现场是这样的。监控显示十五分钟负载一直在十几，top 里 CPU 使用率只有一成，业务也没明显变慢，报警却从早响到晚。
真正麻烦的地方在于，几个原因的现象几乎一样。负载统计的是可运行和不可中断进程总数，等待 IO 的也算进去；大量短命进程不断创建销毁，把运行队列推高了；IO 等待让进程排队，但完全不消耗处理器时间。
上来先看运行队列和阻塞进程数
vmstat 1 5接着统计各状态进程数量
ps -eo stat | sort | uniq -c | sort -rn定位不可中断进程
ps -eo pid,stat,comm | awk '$2 ~ /D/'剩下的就是核对存储侧延迟
iostat -x 1 3那几天正好在做别的变更，先把时间线对齐才敢动手。
恢复的判定其实很直接。运行队列降到核数以下，负载回到个位数，报警自动恢复，业务延迟不变。
提醒一点。负载高低要结合核数看，八核机器负载到八才算满；只看绝对值容易把正常水位当成故障。线上能稳定复现的问题都不算难，难的是只在大流量下才出现的那种。