1. PSI 概念与背景：什么是 PSI，为什么需要关注延迟尖峰

1.1 什么是 PSI（Pressure Stall Information）

PSI（Pressure Stall Information）是 Linux 内核 4.20 版本引入的资源压力度量机制，由 Facebook 工程师 Johannes Weiner 主导设计。它通过跟踪任务因等待 CPU、内存 或 I/O 资源而处于不可运行状态的时间比例，量化系统资源的“拥堵程度”。

与传统的 CPU 使用率、内存占用率等均值指标不同，PSI 直接测量任务因资源争抢而产生的 延迟，能够更真实地反映终端用户和应用程序的体验。

1.2 PSI 的三种资源维度

1.3 PSI 的度量指标：some 与 full

每个资源维度下，PSI 提供两种压力指标：

• some：系统中至少有一个任务因该资源而 stall 的时间比例。反映资源争抢的“广度”。
• full：系统中所有非 idle 任务都因该资源而 stall 的时间比例。反映资源争抢的“深度”，通常与服务质量下降直接相关。

每个指标包含三个时间窗口的累计值：avg10（10 秒平均）、avg60（60 秒平均）、avg300（300 秒平均），以及 total（自系统启动以来的总 stall 微秒数）。

cat /proc/pressure/memory
some avg10=2.35 avg60=1.87 avg300=1.12 total=8543210
full avg10=0.89 avg60=0.64 avg300=0.38 total=3210987

1.4 为什么需要关注延迟尖峰

传统的系统监控指标（如 CPU 使用率 95%、内存使用率 80%）存在两个致命缺陷：

1. 均值掩盖尖峰：1 分钟内 CPU 平均使用率 60%，可能掩盖了 3 次持续 5 秒的 100% 使用率尖峰，而这 5 秒足以导致服务超时雪崩。
2. 资源使用率 ≠ 延迟：CPU 使用率 70% 时，任务可能已经因锁竞争或调度延迟而等待了数百毫秒；而 CPU 使用率 90% 时，如果任务亲和性良好，延迟可能仍然很低。

延迟尖峰是 系统可观测性中最难捕捉、破坏性最大 的异常模式。一次 200ms 的延迟抖动，在微服务调用链中可能放大为 2s 的端到端超时，引发级联故障。

1.5 PSI 与延迟尖峰的关系

延迟尖峰的本质是任务在短时间内经历 非预期的资源等待。PSI 的 full 指标天然适合检测这种场景：

• 当 full avg10 从 0.1% 跳变到 5%，意味着过去 10 秒内所有任务有 5% 的时间在空转等待资源——这几乎必然对应着请求延迟的显著增加。
• PSI 的 total 累积值可以用于计算 瞬时压力增量，从而在秒级粒度上识别尖峰。

下图展示了 PSI 在系统资源压力传递链中的位置：

1.6 PSI 的典型应用场景

• 延迟敏感服务告警：对 full avg10 设置阈值，当压力超过 1% 时触发 P1 告警，比 CPU 使用率告警提前 10-30 秒发现异常。
• 容量规划：通过 PSI 趋势判断资源是否接近瓶颈，在延迟恶化前扩容。
• 根因定位：结合 cpu、memory、io 三个 PSI 文件，快速定位延迟尖峰的资源维度。
• 混部场景：在离线任务混部时，PSI 可以量化在线任务被离线任务干扰的程度。