Linux CPUInfo：CPU故障如何排查

Linux下CPU故障排查指南（基于CPUInfo及系统工具）

CPU故障通常表现为性能下降、频繁崩溃、异常耗电等，可通过系统日志分析、实时监控工具、硬件信息核查逐步定位问题根源。以下是具体排查步骤：

一、基础硬件信息核查（确认CPU规格与健康状态）

首先通过以下命令获取CPU的型号、核心数、缓存、微码版本等基础信息，判断是否符合预期：

• cat /proc/cpuinfo：查看逻辑CPU的详细配置（如model name、cpu MHz、cache size、flags等），重点关注bugs字段（列出CPU已知漏洞，如Meltdown、Spectre）。
• lscpu：以结构化方式显示CPU信息（如物理核心数CPU cores、逻辑CPU数On-line CPU(s)、超线程支持Thread(s) per core），验证CPU拓扑是否正确。
• dmidecode -t processor：从BIOS读取CPU的硬件信息（如Socket Designation、Current Speed、Max Speed、Error Correction Type），确认CPU是否被正确识别。

关键检查点：

• 若/proc/cpuinfo无法读取，可能是权限问题（用sudo）或文件系统损坏（运行fsck修复）；
• 若flags中缺少预期功能（如lm表示64位支持），可能是内核或硬件问题；
• 若dmidecode显示Error Correction Type为“None”，说明CPU无纠错能力，稳定性可能较差。

二、实时监控CPU状态（识别性能瓶颈）

通过实时工具观察CPU的使用率、负载、核心利用率，定位高负载进程或异常状态：

• 整体CPU使用率：
  • top：按1键查看每个逻辑CPU的使用率，按P按CPU使用率排序进程；%Cpu(s)行显示用户态（us）、内核态（sy）、空闲（id）等占比。
  • htop：交互式界面，支持颜色标注高负载进程，更直观。
• 系统平均负载：
  • uptime：显示load average（1分钟、5分钟、15分钟平均值），若负载超过CPU核心数的2倍，说明系统过载（如4核CPU负载超过8需警惕）。
• 多核CPU利用率：
  • mpstat -P ALL 1：每秒刷新所有逻辑CPU的使用率，若单核持续满载（如%usr接近100%），可能是进程未优化多线程（如Java应用未开启多线程）。
• 进程级分析：
  • pidstat -u 1：查看每个进程的CPU使用率，找出占用最高的进程（如%CPU超过50%的进程）。
  • strace -p [PID]：跟踪高CPU进程的系统调用，分析是否陷入死循环（如频繁调用read/write）。
  • perf top -p [PID]：实时显示进程内的热点函数（如内核函数或应用代码），定位性能瓶颈。

三、分析CPU负载异常（区分CPU繁忙与非繁忙负载）

若top显示CPU使用率低但uptime负载高，可能是I/O等待或进程阻塞导致：

• 检查I/O等待：
  • vmstat 1：查看wa列（I/O等待占比），若wa持续高于20%，说明磁盘I/O瓶颈（如数据库查询慢、日志写入量大）。
  • iostat -x 1：查看await（平均I/O等待时间，单位ms），若await超过20ms，需优化磁盘性能（如更换SSD、调整RAID配置）。
• 检查D状态进程：
  • ps -eo stat,pid,cmd | grep "^D"：D状态（不可中断睡眠）的进程会占用CPU资源且无法被终止，通常是磁盘故障或驱动问题（如坏道、驱动崩溃）。

四、排查CPU温度与电源问题（避免热保护或降频）

CPU过热会导致自动降频（性能下降）或系统崩溃（触发 thermal shutdown），需检查温度及电源状态：

• 查看CPU温度：
  • sensors（需安装lm-sensors）：显示CPU核心温度（如Core 0: +65.0°C），若超过阈值（通常为80-100°C），需清理风扇、更换散热硅脂。
  • cat /sys/class/thermal/thermal_zone*/temp：直接读取内核提供的温度数据（单位为毫摄氏度，如50000表示50°C）。
• 检查频率调节器：
  • cat /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor：查看当前频率调节器（如powersave节能模式会降低CPU频率），若为powersave且需高性能，可改为performance模式。
  • echo performance | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor：设置为性能模式（需root权限）。

五、检查系统与内核日志（定位硬件或驱动故障）

系统日志会记录CPU相关的错误事件（如过热、校验和错误、MCE），通过以下命令查看：

• dmesg | grep -i "cpu\|error\|mce"：过滤CPU相关的错误信息（如CPU#0: Thermal event detected表示过热，MCE: CPU#0: Machine Check Exception表示硬件错误）。
• journalctl -k | grep -i "cpu"：查看内核日志中的CPU错误（更详细的上下文信息）。

六、高级工具深度分析（针对复杂问题）

若上述步骤无法定位问题，可使用以下工具进行深度分析：

• py-cpuinfo：Python库，动态获取CPU信息（如python3 -m py_cpuinfo），比/proc/cpuinfo更易解析。
• lstopo：生成CPU拓扑结构图（如lstopo --output-format txt），直观显示物理CPU、核心、线程的层次关系，验证超线程或多路CPU配置是否正确。
• numactl：检查NUMA（非一致性内存访问）状态（如numactl --hardware），多路CPU系统中，内存访问延迟高可能导致CPU性能下降，需调整应用绑定NUMA节点。

通过以上步骤，可逐步定位CPU故障的根源（如硬件损坏、驱动问题、应用性能瓶颈），并采取相应措施（如更换硬件、更新驱动、优化应用）。