eBPF 性能分析工具链：perf → BCC → bpftrace → Parca 的演化

你打开一张 CPU 火焰图，看到 std::sort 占了 38% 的 CPU 时间。优化完排序算法，性能提升了——但是用户的 P99 延迟纹丝不动。

为什么？

因为那个请求的 200ms 里，CPU 只忙了 40ms。剩下的 160ms，进程在等锁、等磁盘、等 DNS 解析——这些时间，火焰图一个字都不会告诉你。

这就是 on-cpu profiling 的根本盲区。过去 15 年，Linux 性能分析工具链从 perf 的硬件计数器采样，一路演化到 Parca 的持续性能分析平台，每一步都在试图补上前一代的盲区。本文要讲的就是这条演化路线：每个工具解决了什么问题、留下了什么问题、以及你在 2027 年应该怎么选。

1. 火焰图只看 on-cpu 时间，而真实延迟 = on-cpu + off-cpu
2. Off-CPU 分析通过 sched_switch tracepoint 追踪进程休眠，补上了火焰图的盲区
3. 持续性能分析（Parca/Pyroscope）让你在问题发生后也能”时间旅行”回去看火焰图

如果你还没看过 eBPF 的基础知识，建议先读 eBPF：Linux 内核的隐藏武器。

一、Linux 性能分析工具的演化

Linux 性能分析工具的演化，本质上是一部”谁有权在内核里插代码”的历史。

perf（2009）：内核 PMC 采样器

perf 是 Linux 内核自带的性能分析器，直接访问 CPU 的 Performance Monitoring Counters（PMC）。它的工作方式很简单：每隔 N 个 CPU 周期中断一次，记录当前的调用栈。

# 对进程采样 30 秒，99Hz 频率
perf record -F 99 -p $PID -g -- sleep 30

# 生成火焰图（需要 Brendan Gregg 的 FlameGraph 工具）
perf script | stackcollapse-perf.pl | flamegraph.pl > cpu.svg

perf 稳定、可靠、开销低。但它的问题是太底层了——你想做点复杂的聚合逻辑，比如”只统计持锁超过 10μs 的栈”，就得自己写用户态后处理脚本，内核态的数据管不了。

ftrace（2008）：函数追踪框架

ftrace 比 perf 还早一年进入内核，它不是采样器，而是追踪器——在函数入口和出口插桩，记录每次调用。

# 追踪 do_sys_open 函数
echo do_sys_open > /sys/kernel/debug/tracing/set_ftrace_filter
echo function > /sys/kernel/debug/tracing/current_tracer
cat /sys/kernel/debug/tracing/trace_pipe

ftrace 的优势是零依赖（内核自带），劣势是用起来像在跟 /sys 文件系统搏斗。它更适合内核开发者调试，而不是应用开发者做性能分析。

BCC（2015）：Python 前端 + eBPF 后端

BCC（BPF Compiler Collection）是第一个让普通开发者能写 eBPF 程序的工具集。Python 写逻辑，C 写 eBPF 内核代码，编译后注入内核。

# BCC 示例：追踪 TCP 连接延迟
from bcc import BPF

prog = """
#include <net/sock.h>

BPF_HASH(start, struct sock *);

int kprobe__tcp_v4_connect(struct pt_regs *ctx, struct sock *sk) {
    u64 ts = bpf_ktime_get_ns();
    start.update(&sk, &ts);
    return 0;
}

int kretprobe__tcp_v4_connect(struct pt_regs *ctx) {
    // 计算连接建立耗时
    struct sock *sk = (struct sock *)PT_REGS_RC(ctx);
    u64 *tsp = start.lookup(&sk);
    if (tsp) {
        u64 delta = bpf_ktime_get_ns() - *tsp;
        bpf_trace_printk("connect latency: %d us\\n", delta / 1000);
        start.delete(&sk);
    }
    return 0;
}
"""

b = BPF(text=prog)
b.trace_print()

BCC 带来了 100 多个现成工具（execsnoop、biolatency、tcplife……），一行命令就能用。但它的问题是每次运行都要编译 eBPF 代码，启动慢，而且对内核头文件有依赖。

bpftrace（2018）：DTrace 风格的高级语言

bpftrace 是给”我只想快速查个东西”的人准备的。一行命令，不用写 C，不用等编译：

# 统计系统调用次数（按进程）
bpftrace -e 'tracepoint:raw_syscalls:sys_enter { @[comm] = count(); }'

# 追踪块设备 I/O 延迟分布
bpftrace -e 'kprobe:blk_account_io_done { @us = hist(nsecs - @start[arg0]); }
             kprobe:blk_account_io_start { @start[arg0] = nsecs; }'

如果你想深入了解 bpftrace 的实战用法，可以看 eBPF 追踪实战：用 bpftrace 在生产环境找到那个慢请求。

持续性能分析：Parca / Pyroscope（2021+）

传统 profiling 的最大问题是：只在”出问题时”才做。但生产环境的性能问题往往是间歇性的，等你手动上去 perf record，问题已经过去了。

Parca 和 Pyroscope 的思路是：始终采样，事后分析。一个 eBPF agent 常驻在每台机器上，以极低开销（<1% CPU）持续采集调用栈，存进时序数据库。什么时候出了问题，回头去看那个时间段的火焰图就行。

工具定位对比表

二、火焰图的威力和局限

火焰图大概是过去十年最成功的性能可视化工具了。但很多人只知道用它，不知道它的原理——更不知道它的盲区。

火焰图原理：栈采样 → 折叠 → SVG 渲染

火焰图的生成过程很简单：

1. 采样：以固定频率（通常 99Hz）中断 CPU，记录当前的调用栈
2. 折叠：把相同的栈路径合并，统计每条路径出现的次数
3. 渲染：横轴是采样次数（不是时间），每个矩形是一个函数帧

# 完整的火焰图生成流程
perf record -F 99 -p $PID -g -- sleep 30
perf script > out.perf

# 折叠栈
stackcollapse-perf.pl out.perf > out.folded

# 渲染 SVG
flamegraph.pl out.folded > flamegraph.svg

关键点：火焰图的横轴不是时间轴。矩形的宽度代表的是这个函数在采样中出现的比例，不是它执行的时间顺序。这是很多人的误解。

CPU 火焰图只看 on-cpu 时间

标准的 CPU 火焰图只统计进程在 CPU 上运行的时间。也就是说，只有进程处于 TASK_RUNNING 状态时才会被采样到。

一个请求的生命周期是这样的：

请求到达 → [解析] → [查数据库] → [等锁] → [计算] → [写日志] → 响应
              CPU      等待I/O     等待      CPU      等待I/O
           on-cpu     off-cpu   off-cpu   on-cpu    off-cpu

如果这个请求花了 200ms，其中只有 40ms 在 CPU 上跑，那火焰图只能看到那 40ms 的故事。剩下的 160ms——可能是性能瓶颈的真正所在——完全不可见。

看不到的时间

CPU 火焰图看不到这些：

• 锁等待：mutex_lock、futex 等待，进程被调度走
• I/O 阻塞：磁盘读写、网络收发、epoll_wait
• sleep：nanosleep、usleep、定时器等待
• Page fault：缺页中断导致的磁盘 I/O
• DNS 解析：getaddrinfo 发起的网络 I/O

在我见过的生产系统里，应用的 wall clock time 中 60-80% 是 off-cpu 时间。你优化了火焰图上最宽的那个函数，P99 可能纹丝不动——因为瓶颈根本不在 CPU 上。

采样偏差

除了 off-cpu 盲区，火焰图还有采样偏差问题：

• 短函数被漏掉：一个只执行 100ns 的函数，在 99Hz 采样下几乎不可能被捕获到
• 调用频率不可见：一个函数被调用 100 万次但每次只要 1μs，和一个函数被调用 1 次但要 100ms，在火焰图上可能看起来一样
• 编译器内联：被 inline 的函数不会出现在栈上

三、Off-CPU 分析

如果 on-cpu 火焰图只能看到一半的故事，那另一半怎么看？答案是 Off-CPU 分析。

核心等式

Wall Clock Time = On-CPU Time + Off-CPU Time

这个等式看似简单，但它意味着你需要两种火焰图才能看到完整的性能画面：

• On-CPU 火焰图：进程在 CPU 上执行了多久（perf record）
• Off-CPU 火焰图：进程被调度走后等了多久（sched_switch tracepoint）

用 sched_switch 追踪进程休眠

Linux 内核在每次进程切换时都会触发 sched_switch tracepoint。通过 hook 这个事件，我们可以记录：

1. 进程被调度走的时刻（off-cpu 开始）
2. 进程被调度回来的时刻（off-cpu 结束）
3. 被调度走时的调用栈（off-cpu 的原因）

进程 A 运行中     → sched_switch → 进程 A 休眠    → sched_switch → 进程 A 恢复运行
                    记录栈 + 时间                     计算休眠时长

BCC 的 offcputime 工具

BCC 自带了 offcputime 工具，开箱即用：

# 追踪进程 off-cpu 时间，持续 10 秒
offcputime-bpfcc -df -p $PID 10 > offcpu.stacks

# 生成 off-cpu 火焰图
flamegraph.pl --color=io --title="Off-CPU Time" offcpu.stacks > offcpu.svg

offcputime 的核心逻辑是这样的：

// BCC offcputime 核心逻辑（简化）
BPF_HASH(start, u32, u64);
BPF_STACK_TRACE(stack_traces, 16384);

// 进程被调度走时触发
int oncpu(struct pt_regs *ctx, struct task_struct *prev) {
    u32 pid = prev->pid;
    u64 ts = bpf_ktime_get_ns();

    // 记录被调度走的时间和栈
    start.update(&pid, &ts);
    return 0;
}

// 进程被调度回来时触发
int wakeup(struct pt_regs *ctx, struct task_struct *p) {
    u32 pid = p->pid;
    u64 *tsp = start.lookup(&pid);
    if (tsp == 0) return 0;

    // 计算 off-cpu 时间
    u64 delta = bpf_ktime_get_ns() - *tsp;

    // 聚合：栈 + 休眠时间
    // ...
    start.delete(&pid);
    return 0;
}

bpftrace 实现 off-cpu 分析

用 bpftrace 写一个简化版的 off-cpu 分析器，只需要几行：

bpftrace -e '
tracepoint:sched:sched_switch
{
    // prev_state: 1=TASK_INTERRUPTIBLE（可中断睡眠）, 2=TASK_UNINTERRUPTIBLE（不可中断睡眠）
    if (args->prev_state == 1 || args->prev_state == 2) {
        @start[args->prev_pid] = nsecs;
        @stack[args->prev_pid] = kstack;
    }
}

tracepoint:sched:sched_switch
/args->next_pid != 0 && @start[args->next_pid]/
{
    $delta = nsecs - @start[args->next_pid];
    @offcpu_us[@stack[args->next_pid]] = sum($delta / 1000);
    delete(@start[args->next_pid]);
    delete(@stack[args->next_pid]);
}

END
{
    clear(@start);
    clear(@stack);
}
'

这段脚本做了三件事： 1. 进程被调度走时记录时间戳和内核栈 2. 进程被调度回来时计算休眠时长 3. 按栈聚合 off-cpu 时间

常见发现

在实际使用 off-cpu 分析时，我经常遇到这些”意外”发现：

意外的锁竞争：一个”无锁”的 Go 程序，off-cpu 火焰图里全是 runtime.lock——原来是 Go runtime 内部的 channel 操作在争锁。这种问题用 on-cpu 火焰图完全看不到。类似问题在内存分配器的 arena 设计中也有讨论，分配器内部的锁可能成为意想不到的瓶颈。

DNS 解析阻塞：一个 HTTP 服务的 P99 毛刺，off-cpu 分析发现是 getaddrinfo 在做 DNS 查询——每次超时都要等 5 秒。解决方案：本地 DNS 缓存 + 异步解析。

日志写入：同步写日志到磁盘，高负载下 write 系统调用阻塞 50ms+。Off-cpu 火焰图里一眼就能看到 ext4_file_write_iter 的高塔。

On-CPU + Off-CPU 联合分析实战

理论讲完了，来看一个真实的排查过程。场景：一个 Go 写的 API 网关，P99 延迟从 15ms 飙到 120ms，但 CPU 使用率只从 40% 涨到 55%。

第一反应：看 on-cpu 火焰图

# 用 Parca 或者手动抓 30 秒的 on-cpu 火焰图
bpftrace -e 'profile:hz:49 /comm == "api-gateway"/ { @[ustack()] = count(); }' -d 30 > oncpu.bt

On-CPU 火焰图显示：

40% — runtime.mallocgc → malloc 相关
25% — net/http.(*conn).serve
20% — encoding/json.Marshal
15% — 其他

40% 的时间在 malloc？ 这不正常。但这只是 CPU 忙碌时的视图——进程不在 CPU 上的时候在干嘛？

第二步：看 off-cpu 火焰图

# 用 BCC 的 offcputime 抓 off-cpu 数据
offcputime-bpfcc -p $(pgrep api-gateway) -d 30 -f > offcpu.stacks
flamegraph.pl --color=io < offcpu.stacks > offcpu.svg

Off-CPU 火焰图显示：

60% — runtime.lock2 → sync.(*Mutex).Lock
       → connPool.Get → 连接池获取
20% — runtime.netpollblock → net.(*netFD).Read
15% — runtime.gopark → time.Sleep
 5% — 其他

60% 的等待时间在 Mutex 上！ 连接池用了一把全局锁，高并发下严重争抢。

拼在一起看：

解决方案：

1. malloc 问题：Go 1.21+ 的分配器已有改善。对热路径做对象池化（sync.Pool），减少 GC 压力。参考内存分配器竞技场的 arena 思路。
2. Mutex 问题：把全局连接池改成分片设计——按目标 host 哈希到 N 个子池，每个子池一把锁。锁竞争从 O(并发数) 降到 O(并发数/N)。
3. 效果：P99 从 120ms 降到 18ms。On-CPU 的 malloc 占比从 40% 降到 15%，Off-CPU 的 mutex 等待从 60% 降到 8%。

关键教训：如果你只看 on-cpu 火焰图，你会去优化 malloc——换 jemalloc、做对象池。这些都有帮助，但 P99 不会降太多，因为真正的瓶颈在锁上，而锁等待时间不消耗 CPU。 必须两张图一起看。

四、BCC vs bpftrace：深度对比

BCC 和 bpftrace 都是基于 eBPF 的工具，但它们的定位完全不同。

BCC：Python 可编程，适合复杂工具

BCC 的强项是可编程性。你可以用 Python 写复杂的数据处理逻辑，用 C 写 eBPF 内核代码，两者通过 BPF Map 通信。

# BCC 示例：追踪文件系统读延迟分布
from bcc import BPF

prog = """
#include <linux/fs.h>

BPF_HASH(start, u32, u64);
BPF_HISTOGRAM(dist);

int trace_read_entry(struct pt_regs *ctx) {
    u32 tid = bpf_get_current_pid_tgid();
    u64 ts = bpf_ktime_get_ns();
    start.update(&tid, &ts);
    return 0;
}

int trace_read_return(struct pt_regs *ctx) {
    u32 tid = bpf_get_current_pid_tgid();
    u64 *tsp, delta;
    tsp = start.lookup(&tid);
    if (tsp != 0) {
        delta = bpf_ktime_get_ns() - *tsp;
        dist.increment(bpf_log2l(delta / 1000));
        start.delete(&tid);
    }
    return 0;
}
"""

b = BPF(text=prog)
b.attach_kprobe(event="vfs_read", fn_name="trace_read_entry")
b.attach_kretprobe(event="vfs_read", fn_name="trace_read_return")

print("Tracing vfs_read()... Hit Ctrl-C to end.")
b.trace_print()

BCC 适合的场景： - 需要复杂的用户态后处理（聚合、过滤、报警） - 要把数据对接到 Prometheus、Grafana - 开发可复用的运维工具

bpftrace：one-liner 友好，适合临时调查

bpftrace 的强项是即时性。你不需要写文件、不需要编译、不需要引入依赖——一行命令搞定：

# 谁在读文件？读了多大？
bpftrace -e 'tracepoint:syscalls:sys_exit_read /args->ret > 0/ {
    @bytes[comm] = sum(args->ret);
}'

# 哪些进程在做 DNS 查询？
bpftrace -e 'uprobe:/lib/x86_64-linux-gnu/libc.so.6:getaddrinfo {
    printf("%s is resolving DNS\n", comm);
}'

# TCP 重传统计
bpftrace -e 'tracepoint:tcp:tcp_retransmit_skb {
    @retrans[comm, args->sport, args->dport] = count();
}'

工具生态：BCC 的 100+ 预置工具

BCC 附带了超过 100 个开箱即用的工具，覆盖了几乎所有子系统：

性能开销对比

内核版本要求

一句话总结：bpftrace 是你的瑞士军刀，BCC 是你的工具箱。临时排查用 bpftrace，长期工具用 BCC。

五、持续性能分析：Parca 和 Pyroscope

到目前为止，所有工具都有一个共同的问题：你得在问题发生时手动去跑。但生产环境的性能问题，最讨厌的特点就是——你永远不知道它什么时候会出现。

传统 profiling 的问题

想象一下这个场景：

1. 凌晨 3 点，报警响了：P99 延迟飙升到 2 秒
2. 你爬起来 SSH 到机器上
3. 跑 perf record 采样 30 秒
4. 生成火焰图——一切正常
5. 因为问题已经过去了

这就是传统 profiling 的致命缺陷：它是响应式的。你不可能 24/7 盯着 perf 的输出。

Continuous Profiling：始终采样，事后分析

Parca 和 Pyroscope 的解决方案是把 profiling 变成和 metrics 一样的基础设施——始终运行，始终采集，需要时再查。

核心思路：

每台机器运行 Agent（eBPF 采样）
        ↓
    低频采样（19Hz / 49Hz）
        ↓
    栈数据压缩上报
        ↓
    Server 端存储（列式存储 / 时序数据库）
        ↓
    UI 查询：选择时间段 → 看火焰图

Parca 架构详解

Parca 是 Polar Signals 开源的持续性能分析平台，架构分三层：

Agent 层（parca-agent）：

# 安装 parca-agent（基于 eBPF，无需修改应用）
parca-agent \
  --remote-store-address=parca-server:7070 \
  --remote-store-insecure \
  --node=node-01 \
  --sampling-ratio=49

Agent 使用 eBPF perf_event 做栈采样，不需要修改应用代码，不需要重启进程，不需要特殊的编译选项。它自动发现机器上的所有进程，持续采集调用栈。

Server 层（parca）：

# 启动 parca server
parca \
  --config-path=parca.yaml \
  --storage-active-memory=4096

Server 接收 Agent 上报的 profile 数据，存储在自研的列式存储引擎中（基于 FrostDB），支持高效的时间范围查询和聚合。

查询层（UI + API）：

Parca 提供 Web UI 和 gRPC API，核心功能包括： - 时间段选择：选择任意时间范围查看火焰图 - 差异火焰图：对比两个时间段的性能差异 - 标签过滤：按节点、容器、命名空间过滤 - Icicle chart：倒置火焰图，从根到叶查看调用链

采样频率和开销控制

持续 profiling 最大的顾虑是开销。Parca 的做法：

为什么用 49Hz 而不是 50Hz？因为 避免与系统定时器频率对齐（Linux 默认 HZ=250 或 1000），对齐会导致采样偏差——你总是在同一个位置采到样本。

Parca 的低开销机制：为什么生产环境敢一直开着

“持续采样会不会拖慢服务？” 这是每个 SRE 的第一反应。Parca 的答案是：开销控制在 1% 以内，代价几乎不可感知。它是怎么做到的：

1. 采样频率：19Hz，不是 100Hz

Parca Agent 默认用 perf_event 以 19Hz 采样（每秒 19 次中断）。为什么是 19 而不是 100？

• 100Hz 在高并发服务上中断开销不可忽视（每核每秒 100 次上下文切换）
• 19 是素数，不会和系统调度器的时间片（通常是 4ms/250Hz 的倍数）对齐，避免采样偏差
• 19Hz 足够做统计分析——10 秒就有 190 个样本，60 秒有 1140 个样本，热点函数一定会被采到
• 对比：perf record -F 99 用 99Hz（也是素数），但那是手动采样，跑几分钟就停。持续跑的话太贵

2. 内核态栈去重：BPF Stack Map

关键优化：栈采样和聚合都在内核里完成，不是每次中断都把完整栈拷贝到用户态。

perf_event 中断触发
  → BPF 程序调用 bpf_get_stackid()
    → 内核在 BPF_MAP_TYPE_STACK_TRACE 中查找这个栈
      → 如果已存在：返回 stack_id，计数器 +1（零拷贝）
      → 如果不存在：存储栈帧，返回新 stack_id
  → 用户态只需要定期读取 (stack_id, count) 对

这意味着：如果同一个热点函数被采到 1000 次，内核只存储一份栈数据。用户态每次读取的数据量和不同栈的数量成正比，而不是和采样次数成正比。

3. 用户态：pprof 兼容格式 + 高效压缩

Agent 把从内核读到的 (stack_id → 栈帧, count) 数据转换成 pprof 格式（Protocol Buffers），然后：

• 时间戳压缩：用 delta-of-delta 编码。连续的 10 秒采样间隔，第一个存绝对时间戳，后续只存差值的差值（通常是 0 或很小的整数），压缩率极高。
• 栈 ID 编码：变长整数编码（varint）。大多数 stack_id 是小整数，1-2 字节就够。
• 批量上报：每 10 秒批量发送一次，减少网络 round-trip。

4. 最终开销拆解：

差异火焰图

差异火焰图是持续 profiling 最杀手级的功能。它对比两个时间段的 profile 数据，用颜色标记变化：

• 红色：变慢了（这个函数占比增加）
• 蓝色：变快了（这个函数占比减少）
• 灰色：没变化

使用场景：
  发版前 vs 发版后 → 定位性能退化
  高峰期 vs 低谷期 → 理解负载变化
  正常节点 vs 异常节点 → 定位单点问题

这在多语言性能对比场景中特别有用——你可以直接看到不同实现在生产环境中的真实 CPU 消耗差异，而不是只依赖基准测试。

与 Prometheus / Grafana 的集成

Parca 支持把 profile 数据关联到 Prometheus 指标：

# parca.yaml 配置示例
object_storage:
  bucket:
    type: FILESYSTEM
    config:
      directory: /var/lib/parca

# Grafana 数据源配置
# Parca 提供 gRPC API，可通过 Grafana 插件查询
# 在 Grafana 面板中关联 metrics 和 profiles：
# "CPU 使用率升高" → 点击 → 查看该时段火焰图

这意味着你可以在 Grafana 里看到 CPU 使用率飙升的告警，然后一键跳转到那个时间段的火焰图——不需要 SSH，不需要手动 profiling，数据已经在那了。

六、工具选型指南

说了这么多工具，实际工作中怎么选？

按场景选工具

"服务的 P99 突然变高了"
  └→ 先看 on-cpu 火焰图（bpftrace / perf）
     └→ CPU 没问题？看 off-cpu 火焰图（offcputime）
        └→ 要持续监控？上 Parca

"内存泄漏了"
  └→ BCC memleak / bpftrace 追踪 malloc/free

"磁盘 I/O 变慢了"
  └→ BCC biolatency / biosnoop

"想搞清楚系统调用模式"
  └→ bpftrace one-liner

临时排查：bpftrace one-liner

90% 的性能问题，一行 bpftrace 就能定位方向：

# 谁在消耗 CPU？
bpftrace -e 'profile:hz:99 { @[comm] = count(); }'

# 系统调用延迟分布
bpftrace -e 'tracepoint:raw_syscalls:sys_enter { @start[tid] = nsecs; }
             tracepoint:raw_syscalls:sys_exit /@start[tid]/ {
                 @ns[comm, args->id] = hist(nsecs - @start[tid]);
                 delete(@start[tid]);
             }'

# 进程创建追踪
bpftrace -e 'tracepoint:syscalls:sys_enter_execve {
    printf("%s -> %s\n", comm, str(args->filename));
}'

深度调查：BCC 工具 / 自定义脚本

当 one-liner 不够用，需要更复杂的分析逻辑时，上 BCC：

# 全方位性能画像（BCC 工具套装）
# 1. CPU 热点
profile-bpfcc -F 99 -p $PID 30 | flamegraph.pl > cpu.svg

# 2. Off-CPU 时间
offcputime-bpfcc -df -p $PID 30 > offcpu.stacks
flamegraph.pl --color=io offcpu.stacks > offcpu.svg

# 3. 内存分配热点
memleak-bpfcc -p $PID -a 10

# 4. I/O 延迟
biolatency-bpfcc -D 10

# 5. TCP 连接追踪
tcplife-bpfcc -p $PID

持续监控：Parca / Pyroscope

对于生产环境，最终你需要的是持续性能分析：

# Kubernetes 部署 parca-agent（DaemonSet）
apiVersion: apps/v1
kind: DaemonSet
metadata:
  name: parca-agent
  namespace: monitoring
spec:
  selector:
    matchLabels:
      app: parca-agent
  template:
    metadata:
      labels:
        app: parca-agent
    spec:
      hostPID: true
      containers:
      - name: parca-agent
        image: ghcr.io/parca-dev/parca-agent:latest
        args:
        - "--remote-store-address=parca.monitoring:7070"
        - "--remote-store-insecure"
        securityContext:
          privileged: true
        volumeMounts:
        - name: modules
          mountPath: /lib/modules
        - name: debugfs
          mountPath: /sys/kernel/debug
      volumes:
      - name: modules
        hostPath:
          path: /lib/modules
      - name: debugfs
        hostPath:
          path: /sys/kernel/debug

生产安全考量

回顾一下这条演化路线：

perf 让我们看到了 CPU 在忙什么。ftrace 让我们追踪到了内核函数调用。BCC 让我们能在内核里写自定义分析逻辑。bpftrace 让我们一行命令就能开始排查。Parca/Pyroscope 让我们再也不用担心”问题发生时我不在”。

但最重要的认知变化是这一个：你需要同时看 on-cpu 和 off-cpu 才能看到完整的性能画面。火焰图很好，但它只是故事的一半。

下次 P99 延迟飙升的时候，别只看 CPU 火焰图了。先问一句：进程不在 CPU 上的时候，它在等什么？

参考资料

1. Brendan Gregg, BPF Performance Tools, Addison-Wesley, 2019
2. Brendan Gregg, Off-CPU Analysis
3. Parca 官方文档
4. Pyroscope 官方文档
5. BCC 工具列表
6. bpftrace 参考指南
7. Brendan Gregg, Flame Graphs

延伸阅读：

• eBPF：Linux 内核的隐藏武器——eBPF 虚拟机、verifier、Map 的核心原理
• eBPF 追踪实战：用 bpftrace 在生产环境找到那个慢请求——bpftrace 的完整实战案例
• 内存分配器：arena 与碎片——理解分配器内部锁对 off-cpu 时间的影响
• Go vs C vs Rust 性能对决——多语言性能对比，配合持续 profiling 看更准