9.3.4 性能数据 Profiles
熟悉 Go 语言的朋友一定了解 pprof，当我们需要对软件进行性能分析时，可以通过 pprof 的 CPU profiling 或者 Memory profiling 功能分析函数耗时以及内存占用情况。
可观测中的 Profiles 和 Go 中的 pprof 是一个概念，是对动态程序进行 profiling 时程序运行的动态画像，可以让我们足够细地了解到程序使用各类资源的全貌，是回答从“是什么”到“为什么”的重要依据，如通过 trace 获知延迟在什么地方产生，再通过 Profiles 定位到哪行代码影响。
Profiles 数据一般表示成火焰图、堆栈图，内存分析图等形式，2021 年国内某站崩溃，工程师们使用火焰图观察到到一处 Lua 代码存在异常，并定位到问题的源头[1]。
图 9-20 Lua 级别的 CPU 火焰图
火焰图分析说明
- 火焰图的 y 轴代调用栈，每一层都是一个函数调用，栈越深火焰越高，调用关系从上而下，顶部就是正在执行的函数，下方都是它的父函数。
- x 轴代表抽样数，一个函数在 x 轴占据的宽度越宽，则说明它被抽样的次数越多，也就是说它的执行时间越长。
火焰图就是看顶层的哪个函数占据的宽度最大。只要有“平顶”，就表示该函数可能存在性能问题。火焰图颜色没有特殊含义，因为火焰图表示的是 CPU 的繁忙程度，所以一般选择暖色调。
可观测中的 Profiles 数据由多种不同的 Profiler 生成，常见的有：
- CPU Profilers （CPU 分析器）。
- Heap Profilers（堆分析器）。
- GPU Profilers （GPU 分析器）。
- Mutex Profilers （互斥锁分析器）。
- IO Profilers （IO 分析器）。
- Language-specific Profilers（特定于语言的分析器，譬如 JVM Profiler）。
传统上，这些 Profiler 并不适合在产生环境中运行（开销很大），不过由于采样分析变得越来越可行（只增加了很少的开销），这使得生产环境中添加 Profiler 观察某段时间内的全局 Profiles 数据成为可能。
参见《2021.07.13 我们是这样崩的》https://www.bilibili.com/read/cv17521097/ ↩︎
总字数:582字
