问答：Linux 服务器 load average 很高但 CPU 不忙，怎么排查？

这是运维群里最常见的问题之一：top 里 load average 到了 20+，CPU 使用率却只有 10%。本帖用问答形式整理排查思路。

问 1：load average 到底统计的是什么？
答：Linux 的 load average 统计的是处于“可运行”（R，正在运行或等待 CPU）和“不可中断睡眠”（D，通常在等待磁盘或网络存储 I/O）状态的任务数的指数加权平均（1/5/15 分钟）。所以 load 高 ≠ CPU 忙，D 状态的进程同样会推高 load。

问 2：第一步看什么？
答：先区分是 R 多还是 D 多：
1. vmstat 1：看 r 列（运行队列）和 b 列（阻塞在 I/O 上的进程），以及 wa（I/O 等待）；
2. ps -eo state,pid,cmd | awk '$1=="D"' 列出 D 状态进程，看它们是谁。

问 3：D 状态进程很多，怎么继续查？
答：
1. iostat -x 1：看各磁盘的 %util、await、aqu-sz，确认是哪块盘慢；
2. 如果是 NFS/网络存储，检查挂载点是否响应（D 状态进程卡在 nfs 相关函数），网络存储故障时 load 会持续上涨；
3. cat /proc/<pid>/stack（需要 root）或 cat /proc/<pid>/wchan 看进程卡在哪个内核函数；
4. 有 PSI 的内核（4.20+）直接看 /proc/pressure/io 和 /proc/pressure/cpu，some/full 的数值能更直观地反映资源压力。

问 4：R 多但 CPU 使用率不高，可能吗？
答：可能。容器或 cgroup 设置了 CPU 配额（cpu.max），进程被限流时处于可运行状态却拿不到 CPU，这时看 cgroup 的 cpu.stat 里的 nr_throttled 和 throttled_usec。另外虚拟机上 top 的 st（steal）高，说明宿主机 CPU 被其他虚拟机占用。

问 5：load 多高才算高？
答：要和 CPU 核数一起看：持续超过核数说明有任务在排队。但对于 I/O 引起的高 load，更关键的是业务延迟是否受影响，结合 PSI 和应用指标判断，不要只盯着 load 数字。

欢迎补充你遇到过的“load 高但 CPU 闲”的奇怪原因。

补充两个实战中遇到过的冷门原因。一是内存回收：内存快耗尽时，kswapd 和直接内存回收（direct reclaim）会让大量进程卡进 D 状态，load 冲到几十但 CPU 几乎是闲的。这时 top 的 wa 可能都不高，容易误判。建议看 /proc/pressure/memory 的 some 值和 sar -B 的 pgscank/pgsteal，some 持续走高就说明系统在拼命回收内存，根因往往是某个进程在缓慢泄漏，或者 page cache 被脏页占满、回写跟不上（dirty_ratio 配得过大时会有回写风暴）。

二是坏盘：磁盘出现坏道或 RAID 降级时，单次 I/O 会触发底层的错误恢复流程，一次能卡几十秒，大量进程堆积在 D 状态，load 直接上百。特征是 iostat 的 await 飙到秒级，dmesg 里能看到 I/O error 或 SCSI error。这时候先查 dmesg 和 smartctl 确认盘的健康度，别急着加盘扩容，加盘救不了坏道。