基于 eBPF 的通用性能降级诊断仪器化
分布式、并行与集群计算
2025-05-20 v1 性能
摘要
在线数据密集型应用（如消息代理、机器学习推理和数据库）是现代互联网的核心组件，为连接的服务提供关键功能。它们经历的负载波动和干扰通常是导致服务质量（QoS）降级的主要原因，这会损害依赖这些应用，并导致最终用户体验受损。发现 QoS 降级的根源需要对应用程序活动进行详细的仪器化。现有的通用方法利用可获得的系统指标来编码干扰，但这些指标缺乏足够的细节来定位性能降级的粒粒原因（如锁、磁盘和 CPU 争用）。相比之下，本文探索了使用细粒度系统级指标来促进无特定应用的 QoS 降级诊断。为此，我们引入并实现了 16 个基于 eBPF 的指标，涵盖六个内核子系统，这些指标捕获有关常常阻碍应用程序进展的内核事件统计信息。我们通过包含代表性在线数据密集型应用的大量实验演示了这些基于 eBPF 的指标的用法。结果表明，所实现的指标可以在应用程序面临可变工作负载模式和常见资源争用情景时分解性能降级，同时也揭示了应用程序的内部架构约束。
引用
@article{arxiv.2505.13160,
title = {eBPF-Based Instrumentation for Generalisable Diagnosis of Performance Degradation},
author = {Diogo Landau and Jorge Barbosa and Nishant Saurabh},
journal= {arXiv preprint arXiv:2505.13160},
year = {2025}
}