持续剖析 Continuous Profiling

更新时间：2026-10-01。手动 perf 是“出问题才采”，持续剖析让性能画像始终在线、可回溯。

一、与手动剖析区别

手动 perf 需要人判断时机、无法看到采样窗口之外；持续剖析以极低频率（如每核每秒少量样本）常驻采集，按服务/实例/时间聚合，开销被严格控制在可接受预算内。

二、核心价值

• 回归可追溯：性能变慢后回看历史 profile，比较任意时间点。
• 抓到偶发/周期问题：不必预先知道何时会发生。
• 容量与成本决策：用真实 CPU 占用画像指导优化与扩缩容。

三、实现与注意

工具可基于 perf_events 或语言内置 profiler（pprof），配合 Parca/Pyroscope 等后端。关键是控制标签基数（避免高基数爆炸）、开销预算和存储成本；它与分布式追踪、日志互补——profiling 回答“资源花在什么代码上”。

四、常见坑

• 采样频率过高，常驻开销累积。
• 标签维度过细导致基数/存储爆炸。
• 只有实时图没有长期留存，无法回溯。

小结

持续剖析把低开销采样产品化、常开化，换来回归可追溯与偶发问题捕获，是 perf 能力在生产侧的自然延伸。concepts/perf 50 篇至此完整。

总结

手动 perf 是“出问题才采、看不到采样窗口之外”，持续剖析则以每核每秒少量样本的极低频率常驻采集、按服务/时间聚合并长期保留，把性能画像变成始终在线、可回溯的基础设施；核心价值是事后追溯性能回归、抓到偶发/周期性问题、用真实 CPU 画像做容量决策，落地关键在于压住采样频率、标签基数和存储成本，并与 tracing/logging 互补。