一、火焰图基础知识

1.1 工具准备

bash
# 安装必要工具
$ apt install linux-tools-common linux-tools-generic
$ apt install perf-tools-unstable

# 获取火焰图生成工具
$ git clone https://github.com/brendangregg/FlameGraph
$ cd FlameGraph

# 检查perf是否可用
$ perf record -h

1.2 性能采样原理

python
def explain_sampling():
"""
    性能采样原理说明
    采样频率：99Hz（避免与系统时钟同步）
    采样方式：统计调用栈
    数据处理：聚合统计
    """
    sampling_process ={
'frequency':99,# 赫兹
'duration':60,# 秒
'stack_depth':'kernel + userspace',
'output':'perf.data'
}
return sampling_process

二、生成火焰图

2.1 CPU火焰图

bash
# 收集CPU性能数据
$ perf record -F 99-a -g -- sleep 60

# 生成中间文件
$ perf script >out.perf

# 生成火焰图
$ ./stackcollapse-perf.pl out.perf >out.folded
$ ./flamegraph.pl out.folded > cpu_flame.svg

2.2 内存火焰图

bash
# 采集内存分配数据
$ perf record -e malloc -a -g -- sleep 60

# 生成内存火焰图
$ perf script |./stackcollapse-perf.pl | \
./flamegraph.pl --colors=mem > memory_flame.svg

# 查看具体内存分配
$ perf report --stdio -n \
-g folded,0.5,caller| head -n 50

2.3 IO火焰图

bash
# 采集block IO数据
$ perf record -e block:block_rq_insert -a -g -- sleep 60

# 生成IO火焰图
$ perf script |./stackcollapse-perf.pl | \
./flamegraph.pl --colors=io > io_flame.svg

三、火焰图分析技巧

3.1 基本分析方法

python
classFlameGraphAnalyzer:
def analyze_hotspots(self, graph_data):
"""分析性能热点"""
        hotspots =[]
for frame in graph_data:
if frame['samples']> THRESHOLD:
                hotspots.append({
'function': frame['name'],
'samples': frame['samples'],
'percentage': frame['total_percentage']
})
return sorted(hotspots,
                     key=lambda x: x['samples'],
                     reverse=True)

def analyze_chain(self, graph_data):
"""分析调用链"""
        chain =[]
        current = graph_data['root']
while current:
if current['samples']> THRESHOLD:
                chain.append(current['name'])
            current = current['heaviest_child']
return chain

3.2 常见模式识别

plaintext
火焰图模式解读：
模式特征可能的问题
平顶山型顶部很平                   CPU密集计算
陡峭山型急剧上升递归调用
平原型中间有平台锁竞争
稀疏型采样点分散                 IO等待
工字型中间收窄队列积压

四、典型案例分析

4.1 CPU密集型问题

bash
# 案例：Java应用CPU高负载
$ perf record -F 99-p $(pgrep java)-g -- sleep 60

# 生成火焰图
$ perf script |./stackcollapse-perf.pl | \
./flamegraph.pl --colors=java > java_cpu.svg

# 问题分析
1.观察最宽的塔尖
2.查看热点函数
3.分析调用栈深度

4.2 内存泄漏分析

python
def analyze_memory_leak():
"""内存泄漏分析步骤"""
    steps ={
'collect_data':{
'command':'perf record -e malloc -a -g',
'duration':'600s'# 采样10分钟
},
'generate_graph':{
'collapse':'./stackcollapse-perf.pl',
'generate':'./flamegraph.pl --colors=mem'
},
'analysis':[
'identify_growing_allocations',
'check_release_patterns',
'analyze_allocation_size'
]
}
return steps

五、性能优化实践

5.1 优化决策流程

python
classPerformanceOptimizer:
def make_optimization_decision(self, flame_data):
"""性能优化决策"""
        decisions =[]

# 分析CPU热点
ifself.has_cpu_hotspots(flame_data):
            decisions.append({
'type':'cpu_optimization',
'action':'optimize_algorithm',
'priority':'high'
})

# 分析内存问题
ifself.has_memory_issues(flame_data):
            decisions.append({
'type':'memory_optimization',
'action':'fix_memory_leak',
'priority':'critical'
})

returnself.prioritize_decisions(decisions)

5.2 优化效果验证

bash
# 优化前采样
$ perf record -F 99-a -g -- sleep 60
$ ./generate_flame.sh > before.svg

# 应用优化方案
$ apply_optimization.sh

# 优化后采样
$ perf record -F 99-a -g -- sleep 60
$ ./generate_flame.sh > after.svg

# 对比分析
$ compare_flames.py before.svg after.svg

六、进阶使用技巧

6.1 差分火焰图

bash
# 生成基准火焰图
$ perf record -F 99-a -g -- sleep 60
$ perf script > baseline.perf

# 生成对比火焰图
$ perf record -F 99-a -g -- sleep 60
$ perf script > current.perf

# 生成差分火焰图
$ ./difffolded.pl baseline.perf current.perf | \
./flamegraph.pl > diff_flame.svg

6.2 自动化监控

python
def setup_automated_monitoring():
"""设置自动化监控"""
    config ={
'interval':3600,# 每小时采样
'duration':60,# 采样60秒
'retention':7,# 保留7天
'alert_threshold':{
'cpu_usage':80,
'memory_growth':20,
'io_wait':30
}
}
return config

七、常见问题解答

1. 采样开销问题

• 使用适当的采样频率

• 控制采样时长

• 选择性能影响小的事件

2. 数据解读问题

• 关注最宽的函数块

• 分析调用栈深度

• 对比基准数据

3. 最佳实践

• 在非高峰期采样

• 保存基准火焰图

• 定期进行对比分析