dump，一般遇到疑似内存泄漏问题，第一反应就是打快照，这里就是快照导入到chrome devtool后的效果。

V8-profiler(v8-profiler-node8)

Heapdump

这两个包都可以做内存的heapdump，原理都是一样的，具体用法大家可以到对应的包下面看看用法。

得出的包导入到chrome后可以查看里面的内容了，主要有这几种模式：

Summary
Comparison
Containment
Statistics

summary就是一个总览，可以看到不同constructor创建的对象占用内存的细节。

Comparison 是调试时候最常用的一栏，用于对比不同时间点的快照之间的异同，一般来说，在问题发生前，和问题发生后进行快照，然后对比两者之间新增了哪些内容，就比较容易找出问题的原因。

Containment 视图允许您探索堆内容。此视图提供了一种更好的对象结构视图，有助于分析全局命名空间 (window) 中引用的对象以找出是什么让它们始终如影随形。使用此视图可以分析闭包以及在较低级别深入了解您的对象。

Statistics 就是以饼图的形式给出不同内容的占比。

CPU profile可以通过查看不同函数的运行占用CPU时间，看出什么地方占用了大量CPU时间，这就就是看cpu profile的入口，在调试工具窗口的右上角更多栏打开，more tools，javascript profile栏下，嗯，没错，我之前也在吐槽，为啥这个玩意要藏这么深，其实是有原因的，chrome的devtool也是不断在进化，而这个js profile的功能其实已经很大程度上整合到了performance tab之下了，performance tab下面的除了jsprofile外，还会dom渲染，图片加载等页面性能的细节，可惜这些特性对node也是没用的，所以我们目前还是在用的原来的这个工具