首页 > 系统相关 >Linux监控&性能调优分析-perf(中)监控应用程序性能及剖析内存访问

Linux监控&性能调优分析-perf(中)监控应用程序性能及剖析内存访问

时间:2024-08-28 20:15:48浏览次数:10  
标签:Load 缓存 perf 性能 ....... 内存 监控 CPU

5 用perf调查繁忙的CPU

在调查系统性能问题时,可以使用 perf 工具来识别和监控最繁忙的 CPU,以便集中精力。

image

5.1 用 perf stat显示哪些CPU事件被计数

通过禁用 CPU 计数聚合,您可以使用 perf stat 显示哪些CPU事件被计数。要使用此功能,必须使用 -a 标志在全系统模式下统计事件。

# perf stat -a -A sleep seconds

上例显示了一组默认的常见硬件和软件事件的计数,记录的时间段为秒,由使用 sleep 命令决定,从 CPU0 开始,按升序对每个 CPU 进行计数。因此,指定诸如周期之类的事件可能很有用:

# perf stat -a -A -e cycles sleep seconds

5.2 用 perf report 显示对哪些 CPU 进行了采样

perf record 命令对性能数据进行采样,并将这些数据存储在 perf.data 文件中,可以用 perf report 命令读取。perf record 命令总是记录采样的 CPU。您可以配置 perf report 来显示这些信息。

# perf report --sort cpu
Samples: 3K of event 'cycles', Event count (approx.): 9176209572
  Children      Self  CPU
+    8.87%     8.87%  006                                                                                                                                                             ◆
+    5.06%     5.06%  033                                                                                                                                                             ▒
+    4.80%     4.80%  041                                                                                                                                                             ▒
+    4.48%     4.48%  034                                                                                                                                                             
...

您可以按 CPU 和命令排序,以显示有关 CPU 时间使用情况的更详细信息:

# perf report --sort cpu,comm
Samples: 3K of event 'cycles', Event count (approx.): 9176209572
  Children      Self  CPU  Command
+    8.20%     8.20%  006  erl_child_setup
+    4.37%     4.37%  041  gunicorn
+    3.71%     3.71%  034  gunicorn
+    3.37%     3.37%  033  java-perf-backe
+    2.56%     2.56%  039  gunicorn
+    2.43%     2.43%  038  gunicorn
...

5.3 使用 perf top在剖析过程中显示特定 CPU

您可以配置 perf top,以便在实时剖析系统时显示特定 CPU 及其相对使用情况。

# perf top --sort cpu
Samples: 10K of event 'cycles', 4000 Hz, Event count (approx.): 2139900109 lost: 0/0 drop: 0/0
Overhead  CPU
  36.67%  096
   3.45%  032
...

此示例将实时按开销使用情况降序列出 CPU 及其各自的开销。

您可以按 CPU 和命令排序,以获得更详细的 CPU 时间使用情况信息:

# perf top --sort cpu,comm
Samples: 11K of event 'cycles', 4000 Hz, Event count (approx.): 3705425468 lost: 0/0 drop: 0/0
Overhead  CPU  Command
  21.67%  115  perf
  15.61%  018  erl_child_setup
...

此示例将按总开销从大到小排列命令,并识别实时执行命令的 CPU。

5.4. 使用 perf record 和 perf report 监控特定 CPU

您可以配置 perf record,使其仅对感兴趣的特定 CPU 进行采样,并使用 perf report 分析生成的 perf.data 文件,以进行进一步分析。

# perf record -C 0-6 sleep 10
[ perf record: Woken up 1 times to write data ]
[ perf record: Captured and wrote 0.812 MB perf.data (656 samples) ]
# perf report
Samples: 656  of event 'cycles', Event count (approx.): 145210980
Overhead  Command          Shared Object        Symbol
  10.53%  swapper          [kernel.kallsyms]    [k] arch_local_irq_enable
   5.78%  1_scheduler      beam.smp             [.] sched_spin_wait
   4.73%  swapper          [kernel.kallsyms]    [k] _nohz_idle_balance.constprop.0.isra.0
   4.56%  1_scheduler      [kernel.kallsyms]    [k] arch_local_irq_enable
   3.99%  swapper          [kernel.kallsyms]    [k] arch_cpu_idle
   3.75%  1_scheduler      [kernel.kallsyms]    [k] arch_local_irq_restore
   3.35%  1_scheduler      [kernel.kallsyms]    [k] futex_wake
   1.98%  2_scheduler      beam.smp             [.] sched_spin_wait
   1.90%  1_scheduler      beam.smp             [.] process_main
   1.88%  7_scheduler      beam.smp             [.] sched_spin_wait
   1.82%  swapper          [kernel.kallsyms]    [k] update_sg_lb_stats
   1.81%  6_scheduler      beam.smp             [.] sched_spin_wait
   1.56%  swapper          [kernel.kallsyms]    [k] update_blocked_averages
...

6 使用perf监控应用程序性能

您可以使用 perf 工具监控和分析应用程序性能。

6.1 将 perf record附加到运行中的进程

您可以将perf record附加到正在运行的进程。这将指示perf record仅在指定进程中采样和记录性能数据。

perf record -p ID1,ID2 sleep seconds

上例通过使用 sleep 命令,采样并记录了进程 ID 为 ID1 和 ID2 的进程的性能数据,时间段为秒。您还可以配置 perf 记录特定线程中的事件:

$ perf record -t ID1,ID2 sleep seconds

注意:使用 -t 标志并指定线程 ID 时,perf 默认会禁用继承。您可以通过添加 --inherit 选项来启用继承。

6.2 使用perf record捕捉调用图数据

您可以配置 perf record 工具,使其记录哪个函数正在调用性能配置文件中的其他函数。这有助于在多个进程调用同一函数时识别瓶颈。

$ perf record --call-graph method command

6.3 使用perf report 分析perf.data

# perf report
Samples: 656  of event 'cycles', Event count (approx.): 145210980
Overhead  Command          Shared Object        Symbol
  10.53%  swapper          [kernel.kallsyms]    [k] arch_local_irq_enable
   5.78%  1_scheduler      beam.smp             [.] sched_spin_wait
   4.73%  swapper          [kernel.kallsyms]    [k] _nohz_idle_balance.constprop.0.isra.0
   4.56%  1_scheduler      [kernel.kallsyms]    [k] arch_local_irq_enable
   3.99%  swapper          [kernel.kallsyms]    [k] arch_cpu_idle
...

7 使用 perf 创建 uprobes

uprobe 是 Linux perf工具集中的一个强大功能,它允许我们对正在运行的进程中的用户态函数进行动态追踪。这对于深入了解应用程序的行为、定位性能瓶颈以及调试问题非常有用。

参见: https://mp.weixin.qq.com/s/HAwfHcfOsWLQc6PYbkECVQ

8 使用 perf mem 剖析内存访问

8.1 perf mem 的目的

perf 工具的 mem 子命令可对内存访问(加载和存储)进行采样。perf mem 命令可提供有关内存延迟、内存访问类型、导致高速缓存命中和未命中的函数的信息,并通过记录数据符号提供发生这些命中和未命中的内存位置。

8.2 使用 perf mem 采样内存访问

该命令使用与 perf record 和 perf report 相同的选项,以及一些 mem 子命令独有的选项。记录的数据将保存在当前目录下的 perf.data 文件中,供以后分析之用。

对内存访问进行采样:

# perf mem record -a sleep seconds # 比如 perf mem record -a sleep 10

此示例按照 sleep 命令的规定,在几秒钟内对所有 CPU 的内存访问进行采样。您可以用任何想要采样内存访问数据的命令替换 sleep 命令。默认情况下,perf mem 会对内存加载和存储进行采样。使-用 t 选项并在 perf mem 和 record 之间指定 “加载 ”或 “存储”,可以只选择一种内存操作。对于加载,会捕获内存层次结构级别、TLB 内存访问、总线侦查和内存锁的信息。

打开 perf.data 文件进行分析:

# perf mem report
Available samples
35k cpu/mem-loads,ldlat=30/P
54k cpu/mem-stores/P

cpu/mem-loads,ldlat=30/P 行表示通过内存加载收集的数据,cpu/mem-stores/P 行表示通过内存存储收集的数据。选择感兴趣的类别,按 Enter 键查看数据:

Samples: 35K of event 'cpu/mem-loads,ldlat=30/P', Event count (approx.): 4067062
Overhead       Samples  Local Weight  Memory access             Symbol                                                                 Shared Object                 Data Symbol                                                     Data Object                            Snoop         TLB access              Locked
   0.07%            29  98            L1 or L1 hit              [.] 0x000000000000a255                                                 libspeexdsp.so.1.5.0          [.] 0x00007f697a3cd0f0                                          anon                                   None          L1 or L2 hit            No
   0.06%            26  97            L1 or L1 hit              [.] 0x000000000000a255                                                 ...

此外,在显示数据时,还可以对结果进行排序,以研究不同的兴趣点。例如,按采样期间发生的内存访问类型对内存负载数据进行排序,按所占开销从大到小排序:

# perf mem -t load report --sort=mem
Samples: 35K of event 'cpu/mem-loads,ldlat=30/P', Event count (approx.): 40670
Overhead       Samples  Memory access
  31.53%          9725  LFB or LFB hit
  29.70%         12201  L1 or L1 hit
  23.03%          9725  L3 or L3 hit
  12.91%          2316  Local RAM or RAM hit
   2.37%           743  L2 or L2 hit
...

8.3 解释 perf 内存报告输出

不带任何修改器运行 perf mem report 命令后显示的表格将数据分成几列:

  • 开销(Overhead)列

表示在该特定功能中收集的全部样本的百分比。

  • 样本(Samples)列

显示该行所占的样本数。

  • 本地权重(Local Weight)列
    显示以处理器内核周期为单位的访问延迟。

  • 内存访问(Memory Access)列

显示发生的内存访问类型。

  • 符号(Symbol)列

显示函数名称或符号。

  • 共享对象(Shared Object)列
    显示样本所在 ELF 映像的名称(样本来自内核时使用 [kernel.kallsyms])。

  • 数据符号(Data Symbol)列
    显示行目标内存位置的地址。通常情况下,由于内存的动态分配或堆栈内存被访问,“数据符号 ”列会显示原始地址。

  • 窥探(Snoop)列
    显示总线事务。

  • TLB访问(TLB Access)列
    显示 TLB 内存访问。

  • 锁定(Locked)列
    表示函数是否锁定内存。

在默认模式下,函数按降序排序,开销最大的函数显示在最前面。

9 检测假共享

在 SMP 系统中,多个处理器共享同一块物理内存。当多个处理器同时访问同一缓存行(cache line)中的不同数据时,即使这些数据是属于不同变量的,也会导致缓存一致性协议频繁地进行无效化和刷新操作,从而降低系统性能。这种现象被称为假共享。

假共享的原因:

  • 缓存行: 缓存系统以缓存行为单位进行数据传输。如果多个变量恰好位于同一个缓存行中,即使它们之间没有逻辑关系,也会被一起加载和存储。
  • 缓存一致性协议: 为了保证多个处理器之间的数据一致性,缓存一致性协议会检测到缓存行的修改,并强制其他缓存中的对应缓存行失效。
  • 竞争: 当多个处理器同时修改同一个缓存行中的不同数据时,就会导致频繁的缓存行无效化和刷新操作,增加系统总线流量,降低系统性能。

假共享对系统性能的影响

  • 性能下降: 频繁的缓存一致性操作会增加系统总线流量,导致处理器缓存命中率降低,从而影响系统整体性能。
  • 可扩展性受限: 随着处理器数量的增加,假共享问题会变得更加严重,限制了系统的可扩展性。

如何避免假共享?

  • 数据对齐: 将不同变量对齐到不同的缓存行上,避免它们共享同一个缓存行。
  • 填充: 在变量之间插入填充字节,增加变量之间的距离,使其不至于落在同一个缓存行中。
  • 伪共享变量: 引入伪共享变量,将多个变量与伪共享变量放在同一个缓存行中,从而避免它们与其他重要的变量共享缓存行。
  • 缓存行大小: 了解缓存行的大小,并根据缓存行大小来安排数据布局。
  • 编译器优化: 利用编译器的优化选项,例如数据对齐选项,来减少假共享的影响。
  • 锁粒度: 如果多个线程需要访问共享数据,可以考虑使用更细粒度的锁,以减少锁竞争。

参考资料

9.1 perf c2c的目的

perf 工具的 c2c 子命令可用于共享数据缓存到缓存(C2C)分析。您可以使用 perf c2c 命令检查高速缓存行争用,以检测真假共享。

当对称多处理(SMP)系统中的处理器内核修改同一高速缓存行上的数据项时,其他处理器也在使用该高速缓存行,这时就会发生高速缓存行竞争。这时,使用该高速缓存行的所有其他处理器都必须使其副本失效,并请求更新副本。这会导致性能下降。

perf c2c 命令提供以下信息:

  • 检测到竞争的高速缓存行
  • 读写数据的进程
  • 导致争用的指令
  • 发生争执的非统一内存访问 (NUMA) 节点

9.2. 使用 perf c2c 检测高速缓存行竞争

perf c2c 命令支持与 perf record 相同的选项,以及 c2c 子命令独有的一些选项。记录的数据将保存在当前目录下的 perf.data 文件中,以供日后分析。

# perf c2c record -a sleep seconds # 比如# sudo perf c2c record -a sleep 5

此示例按照 sleep 命令的指示,在几秒钟内采样并记录所有 CPU 的缓存行竞争数据。您可以用任何想要收集缓存行竞争数据的命令来替换 sleep 命令。

9.3. 可视化用perf c2c记录的perf.data文件

# perf c2c report --stdio
 Total Shared Cache Lines          :         55
 Load HITs on shared lines         :      55454
 Fill Buffer Hits on shared lines  :      10635
 L1D hits on shared lines          :      16415
 L2D hits on shared lines          :          0
 LLC hits on shared lines          :       8501
 Locked Access on shared lines     :      14351
 Store HITs on shared lines        :     109953
 Store L1D hits on shared lines    :     109449
 Total Merged records              :     126112

=================================================
                 c2c details
=================================================
 Events                            : cpu/mem-loads,ldlat=30/P
	                                    : cpu/mem-stores/P
 Cachelines sort on                : Remote HITMs
 Cacheline data groupping          : offset,pid,iaddr

=================================================
	   Shared Data Cache Line Table
=================================================
#
#                              Total      Rmt  ----- LLC Load Hitm -----  ---- Store Reference ----  --- Load Dram ----      LLC    Total  ----- Core Load Hit -----  -- LLC Load Hit --
# Index           Cacheline  records     Hitm    Total      Lcl      Rmt    Total    L1Hit   L1Miss       Lcl       Rmt  Ld Miss    Loads       FB       L1       L2       Llc       Rmt
# .....  ..................  .......  .......  .......  .......  .......  .......  .......  .......  ........  ........  .......  .......  .......  .......  .......  ........  ........
#
      0            0x602180   149904   77.09%    12103     2269     9834   109504   109036      468       727      2657    13747    40400     5355    16154        0      2875       529
      1            0x602100    12128   22.20%     3951     1119     2832        0        0        0        65       200     3749    12128     5096      108        0      2056       652
      2  0xffff883ffb6a7e80      260    0.09%       15        3       12      161      161        0         1         1       15       99       25       50        0         6         1
      3  0xffffffff81aec000      157    0.07%        9        0        9        1        0        1         0         7       20      156       50       59        0        27         4
      4  0xffffffff81e3f540      179    0.06%        9        1        8      117       97       20         0        10       25       62       11        1        0        24         7

=================================================
      Shared Cache Line Distribution Pareto
=================================================
#
#        ----- HITM -----  -- Store Refs --        Data address                               ---------- cycles ----------       cpu                                     Shared
#   Num      Rmt      Lcl   L1 Hit  L1 Miss              Offset      Pid        Code address  rmt hitm  lcl hitm      load       cnt               Symbol                Object                  Source:Line  Node{cpu list}
# .....  .......  .......  .......  .......  ..................  .......  ..................  ........  ........  ........  ........  ...................  ....................  ...........................  ....
#
  -------------------------------------------------------------
      0     9834     2269   109036      468            0x602180
  -------------------------------------------------------------
          65.51%   55.88%   75.20%    0.00%                 0x0    14604            0x400b4f     27161     26039     26017         9  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:144   0{0-1,4}  1{24-25,120}  2{48,54}  3{169}
	   0.41%    0.35%    0.00%    0.00%                 0x0    14604            0x400b56     18088     12601     26671         9  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:145   0{0-1,4}  1{24-25,120}  2{48,54}  3{169}
	   0.00%    0.00%   24.80%  100.00%                 0x0    14604            0x400b61         0         0         0         9  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:145   0{0-1,4}  1{24-25,120}  2{48,54}  3{169}
	   7.50%    9.92%    0.00%    0.00%                0x20    14604            0x400ba7      2470      1729      1897         2  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:154   1{122}  2{144}
	  17.61%   20.89%    0.00%    0.00%                0x28    14604            0x400bc1      2294      1575      1649         2  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:158   2{53}  3{170}
	   8.97%   12.96%    0.00%    0.00%                0x30    14604            0x400bdb      2325      1897      1828         2  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:162   0{96}  3{171}

  -------------------------------------------------------------
      1     2832     1119        0        0            0x602100
  -------------------------------------------------------------
	  29.13%   36.19%    0.00%    0.00%                0x20    14604            0x400bb3      1964      1230      1788         2  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:155   1{122}  2{144}
	  43.68%   34.41%    0.00%    0.00%                0x28    14604            0x400bcd      2274      1566      1793         2  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:159   2{53}  3{170}
	  27.19%   29.40%    0.00%    0.00%                0x30    14604            0x400be7      2045      1247      2011         2  [.] read_write_func  no_false_sharing.exe  false_sharing_example.c:163   0{96}  3{171}

9.4 perf c2c 报告输出的解释

  • 跟踪事件信息(Trace Events Information)

该表提供 perf c2c record 命令收集的所有加载和存储样本的高级摘要。

  • 全局共享缓存行事件信息(Global Shared Cache Line Event Information)

该表提供共享缓存行的统计信息。

  • c2c详情(c2c Details)
    该表提供有关采样事件的信息,以及 perf c2c 报告数据在可视化中的组织方式。

  • 共享数据高速缓存行表(Shared Data Cache Line Table)

该表提供了检测到错误共享的最热高速缓存行的一行摘要,默认情况下按每个高速缓存行检测到的远程 Hitm 数量降序排序。

  • 共享缓存行分布帕累托表(Shared Cache Line Distribution Pareto)

该表提供了有关发生竞争的各高速缓存行的各种信息:

  • 缓存行在 NUM 列中编号,从 0 开始。
  • 数据地址偏移列中包含每个高速缓存行的虚拟地址,随后是发生不同访问的高速缓存行的偏移量。
  • Pid 列包含进程 ID。
  • 代码地址列包含指令指针代码地址。
  • cycles 标签下的列显示平均加载延迟。
  • cpu cnt 列显示样本来自多少个不同的 CPU(即有多少个不同的 CPU 在等待该给定位置的索引数据)。
  • 符号列显示函数名称或符号。
  • 共享对象(Shared Object)列显示样本所在 ELF 映像的名称(样本来自内核时使用 [kernel.kallsyms])。
  • 源文件:行列显示源文件和行号。
  • Node{cpu list} 列显示样本来自每个节点的哪些特定 CPU。

9.5. 使用 perf c2c 检测错误共享

# perf c2c report --stdio
...

在 “跟踪事件信息”表中,找到包含 LLC Misses to Remote Cache (HITM) 值的行:

=================================================
            Trace Event Information
=================================================
  Total records                     :     329219
  Locked Load/Store Operations      :      14654
  Load Operations                   :      69679
  Loads - uncacheable               :          0
  Loads - IO                        :          0
  Loads - Miss                      :       3972
  Loads - no mapping                :          0
  Load Fill Buffer Hit              :      11958
  Load L1D hit                      :      17235
  Load L2D hit                      :         21
  Load LLC hit                      :      14219
  Load Local HITM                   :       3402
  Load Remote HITM                  :      12757
  Load Remote HIT                   :       5295
  Load Local DRAM                   :        976
  Load Remote DRAM                  :       3246
  Load MESI State Exclusive         :       4222
  Load MESI State Shared            :          0
  Load LLC Misses                   :      22274
  LLC Misses to Local DRAM          :        4.4%
  LLC Misses to Remote DRAM         :       14.6%
  LLC Misses to Remote cache (HIT)  :       23.8%
  LLC Misses to Remote cache (HITM) : 57.3%
  Store Operations                  :     259539
  Store - uncacheable               :          0
  Store - no mapping                :         11
  Store L1D Hit                     :     256696
  Store L1D Miss                    :       2832
  No Page Map Rejects               :       2376
  Unable to parse data source       :          1

LLC Misses to Remote Cache (HITM)行值列中的百分比表示在修改的高速缓存行中跨 NUMA 节点发生的 LLC 缺失的百分比,是发生错误共享的关键指标。

检查共享数据高速缓存行表中 LLC 负载 Hitm 字段的 Rmt 列:

  =================================================
             Shared Data Cache Line Table
  =================================================
  #
  #                              Total      Rmt  ----- LLC Load Hitm -----  ---- Store Reference ----  --- Load Dram ----      LLC    Total  ----- Core Load Hit -----  -- LLC Load Hit --
  # Index           Cacheline  records     Hitm    Total      Lcl      Rmt    Total    L1Hit   L1Miss       Lcl       Rmt  Ld Miss    Loads       FB       L1       L2       Llc       Rmt
  # .....  ..................  .......  .......  .......  .......  .......  .......  .......  .......  ........  ........  .......  .......  .......  .......  .......  ........  ........
  #
        0            0x602180   149904   77.09%    12103     2269     9834   109504   109036      468       727      2657    13747    40400     5355    16154        0      2875       529
        1            0x602100    12128   22.20%     3951     1119     2832        0        0        0        65       200     3749    12128     5096      108        0      2056       652
        2  0xffff883ffb6a7e80      260    0.09%       15        3       12      161      161        0         1         1       15       99       25       50        0         6         1
        3  0xffffffff81aec000      157    0.07%        9        0        9        1        0        1         0         7       20      156       50       59        0        27         4
        4  0xffffffff81e3f540      179    0.06%        9        1        8      117       97       20         0        10       25       62       11        1        0        24         7

该表按每个高速缓存行检测到的远程 Hitm 数量降序排序。LLC Load Hitm 部分 Rmt 列中的高数字表明发生了错误共享,需要进一步检查发生错误共享的高速缓存行,以调试错误共享活动。

标签:Load,缓存,perf,性能,.......,内存,监控,CPU
From: https://www.cnblogs.com/testing-/p/18381971

相关文章

  • 编码:线程执行监控
     只要我们所有提交到线程池的任务,都用一个框架统一封装的RunnableWrapper类,基于装饰模式来进行包装。此时就可以得到线程任务的创建时间、开始时间、结束时间,接着就可以计算出这个任务的排队耗时、运行耗时,通过监控系统进行上报。此时我们通过在监控系统里配置告警条件,就可......
  • 信道编码——线性分组码(Hamming、BCH、RS)Matlab编译码实现与性能分析
    目录第六篇博客感言编译码原理Hamming码BCH码RS码Matlab源码和运行结果源码结果Hamming码BCH码RS码 总结第六篇博客感言坚持写,及时写。编译码原理Hamming码参考汉明码——计算机网络——全网最通俗的讲解-CSDN博客。BCH码参考【举例子详细分析】BCH码(BC......
  • 《第三十章 性能优化 - 存储优化》
    一、引言在Android应用开发中,性能优化是一个持续且重要的工作。存储优化作为性能优化的关键环节之一,对于提高应用的响应速度、节省资源以及提升用户体验具有重要意义。在本章中,我们将重点探讨数据库优化和缓存策略这两个主要知识点。二、数据库优化(一)合理设计数据库表......
  • 重塑视频监控体验:WebRTC技术如何赋能智慧工厂视频高效管理场景
    视频汇聚EasyCVR视频监控平台,作为一款智能视频监控综合管理平台,凭借其强大的视频融合汇聚能力和灵活的视频能力,在各行各业的应用中发挥着越来越重要的作用。EasyCVR平台不仅兼容多种主流标准协议及私有协议/SDK的接入(如:GB28181、RTSP/Onvif、RTMP、JT808、GA/T1400协议,海康Eh......
  • 监控电脑的软件叫什么?不可错过的10款电脑监控软件推荐
    电脑监控软件成为了企业管理、家庭监护以及个人安全防护的重要工具。它们不仅能帮助企业提高员工工作效率、保护数据安全,还能为家庭用户提供孩子上网行为的监督。以下是不可错过的10款电脑监控软件推荐,每款都有其独特的功能和适用场景。1.安企神软件该软件是一款专业的电......
  • 【MySQL数据库管理问答题】第9章 优化查询性能
    目录1.请说明EXPLAIN语句的作用。2.为什么使用索引会比全表扫描可以提供更好的查询性能?3.MySQL数据库是如何自动维护索引统计信息的。4.mysqlcheck客户机程序都有哪些功能?5.在性能分析期间使用InvisibleIndexes有什么好处?6.什么是直方图(histograms),它在使用......
  • zabbix监控Tomcat服务器操作指引
    作者:乐维社区(forum.lwops.cn)许远Tomcat是一个流行的JavaServlet容器,用于开发和部署JavaWeb应用程序,广泛应用于中小型系统、开发与测试环境、集成环境等场合。Zabbix是一个开源的监控解决方案,广泛用于监控各种网络参数、服务器健康状态以及应用程序的性能,而JMX(JavaManagement......
  • jmeter之性能测试
    性能测试一、性能测试的介绍1、定义:通过某些工具或手段来检测软件的某些指标是否达到要求,这就是性能测试。功能测试:a,b两个软件,a可以打开,b也可以打开性能测试:a,b两个软件,a可以打开8s,b也可以打开2s说明:b的性能好2、性能测试是在功能测试之后进行;3、性能测试的类型:基准测......
  • openGauss-Anomaly_detection_数据库指标采集_预测与异常监控
    Anomaly-detection:数据库指标采集、预测与异常监控可获得性本特性自openGauss1.1.0版本开始引入。特性简介anomaly_detection是openGauss集成的、可以用于数据库指标采集、预测以及异常监控与诊断的AI工具,是dbmind套间中的一个组件。支持采集的信息包括IO_Read、IO_Write、CPU......
  • 使用统计方法在AMD GPU上使用JAX Profiler可靠地比较大型生成AI模型中的算法性能
    UsingstatisticalmethodstoreliablycomparealgorithmperformanceinlargegenerativeAImodelswithJAXProfileronAMDGPUs—ROCmBlogs摘要本文提供了一份详细的指南,介绍如何在JAX实现的生成AI模型中测量和比较各种算法的性能。利用JAXProfiler和统计分析......