服务器突然变慢、网站打不开,登录阿里云控制台后发现 CPU 使用率已经到 100%,这时先别急着重启。CPU 持续跑满,可能和流量突增、程序异常、定时任务或实例规格不匹配有关。重启有时能让服务暂时恢复,但也可能清掉进程现场,之后问题还会再来。比较稳妥的做法是先确认影响范围和发生时间,再找出高占用进程,最后针对原因处理并验证。
先判断CPU100%是不是持续异常
打开阿里云控制台,在 ECS 实例监控中查看 CPU 使用率曲线,同时留意内存、网络流量和磁盘读写。重点确认三件事:CPU 高位持续了多久;异常开始时间是否碰上发布、流量变化或计划任务;问题是只出现在一台实例,还是多台实例同时发生。
如果 CPU 短暂升高后很快回落,可能对应一次批量处理或流量峰值。若高位持续数分钟甚至更久,并且页面响应变慢、请求超时或系统负载升高,就需要登录服务器继续查。控制台曲线能帮你圈定故障时间,却通常不能直接指出哪个程序占用了 CPU。
登录服务器,定位高占用进程
Linux 服务器可以先运行 top,按 CPU 使用率排序,查看进程的 %CPU、进程名和 PID。也可以执行 ps -eo pid,ppid,comm,%cpu,%mem --sort=-%cpu | head,快速列出 CPU 占用靠前的进程。发现可疑进程后,先记下 PID、启动时间和对应服务,不要看到数字高就直接结束进程。
再用 ps -fp PID 查看进程所属用户和启动命令,并结合服务日志确认它正在处理什么。Java、Python 等应用的进程名往往看不出具体任务,还需要检查应用线程、请求日志和近期代码变更。若高占用进程属于数据库或搜索服务,可以继续核对慢查询、索引构建和批量任务;不能仅凭进程占用高,就断定实例配置不够。
如果进程列表里看不出明显异常,可用 uptime 查看系统负载,并通过 pidstat 持续观察进程的 CPU 变化。系统负载很高、CPU 使用率却不高时,也要考虑磁盘 I/O 等待,可用 iostat 辅助判断。排查时把 CPU、内存、磁盘和网络指标放在一起看,避免只盯着一个百分比下结论。
阿里云CPU100%的常见原因
- 流量突增或请求异常:促销活动、热点内容或爬虫访问都可能带来大量请求。接口被反复调用或遭遇恶意请求时,计算压力也会快速上升。
- 程序循环或代码缺陷:死循环、重复计算、线程争用等问题,可能让某个进程长时间占用一个或多个 CPU 核心。可以结合进程线程和应用日志,确认是否与近期变更有关。
- 数据库负载过高:缺少索引的查询、慢 SQL 或集中到来的批量任务,都可能使数据库进程成为 CPU 占用大户。
- 定时任务集中执行:备份、数据清洗和报表生成如果安排在同一时段,可能与在线业务争抢 CPU。可对照任务执行时间和监控曲线核实。
- 实例规格不匹配:业务增长后,原有 CPU 核心数可能无法满足计算需求。使用突发性能实例时,还要结合该规格的 CPU 积分等相关指标判断。
- 异常程序或安全风险:来源不明的高占用进程,需要进一步核对进程路径、登录记录和安全告警。进程名本身不能作为判断安全与否的依据。
案例:活动结束后CPU仍然跑满
某电商网站在促销结束后,ECS 实例 CPU 仍接近 100%,页面响应明显变慢。运维人员先从控制台确认异常持续了约二十分钟,再通过 top 发现应用进程占用最高。检查访问日志后,他们发现一个商品查询接口请求量突然增加;数据库日志也显示,该接口触发了大量耗时查询。
团队没有直接重启实例,而是先临时限制异常请求频率,并对热点数据启用缓存,减轻在线查询压力。之后,他们优化查询条件、补充合适索引,再通过压测观察 CPU 曲线和接口响应时间。调整后 CPU 回到稳定区间。这个场景里,扩容可能暂时缓解资源不足;但如果问题来自低效查询或异常流量,只增加配置通常只是把问题往后推。
先止损,再修复根因
- 保留现场信息:记下异常时间、CPU 曲线、进程 PID、相关日志和近期变更。需要复盘时,这些信息比事后回忆更有用。
- 控制业务影响:根据实际情况限流、暂停非关键任务,或切换备用实例。操作前先评估影响范围,不要贸然结束数据库、网关等关键进程。
- 确认后再处理进程:弄清进程归属和用途后,再决定重启对应服务、回滚版本或调整任务。怀疑安全问题时,先核查进程来源和系统记录。
- 针对原因修复:根据排查结果优化代码和 SQL、错开定时任务、限制异常请求,或调整实例规格与应用部署方式。
- 检查是否真正恢复:持续观察 CPU、系统负载、请求错误率和响应时间。CPU 降下来还不够,也要确认服务功能正常、请求能够完成。
减少CPU再次跑满的做法
为关键实例配置监控告警时,不要只设一个 CPU 阈值;持续时间、系统负载、内存、磁盘 I/O 和业务错误率也值得一并关注。发布前后对比指标,有助于发现代码变更带来的影响;慢查询、定时任务和突发流量处理能力,也应纳入日常检查。
业务增长后,定期对照实际负载评估实例规格。使用突发性能实例时,结合规格特性和相关监控指标判断,避免只看 CPU 使用率就做决定。遇到阿里云 CPU100%,先用监控确定异常时间,再从进程和日志找来源,按证据处理流量、程序、任务或配置。保留线索、谨慎止损,并确认业务恢复,才不容易在重启后再次遇到同一个问题。