系统负载排查：从告警到定位
收到告警说服务器负载过高，如何快速定位问题？本文分享一套系统化的排查流程，从告警到根因定位，帮你高效处理线上故障。
第一步：确认影响范围
先看监控大盘：哪些服务受影响？是单机还是集群所有机器？是刚发生的还是持续恶化？确认影响范围后，评估是否需要紧急处理（如切流量、扩容）还是可以从容排查。
第二步：查看系统整体状况
uptime：查看load average。1分钟/5分钟/15分钟的平均负载。如果1分钟远大于15分钟，说明负载在上升中。
top：按1查看每个CPU核心的使用率。按M排序查看内存占用最高的进程。关注 %Cpu(s) 中的 us/sy/wa/hi/si。
free -h：查看内存使用。关注 available 和 swap 使用情况。
iostat -x 1：查看磁盘IO。%util接近100%说明磁盘饱和。
第三步：定位具体进程
top -c -d 1：实时查看进程CPU和内存使用，找到异常进程。
pidstat -u 1 5：查看每个进程的CPU使用率变化趋势。
iotop：查看哪些进程在做IO操作。
ss -antp | awk '{print $6}' | sort | uniq -c：查看网络连接状态分布。大量ESTABLISHED可能是正常流量，大量TIME_WAIT可能需要调优内核参数。
第四步：深入分析
如果是Java进程CPU高：jstack PID 导出线程栈，找到CPU最高的线程在做什么（通常是GC、死循环、正则回溯）。
如果是内存泄漏：jmap -histo PID 查看对象分布，找到占用内存最多的对象类型。
如果是IO瓶颈：lsof -p PID 查看进程打开了哪些文件，strace -p PID -e trace=file 跟踪文件操作。
第五步：处理和复盘
定位到根因后，根据情况处理：重启服务（临时）、扩容（缓解）、修复bug（根治）。事后一定要做复盘：问题原因是什么？如何预防？监控告警是否需要完善？形成Runbook文档。