AlinsRan commented on code in PR #2115: URL: https://github.com/apache/apisix-website/pull/2115#discussion_r3879714170
########## blog/zh/blog/2026/08/28/debugging-apisix-throughput-regression.md: ########## @@ -0,0 +1,234 @@ +--- +title: "火焰图没撒谎，但没直接告诉我们瓶颈：一次 APISIX 吞吐回退定位" +authors: + - name: "Xin Rong" + title: "Author" + url: "https://github.com/AlinsRan"; + image_url: "https://github.com/AlinsRan.png"; + - name: "Yilia Lin" + title: "Technical Writer" + url: "https://github.com/Yilialinn"; + image_url: "https://github.com/Yilialinn.png"; +keywords: + - Apache APISIX + - 火焰图 + - LuaJIT + - 性能优化 + - 吞吐回退 +description: "火焰图没有撒谎，却也没有直接指出 APISIX 吞吐回退的瓶颈。本文沿 CPU、调用栈和 LuaJIT 证据链逐步排查，并通过每请求调用次数和配对 A/B 实验，解释为什么最宽的热点未必最值得优化。" +tags: [Ecosystem] +--- + +火焰图没有撒谎，却也没有直接指出 APISIX 吞吐回退的瓶颈。本文沿 CPU、调用栈和 LuaJIT 证据链逐步排查，并通过每请求调用次数和配对 A/B 实验，解释为什么最宽的热点未必最值得优化。 + +<!--truncate--> + +一次吞吐回退中，火焰图最宽的路径并不是最终瓶颈。真正值得追查的两个位置，在 Lua 采样里只有 3.0% 和 3.9%。如果按热点排序，它们根本进不了第一轮优化名单。 + +这次排查最有价值的不是某个补丁，而是一条证据链：先确认 CPU 确实是瓶颈；再横向看火焰图宽度，建立候选；然后沿调用栈纵向追，看重复调用和公共路径如何放大成本；当火焰图解释不了端到端差距时，继续查 LuaJIT 编译与中断事件；最后用每请求调用次数和配对 A/B 实验定量。 + +> 数据范围：下文数据来自同一受控环境中的一个 APISIX 内部定制构建，其中加载了 100 余个插件。吞吐统一归一化，只用于说明定位方法与因果链，不代表 Apache APISIX OSS 在其他硬件、配置或负载下的通用表现。 + +## 1. 先确认 CPU 瓶颈，而不是上来就看火焰图 + +火焰图显示的是采样期间 CPU 在执行什么。只有目标 worker 的 CPU 接近饱和、吞吐受这个核限制时，火焰图的宽度才有资格解释性能回退。 + +我们在采样前固定了这些条件： + +- APISIX 单 worker 并绑定独占物理核； +- 上游服务和压测端使用其他核，避免 CPU 争抢； +- 请求模型、配置、响应内容保持一致； +- 吞吐回退可稳定复现，错误率和响应结果没有偏移； +- 目标 worker 持续接近饱和，上游、网络、压测端仍有余量。 + +如果不满足这些前提，首先应该查连接、网络、上游或压测端，而不是在 on-CPU 火焰图里找答案。 + +## 2. 横向看宽度，而不是排名 + +我们使用 eBPF 以 500 Hz 同时采集 C 和 Lua 调用栈。下面是排查中的真实 Lua on-CPU 火焰图。 + + + +*搜索 `run_global_rules` 后命中 3 处，但这些位置在整张图里并不醒目。原始采样共 2,446 个样本；截图已移除进程 PID。* + +横向看火焰图，看的是宽度，不是 x 轴顺序。宽度越大，采样落在该路径上的次数越多。初步候选位置按 Lua self time 排序： + +| 候选位置 | Lua self time | 初判 | +|---|---:|---| +| Prometheus exporter | 25.9% | 最值得先看 | +| `ctx.var` 元方法 | 15.1% | 第二候选 | +| 自定义日志旁路 | 3.9% | 很容易被忽略 | +| `run_global_rules` | 3.0% | 很容易被忽略 | + +这里的 self time 指：在带 Lua 上下文的样本中，直接落在这个位置上的比例，不是总 CPU 占比。本次采样约 19.6% 的样本缺失 Lua 上下文，所以这些百分比只用于选候选，不能直接预测吞吐收益。 + +这个排名有四个盲区： + +1. LuaJIT 解释执行时，不同的 Lua 代码可能折叠到共享的 `lj_BC_*`、`lj_vm_*` 符号里。 +2. 已编译的 JIT trace 不一定能被常规栈回溯完整展开，因此可观察到的 JIT 样本只是下界。 +3. 表查找、内存分配、GC 等成本会记在 C 符号上，而不是触发的 Lua 行上。 +4. 一个调用可能改变调用方的 JIT 状态，使成本看起来落在调用方函数的头上。 + +`run_global_rules` 还有一个特征：它没有形成一根大柱子，而是散在多个请求阶段的调用栈里。单处不宽，不等于合起来不贵。 + +## 3. 纵向沿栈看，3% 如何被公共路径放大 + +选中某个 `run_global_rules` 方块后，纵向看调用栈：底部是请求阶段入口，向上经过 `common_phase`、Global Rule 插件筛选、调度，再到具体插件执行。 + + + +*所选栈会被重新铺满画布，因此图中的宽度已经归一化，不能再当作它占总 CPU 的比例。* + +纵向高度本身不代表耗时。它的作用是看清成本从哪里进入、被谁调用、为什么反复出现。 + +修复前，`run_global_rules()` 会在请求的多个阶段调用 `_M.filter()`。`_M.filter()` 遍历所有已加载插件，再逐个判断该插件是否被 Global Rule 配置： + +```lua +-- 简化示意，非 APISIX 完整实现 +for _, plugin_obj in ipairs(local_plugins) do + local name = plugin_obj.name + local plugin_conf = user_plugin_conf[name] + if type(plugin_conf) ~= "table" then + goto continue + end + -- 处理已配置插件 + ::continue:: +end +``` + +两个放大器都在这里： + +1. 单次过滤成本随已加载插件数量的增长。 +2. 相同过滤结果跨请求阶段重复生成；`body_filter` 与 `delayed_body_filter` 还可能按响应块多次进入。 + +本次测试配置中，一个请求实际触发了 **9 次过滤**。也就是说，“从 100+ 插件中找出已配置的少量插件”这件事，被同一个请求重复了 9 次。 + +这解释了为什么 Lua 层 3.0% 会低估整条路径成本： Review Comment: `两个放大器都在这里` plus a two-item list is heavier machinery than the point needs. Folded into one sentence; the 9-passes number is unchanged. ````suggestion 两个放大因素叠在一起：单次过滤的开销跟着已加载插件数量涨；同一份过滤结果又在各个请求阶段被反复生成，`body_filter` 和 `delayed_body_filter` 还会按响应块多进来几次。 这次的配置下，一个请求实际触发了 **9 次过滤**。也就是说，“从 100 多个插件里挑出那几个配置过的”，同一个请求干了 9 遍。 到这里就能解释 3.0% 为什么低估了整条路径：实际干的活儿，大部分并没有记在 Lua 那一行上。 ```` -- This is an automated message from the Apache Git Service. To respond to the message, please log on to GitHub and use the URL above to go to the specific comment. To unsubscribe, e-mail: [email protected] For queries about this service, please contact Infrastructure at: [email protected]
![https://github.com/AlinsRan.png"](https://github.com/AlinsRan.png"){kind=link}
![https://github.com/Yilialinn.png"](https://github.com/Yilialinn.png"){kind=link}
