Linux命令拾遗之动态追踪工具（实例详解）

线程与内存剖析，只能观测到进程的整体情况，有些时候我们需要观测到某一方法级别，比如调用方法test()时，传入的参数是什么，返回值是多少，花费了多少时间？这种情况下，我们就需要使用一些动态追踪工具了，如strace、arthas、bpftrace、systemtap等。

strace与ltrace

strace是Linux中用来观测系统调用的工具，学过操作系统原理都知道，操作系统向应用程序暴露了一批系统调用接口，应用程序只能通过这些系统调用接口来访问操作系统，比如申请内存、文件或网络io操作等。

用法如下：

# -T 打印系统调用花费的时间 # -tt 打印系统调用的时间点 # -s 输出的最大长度，默认32，对于调用参数较长的场景，建议加大 # -f 是否追踪fork出来子进程的系统调用，由于服务端服务普通使用线程池，建议加上 # -p 指定追踪的进程pid # -o 指定追踪日志输出到哪个文件，不指定则直接输出到终端 $ strace -T -tt -f -s 10000 -p 87 -o strace.log

实例：抓取实际发送的SQL

有些时候，我们会发现代码中完全没问题的SQL，却查不到数据，这极有可能是由于项目中一些底层框架改写了SQL，导致真实发送的SQL与代码中的SQL不一样。

遇到这种情况，先别急着扒底层框架代码，那样会比较花时间，毕竟程序员的时间很宝贵，不然要加更多班的，怎么快速确认是不是这个原因呢？

有两种方法，第一种是使用wireshark抓包，第二种就是本篇介绍的strace了，由于程序必然要通过网络io相关的系统调用，将SQL命令发送到数据库，因此我们只需要用strace追踪所有系统调用，然后grep出发送SQL的系统调用即可，如下：

$ strace -T -tt -f -s 10000 -p 87 |& tee strace.log

从图中可以清晰看到，MySQL的jdbc驱动是通过sendto系统调用来发送SQL，通过recvfrom来获取返回结果，可以发现，由于SQL是字符串，strace自动帮我们识别出来了，而返回结果因为是二进制的，就不容易识别了，需要非常熟悉mysql协议才行。

另外，从上面其实也很容易看出SQL执行耗时，计算相同线程号的sendto与recvfrom之间的时间差即可。

ltrace

由于大多数进程基本都会使用基础c库，而不是系统调用，如Linux上的glibc，Windows上的msvc，所以还有一个工具ltrace，可以用来追踪库调用，如下：

$ ltrace -T -tt -f -s 10000 -p 87 -o ltrace.log

基本用法和strace一样，一般来说，使用strace就够了。

arthas

arthas是java下的一款动态追踪工具，可以观测到java方法的调用参数、返回值等，除此之外，还提供了很多实用功能，如反编译、线程剖析、堆内存转储、火焰图等。

下载与使用

# 下载arthas $ wget https://arthas.aliyun.com/download/3.4.6?mirror=aliyun -O arthas-packaging-3.4.6-bin.zip # 解压 $ unzip arthas-packaging-3.4.6-bin.zip -d arthas && cd arthas/ # 进入arthas命令交互界面 $ java -jar arthas-boot.jar `pgrep -n java` [INFO] arthas-boot version: 3.4.6 [INFO] arthas home: /home/work/arthas [INFO] Try to attach process 3368243 [INFO] Attach process 3368243 success. [INFO] arthas-client connect 127.0.0.1 3658 ,—. ,——. ,——–.,–. ,–. ,—. ,—. / O | .–. –. .–| — | / O .- | .-. || –. | | | .–. || .-. |`. `-. | | | || | | | | | | || | | |.- | `– `–`– — `– `– `–`– `–`—– wiki https://arthas.aliyun.com/doc tutorials https://arthas.aliyun.com/doc/arthas-tutorials.html version 3.4.6 pid 3368243 time 2021-11-13 13:35:49 # help可查看arthas提供了哪些命令 [arthas@3368243]$ help # help watch可查看watch命令具体用法 [arthas@3368243]$ help watch

watch、trace与stack

在arthas中，使用watch、trace、stack命令可以观测方法调用情况，如下：

# watch观测执行的查询SQL，-x 3指定对象展开层级 [arthas@3368243]$ watch org.apache.ibatis.executor.statement.PreparedStatementHandler parameterize {target.boundSql.sql,target.boundSql.parameterObject} -x 3 method=org.apache.ibatis.executor.statement.PreparedStatementHandler.parameterize location=AtExit ts=2021-11-13 14:50:34; [cost=0.071342ms] result=@ArrayList[ @String[select id,log_info,create_time,update_time,add_time from app_log where id=?], @ParamMap[ @String[id]:@Long[41115], @String[param1]:@Long[41115], ], ] # watch观测耗时超过200ms的SQL [arthas@3368243]$ watch com.mysql.jdbc.PreparedStatement execute {target.toString()} target.originalSql.contAIns(“select”) && #cost > 200 -x 2 Press Q or Ctrl+C to abort. Affect(class count: 3 , method count: 1) cost in 123 ms, listenerId: 25 method=com.mysql.jdbc.PreparedStatement.execute location=AtExit ts=2021-11-13 14:58:42; [cost=1001.558851ms] result=@ArrayList[ @String[com.mysql.jdbc.PreparedStatement@6283cfe6: select count(*) from app_log], ] # trace追踪方法耗时，层层追踪，就可找到耗时根因，–skipJDKMethod false显示jdk方法耗时，默认不显示 [arthas@3368243]$ trace com.mysql.jdbc.PreparedStatement execute target.originalSql.contains(“select”) && #cost > 200 –skipJDKMethod false Press Q or Ctrl+C to abort. Affect(class count: 3 , method count: 1) cost in 191 ms, listenerId: 26 —ts=2021-11-13 15:00:40;thread_name=http-nio-8080-exec-47;id=76;is_daemon=true;priority=5;TCCL=org.springframework.boot.web.embedded.tomcat.TomcatEmbeddedWebappClassLoader@5a2d131d —[1001.465544ms] com.mysql.jdbc.PreparedStatement:execute() +—[0.022119ms] com.mysql.jdbc.PreparedStatement:checkClosed() #1274 +—[0.016294ms] com.mysql.jdbc.MySQLConnection:getConnectionMutex() #57 +—[0.017862ms] com.mysql.jdbc.PreparedStatement:checkReadOnlySafeStatement() #1278 +—[0.008996ms] com.mysql.jdbc.PreparedStatement:createStreamingResultSet() #1294 +—[0.010783ms] com.mysql.jdbc.PreparedStatement:clearWarnings() #1296 +—[0.017843ms] com.mysql.jdbc.PreparedStatement:fillSendPacket() #1316 +—[0.008543ms] com.mysql.jdbc.MySQLConnection:getCatalog() #1320 +—[0.009293ms] java.lang.String:equals() #57 +—[0.008824ms] com.mysql.jdbc.MySQLConnection:getCacheResultSetMetadata() #1328 +—[0.009892ms] com.mysql.jdbc.MySQLConnection:useMaxRows() #1354 +—[1001.055229ms] com.mysql.jdbc.PreparedStatement:executeInternal() #1379 +—[0.02076ms] com.mysql.jdbc.ResultSetInternalMethods:reallyResult() #1388 +—[0.011517ms] com.mysql.jdbc.MySQLConnection:getCacheResultSetMetadata() #57 +—[0.00842ms] com.mysql.jdbc.ResultSetInternalMethods:getUpdateID() #1404 —[0.008112ms] com.mysql.jdbc.ResultSetInternalMethods:reallyResult() #1409 # stack追踪方法调用栈，找到耗时SQL来源 [arthas@3368243]$ stack com.mysql.jdbc.PreparedStatement execute target.originalSql.contains(“select”) && #cost > 200 Press Q or Ctrl+C to abort. Affect(class count: 3 , method count: 1) cost in 138 ms, listenerId: 27 ts=2021-11-13 15:01:55;thread_name=http-nio-8080-exec-5;id=2d;is_daemon=true;priority=5;TCCL=org.springframework.boot.web.embedded.tomcat.TomcatEmbeddedWebappClassLoader@5a2d131d @com.mysql.jdbc.PreparedStatement.execute() at com.alibaba.druid.pool.DruidPooledPreparedStatement.execute(DruidPooledPreparedStatement.java:493) at org.apache.ibatis.executor.statement.PreparedStatementHandler.query(PreparedStatementHandler.java:63) at org.apache.ibatis.executor.statement.RoutingStatementHandler.query(RoutingStatementHandler.java:79) at org.apache.ibatis.executor.SimpleExecutor.doQuery(SimpleExecutor.java:63) at org.apache.ibatis.executor.BaseExecutor.queryFromDatabase(BaseExecutor.java:326) at org.apache.ibatis.executor.BaseExecutor.query(BaseExecutor.java:156) at org.apache.ibatis.executor.BaseExecutor.query(BaseExecutor.java:136) at org.apache.ibatis.session.defaults.DefaultSqlSession.selectList(DefaultSqlSession.java:148) at org.apache.ibatis.session.defaults.DefaultSqlSession.selectList(DefaultSqlSession.java:141) at org.apache.ibatis.session.defaults.DefaultSqlSession.selectOne(DefaultSqlSession.java:77) at sun.reflect.GeneratedMethodAccessor75.invoke(null:-1) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) at java.lang.reflect.Method.invoke(Method.java:498) at org.mybatis.spring.SqlSessionTemplate$SqlSessionInterceptor.invoke(SqlSessionTemplate.java:433) at com.sun.proxy.$Proxy113.selectOne(null:-1) at org.mybatis.spring.SqlSessionTemplate.selectOne(SqlSessionTemplate.java:166) at org.apache.ibatis.binding.MapperMethod.execute(MapperMethod.java:83) at org.apache.ibatis.binding.MapperProxy.invoke(MapperProxy.java:59) at com.sun.proxy.$Proxy119.selectCost(null:-1) at com.demo.example.web.controller.TestController.select(TestController.java:57)

可以看到watch、trace、stack命令中都可以指定条件表达式，只要满足ognl表达式语法即可，ognl完整语法很复杂，如下是一些经常使用的：

ognl

通过ognl命令，可直接查看静态变量的值，如下：

# 调用System.getProperty静态函数，查看jvm默认字符编码 [arthas@3368243]$ ognl @System@getProperty(“file.encoding”) @String[UTF-8] # 找到springboot类加载器 [arthas@3368243]$ classloader -t +-BootstrapClassLoader +-sun.misc.Launcher$ExtClassLoader@492691d7 +-sun.misc.Launcher$AppClassLoader@764c12b6 +-org.springframework.boot.loader.LaunchedURLClassLoader@4361bd48 # 获取springboot中所有的beanName，-c指定springboot的classloader的hash值 # 一般Spring项目，都会定义一个SpringUtil的，用于获取bean容器ApplicationContext [arthas@3368243]$ ognl -c 4361bd48 #context=@com.demo.example.web.SpringUtil@applicationContext, #context.beanFactory.beanDefinitionNames @String[][ @String[org.springframework.context.annotation.internalConfigurationAnnotationProcessor], @String[org.springframework.context.annotation.internalAutowiredAnnotationProcessor], @String[org.springframework.context.annotation.internalCommonAnnotationProcessor], @String[testController], @String[apiController], @String[loginService], … ] # 获取springboot配置，如server.port是配置http服务端口的 [arthas@3368243]$ ognl -c 4361bd48 #context=@com.demo.example.web.SpringUtil@applicationContext, #context.getEnvironment().getProperty(“server.port”) @String[8080] # 查看server.port定义在哪个配置文件中 # 可以很容易看到，server.port定义在application-web.yml [arthas@3368243]$ ognl -c 4361bd48 #context=@com.demo.example.web.SpringUtil@applicationContext, #context.environment.propertySources.propertySourceList.{? containsProperty(“server.port”)} @ArrayList[ @ConfigurationPropertySourcesPropertySource[ConfigurationPropertySourcesPropertySource {name=configurationProperties}], @OriginTrackedMapPropertySource[OriginTrackedMapPropertySource {name=applicationConfig: [classpath:/application-web.yml]}], ] # 调用springboot中bean的方法，获取返回值 [arthas@3368243]$ ognl -c 4361bd48 #context=@com.demo.example.web.SpringUtil@applicationContext, #context.getBean(“demoMapper”).queryOne(12) -x 2 @ArrayList[ @HashMap[ @String[update_time]:@Timestamp[2021-11-09 18:38:13,000], @String[create_time]:@Timestamp[2021-04-17 15:52:55,000], @String[log_info]:@String[TbTRNsh2SixuFrkYLTeb25a6zklEZj0uWANKRMe], @String[id]:@Long[12], @String[add_time]:@Integer[61], ], ] # 查看springboot自带tomcat的线程池的情况 [arthas@3368243]$ ognl -c 4361bd48 #context=@com.demo.example.web.SpringUtil@applicationContext, #context.webServer.tomcat.server.services[0].connectors[0].protocolHandler.endpoint.executor @ThreadPoolExecutor[ sm=@StringManager[org.apache.tomcat.util.res.StringManager@16886f49], submittedCount=@AtomicInteger[1], threadRenewalDelay=@Long[1000], workQueue=@TaskQueue[isEmpty=true;size=0], mainLock=@ReentrantLock[java.util.concurrent.locks.ReentrantLock@69e9cf90[Unlocked]], workers=@HashSet[isEmpty=false;size=10], largestPoolSize=@Integer[49], completedTaskCount=@Long[10176], threadFactory=@TaskThreadFactory[org.apache.tomcat.util.threads.TaskThreadFactory@63c03c4f], handler=@RejectHandler[org.apache.tomcat.util.threads.ThreadPoolExecutor$RejectHandler@3667e559], keepAliveTime=@Long[60000000000], allowCoreThreadTimeOut=@Boolean[false], corePoolSize=@Integer[10], maximumPoolSize=@Integer[8000], ]

其它命令

arthas还提供了jvm大盘、线程剖析、堆转储、反编译、火焰图等功能，如下：

# 显示耗cpu较多的前4个线程 [arthas@3368243]$ thread -n 4 “C2 CompilerThread0” [Internal] cpuUsage=8.13% deltaTime=16ms time=46159ms “C2 CompilerThread1” [Internal] cpuUsage=4.2% deltaTime=8ms time=47311ms “C1 CompilerThread2” [Internal] cpuUsage=3.06% deltaTime=6ms time=17402ms “http-nio-8080-exec-40” Id=111 cpuUsage=1.29% deltaTime=2ms time=624ms RUNNABLE (in native) at java.net.SocketInputStream.socketRead0(Native Method) … at com.mysql.jdbc.MysqlIO.checkErrorPacket(MysqlIO.java:4113) at com.mysql.jdbc.MysqlIO.sendCommand(MysqlIO.java:2570) at com.mysql.jdbc.MysqlIO.sqlQueryDirect(MysqlIO.java:2731) at com.mysql.jdbc.ConnectionImpl.execSQL(ConnectionImpl.java:2818) … at com.demo.example.web.controller.TestController.select(TestController.java:57) # 堆转储 [arthas@3368243]$ heapdump Dumping heap to /tmp/heapdump2021-11-13-15-117226383240040009563.hprof … Heap dump file created # cpu火焰图，容器环境下profiler start可能用不了，可用profiler start -e itimer替代 [arthas@3368243]$ profiler start Started [cpu] profiling [arthas@3368243]$ profiler stop OK profiler output file: /home/work/app/arthas-output/20211113-151208.svg # dashboard就类似Linux下的top一样，可看jvm线程、堆内存的整体情况 [arthas@3368243]$ dashboard # jvm就类似Linux下的ps一样，可以看jvm进程的一些基本信息，如：jvm参数、类加载、线程数、打开文件描述符数等 [arthas@3368243]$ jvm # 反编译 [arthas@3368243]$ jad com.demo.example.web.controller.TestController

可见，arthas已经不是一个单纯的动态追踪工具了，它把jvm下常用的诊断功能几乎全囊括了。

bpftrace

arthas只能追踪java程序，对于原生程序(如MySQL)就无能为力了，好在Linux生态提供了大量的机制以及配套工具，可用于追踪原生程序的调用，如perf、bpftrace、systemtap等，由于bpftrace使用难度较小，本篇主要介绍它的用法。

bpftrace是基于ebpf技术实现的动态追踪工具，它对ebpf技术进行封装，实现了一种脚本语言，就像上面介绍的arthas基于ognl一样，它实现的脚本语言类似于awk，封装了常见语句块，并提供内置变量与内置函数，如下：

$ sudo bpftrace -e BEGIN { printf(“Hello, World!n”); } Attaching 1 probe… Hello, World!

实例：在调用端追踪慢SQL

前面我们用strace追踪过mysql的jdbc驱动，它使用sendto与recvfrom系统调用来与mysql服务器通信，因此，我们在sendto调用时，计下时间点，然后在recvfrom结束时，计算时间之差，就可以得到相应SQL的耗时了，如下：

先找到sendto与recvfrom系统调用在bpftrace中的追踪点，如下：

# 查找sendto|recvfrom系统调用的追踪点，可以看到sys_enter_开头的追踪点应该是进入时触发，sys_exit_开头的退出时触发 $ sudo bpftrace -l *tracepoint:syscalls* |grep -E sendto|recvfrom tracepoint:syscalls:sys_enter_sendto tracepoint:syscalls:sys_exit_sendto tracepoint:syscalls:sys_enter_recvfrom tracepoint:syscalls:sys_exit_recvfrom # 查看系统调用参数，方便我们编写脚本 $ sudo bpftrace -lv tracepoint:syscalls:sys_enter_sendto tracepoint:syscalls:sys_enter_sendto int __syscall_nr; int fd; void * buff; size_t len; unsigned int flags; struct sockaddr * addr; int addr_len;

编写追踪脚本trace_slowsql_from_syscall.bt，脚本代码如下：

#!/usr/local/bin/bpftrace BEGIN { printf(“Tracing jdbc SQL slower than %d ms by sendto/recvfrom syscalln”, $1); printf(“%-10s %-6s %6s %sn”, “TIME(ms)”, “PID”, “MS”, “QUERY”); } tracepoint:syscalls:sys_enter_sendto /comm == “java”/ { // mysql协议中，包开始的第5字节指示命令类型，3代表SQL查询 $com = *(((uint8 *) args->buff)+4); if($com == (uint8)3){ @query[tid]=str(((uint8 *) args->buff)+5, (args->len)-5); @start[tid]=nsecs; } } tracepoint:syscalls:sys_exit_recvfrom /comm == “java” && @start[tid]/ { $dur = (nsecs – @start[tid]) / 1000000; if ($dur > $1) { printf(“%-10u %-6d %6d %sn”, elapsed / 1000000, pid, $dur, @query[tid]); } delete(@query[tid]); delete(@start[tid]); }

其中，comm表示进程名称，tid表示线程号，@query[tid]与@start[tid]类似map，以tid为key的话，这个变量就像一个线程本地变量了。

调用上面的脚本，可以看到各SQL执行耗时，如下：

$ sudo BPFTRACE_STRLEN=80 bpftrace trace_slowsql_from_syscall.bt Attaching 3 probes… Tracing jdbc SQL slower than 0 ms by sendto/recvfrom syscall TIME(ms) PID MS QUERY 6398 3368243 125 select sleep(0.1) 16427 3368243 22 select id from app_log al order by id desc limit 1 16431 3368243 20 select id,log_info,create_time,update_time,add_time from app_log where id=11692 17492 3368243 21 select id,log_info,create_time,update_time,add_time from app_log where id=29214

实例：在服务端追踪慢SQL

从调用端来追踪SQL耗时，会包含网络往返时间，为了得到更精确的SQL耗时，我们可以写一个追踪服务端mysql的脚本，来观测SQL耗时，如下：

确定mysqld服务进程的可执行文件与入口函数

$ which mysqld /usr/local/mysql/bin/mysqld # objdump可导出可执行文件的动态符号表，做几张mysqld的火焰图就可发现，dispatch_command是SQL处理的入口函数 # 另外，由于mysql是c++写的，方法名是编译器改写过的，这也是为啥下面脚本中要用*dispatch_command*模糊匹配 $ objdump -tT /usr/local/mysql/bin/mysqld | grep dispatch_command 00000000014efdf3 g F .text 000000000000252e _Z16dispatch_commandP3THDPK8COM_DATA19enum_server_command 00000000014efdf3 g DF .text 000000000000252e Base _Z16dispatch_commandP3THDPK8COM_DATA19enum_server_command

使用uprobe追踪dispatch_command的调用，如下：

#!/usr/bin/bpftrace BEGIN{ printf(“Tracing mysqld SQL slower than %d ms. Ctrl-C to end.n”, $1); printf(“%-10s %-6s %6s %sn”, “TIME(ms)”, “PID”, “MS”, “QUERY”); } uprobe:/usr/local/mysql/bin/mysqld:*dispatch_command*{ if (arg2 == (uint8)3) { @query[tid] = str(*arg1); @start[tid] = nsecs; } } uretprobe:/usr/local/mysql/bin/mysqld:*dispatch_command* /@start[tid]/{ $dur = (nsecs – @start[tid]) / 1000000; if ($dur > $1) { printf(“%-10u %-6d %6d %sn”, elapsed / 1000000, pid, $dur, @query[tid]); } delete(@query[tid]); delete(@start[tid]); }

追踪脚本整体上与之前系统调用版本的类似，不过追踪点不一样而已。

实例：找出扫描大量行的SQL

众所周知，SQL执行时需要扫描数据，并且扫描的数据越多，SQL性能就会越差。

但对于一些中间情况，SQL扫描行数不多也不少，如2w条。且这2w条数据都在缓存中的话，SQL执行时间不会很长，导致没有记录在慢查询日志中，但如果这样的SQL并发量大起来的话，会非常耗费CPU。

对于mysql的话，扫描行的函数是row_search_mvcc（如果你经常抓取mysql栈的话，很容易发现这个函数），每扫一行调用一次，如果在追踪脚本中追踪此函数，记录下调用次数，就可以观测SQL的扫描行数了，如下：

#!/usr/bin/bpftrace BEGIN{ printf(“Tracing mysqld SQL scan row than %d. Ctrl-C to end.n”, $1); printf(“%-10s %-6s %6s %10s %sn”, “TIME(ms)”, “PID”, “MS”, “SCAN_NUM”, “QUERY”); } uprobe:/usr/local/mysql/bin/mysqld:*dispatch_command*{ $COM_QUERY = (uint8)3; if (arg2 == $COM_QUERY) { @query[tid] = str(*arg1); @start[tid] = nsecs; } } uprobe:/usr/local/mysql/bin/mysqld:*row_search_mvcc*{ @scan_num[tid]++; } uretprobe:/usr/local/mysql/bin/mysqld:*dispatch_command* /@start[tid]/{ $dur = (nsecs – @start[tid]) / 1000000; if (@scan_num[tid] > $1) { printf(“%-10u %-6d %6d %10d %sn”, elapsed / 1000000, pid, $dur, @scan_num[tid], @query[tid]); } delete(@query[tid]); delete(@start[tid]); delete(@scan_num[tid]); }

脚本运行效果如下：

$ sudo BPFTRACE_STRLEN=80 bpftrace trace_mysql_scan.bt 200 Attaching 4 probes… Tracing mysqld SQL scan row than 200. Ctrl-C to end. TIME(ms) PID MS SCAN_NUM QUERY 150614 1892 4 300 select * from app_log limit 300 # 全表扫描，慢！ 17489 1892 424 43717 select count(*) from app_log # 大范围索引扫描，慢！ 193013 1892 253 20000 select count(*) from app_log where id < 20000 # 深分页，会查询前20300条，取最后300条，慢！ 213395 1892 209 20300 select * from app_log limit 20000,300 # 索引效果不佳，虽然只会查到一条数据，但扫描数据量不会少，慢！ 430374 1892 186 15000 select * from app_log where id < 20000 and seq = 15000 limit 1

如上所示，app_log是我建的一张测试表，共43716条数据，其中id字段是自增主键，seq值与id值一样，但没有索引。

可以看到上面的几个场景，不管什么场景，只要扫描行数变大，耗时就会变长，但也都没有超过500毫秒的，原因是这个表很小，数据可以全部缓存在内存中。

可见，像bpftrace这样的动态追踪工具是非常强大的，而且比arthas更加灵活，arthas只能追踪单个函数，而bpftrace可以跨函数追踪。

总结

已经介绍了不少诊断工具了，这里简单概括一下它们的应用场景：

软件资源观测，如ps、lsof、netstat，用来检查进程基本情况，如内存占用、打开哪些文件、创建了哪些连接等。

硬件资源观测，如top、iostat、sar等，类似Windows上任务管理器一样，让你对硬件资源占用以及在进程上情况有个大概了解，最多观测到线程级别，这些工具一般只能指示进一步调查的方向，很少能直接确认原因。

线程与内存剖析，如jstack、jmap等，比较容易分析线程卡住或内存oom问题，而oncpu火焰图容易找出热代码路径，分析高cpu瓶颈，offcpu火焰图则容易找出经常阻塞的代码路径，分析高耗时问题。

动态追踪工具，如arthas、bpftrace等，能追踪到方法调用级，常用于问题需要深入调查的场景，如问题不在代码实现上，而在调用数据上，就像上面row_search_mvcc函数一样，抓火焰图会发现它出现频繁，但由于它是核心函数，这个频繁可能是正常的，也可能是不正常的，需要将调用次数分散到SQL上才能确认。