如何快速排查SSD IO延迟抖动问题？

一块固态硬盘设计背后，有硬件控制器，NAND闪存颗粒、DRAM，还有固件FTL算法等。SSD设计的本身其实是一件特别复杂的过程，需要考虑各种客户需求且要保证可靠性、性能、稳定性。

针对SSD的相关性能测试，SNIA也有专门针对SSD相关测试SPEC，同时各个SSD厂商也有很多独有的测试用例（一家SSD厂商的测试用例很多也是靠多年的填坑积累完善的）。现在看似SSD行业门槛很低，随便买个主控、NAND/DRAM颗粒就可以组装了（的确市场上有鱼龙混杂，有投机倒把之辈）。但是，如果真心要做出一款性能稳定的SSD，不但需要强大的技术实力，更需要丰富的经验积累。

SSD出厂之前经过了严格的测试，到了用户手里，是不是就不会有延迟问题呢？答案是否定的。比如下面一幅图就是业内最经典案例，4KB随机写最开始性能会很高，因为SSD内部还没启动GC，当SSD随机预测完全后，此时4KB随机写才是稳态的性能。很多客户在拿到SSD后测试的数据和经过一段时间测试后的会出现明显的差异，在不了解SSD随机预热稳态的机理时，就会出现很多误解。用户使用方式，对延迟问题的定义也会有存在很大的差异。经常会出现一种情况：“IO延迟，在某些场景，是一种不是问题的问题！”

不同的客户的业务场景，千差万别，SSD的设计也不无法100%兼顾所有复杂的IO负载类型。出现延迟问题并不可怕，可怕的是无从入手，不能快速debug定位延迟的来源。

IO延迟定位前，我们先了解下Windows和Linux内核中的IO堆栈，简单理解IO的产生、流动过程、最终目的地。

第一图：Windows环境中IO堆栈

第二图：Linux环境中IO堆栈

从上面的IO堆栈示意图来看：

• Windows和Linux IO堆栈的基本逻辑是一致的

• IO在软件层产生，经过文件系统、内核模块、驱动层，最终达到硬件存储设备SSD。

IO延迟通常是应用客户先感知到，用户也是从最上层感知，但是经过这么层的路径，最终的延迟来源是在哪一层？这个并不能很清晰的展示，这也导致很多场景下，SSD也成为了背锅侠，不管什么原因导致的IO异常，首先都会被先扣在SSD头上。所以，快速IO定界也是帮助SSD解放“背锅”压力的有效办法。

目前用于IO延迟定界场景的软件，也有多种：

• 在Windows场景下：开源的工具有perfmon，以及SNIA SSSI Workload I/O Capture Program (WIOCP) 推荐的hiomon，可以记录随机读写、顺序读写的延迟、队列深度QD，IO延迟统计等。

• Linux场景下，常用的经典开源工具也有blktrace，可以记录从IO产生，到最终返回的时间，跟IO分析工具iostat的延迟来源保持一致，与iostat一起搭配定位延迟问题最为合适。在硬件定位过程中，I2D代表进入内核IO workqueue队列到发送给硬件的时间。D2C代表驱动IO下发到硬件完成IO返回的时间。

除了上面基础的开源IO分析工具，目前第三方也有专业的商用软件，比如Calypso的IOProfiler、Teledyne Lecroy的WorkloadIntelligence。

IO延迟定界过程中，如果定位延迟来源于硬件，此时，SSD的延迟记录能力也是至关重要。市场上目前只有少数的厂商在数据中心客户的强烈的需求下，有延迟定位功能。大部分SSD厂商还没这个功能。不过，随着OCP也开始关注SSD延迟定位能力，相信后续会有更多的场景加入这个功能。

在拥有Latency Monitoring功能的SSD上，可以清楚知道，在上层用户看到延迟抖动的时候，SSD内部硬件延迟的真实分布，可以快速确定延迟是不是来自于硬件，让数据中心和SSD供应商都可以更加清楚业务的行为与SSD硬件的适配情况。

以下几个是IO异常的案例，供大家参考：

案例1: 业务模型与延迟的关系

延迟升高的时候，队列深度和进程数也在相应地增加。这种情况多数是跟业务的使用方式有关。

案例2:Trim对延迟的影响

读延迟的升高的时间段，正好看到系统有Discard/Trim的操作。Trim操作会给读延迟带来极大的影响。虽然Trim可以提升随机性能（扩展阅读：SSD写放大的优化策略要统一标准了吗？），建议用户执行Trim要在业务低谷触发，不然上层会看到非常明显的延迟抖动。

案例3:CPU core与延迟的关系

CPU所有core中只有少数core或者个别core出现IO繁忙的情况，导致IO集中，延迟升高。这个就需要从系统角度优化IO使用模式。

案例4: 同一负载下，不同SSD表现也有明显差异

• A/B/C/D/E/F：6个盘是消费级NVME SSD，容量在480GB-512GB

• G/H/I：3个盘是企业级NVME SSD，容量在960GB-1000GB

同一个负载下，企业级SSD G表现最差，消费级SSD E表现相对稳定，可以媲美企业级SSD。通常情况下，企业级SSD相对消费级SSD做了很多IO的优化。

结语

IO延迟分析是一项复杂而有趣的工程，需要带着好奇深挖每一个信息，总会有不同的风景。如果你有不同的经验分享，欢迎留言交流～