优化轻量服务器CPU及内存防止资源满载崩溃

SWAP-巧妙扩展你的CPU内存 低端处理器硬件资源有限 阅读详情

在使用轻量应用服务器实例过程中,可能会遇到实例CPU使用率或CPU负载持续较高的情况。

轻量应用服务器内存通常也比较小,容易跑满内存。我们可以把一部分硬盘空间虚拟成内存使用,

将系统内非活动内存换页到SWAP,以提高系统可用内存。

让我们来做如下设置,优化小内存应用。

一、开启并设置SWAP。

SWAP合理的大小是与 VPS 的物理内存有关的,通常

内存 <= 4g:Swap 至少 4G

内存 4~16G:Swap 至少 8G

内存 16G~64G:Swap 至少 16G

内存 64G~256G:Swap 至少 32G

1.查看当前分区情况:

free -m

2.先把当前所有分区都关闭了:

swapoff -a

3.创建要作为 Swap 分区文件(其中 /var/swapfile 是文件位置,bs*count 是文件大下,例如以下命令就会创建一个 4G 的文件):

dd if=/dev/zero of=/var/swapfile bs=1M count=4096

4.建立 Swap 的文件系统(格式化为 Swap 分区文件):

mkswap /var/swapfile

5.启用 Swap 分区:

swapon /var/swapfile

6.再次查看当前分区:

free -m

如果有 Swap 就说明创建成功了:

7.最后设置开机启动,在 /etc/fstab 文件中加入一行代码:

/var/swapfile swap swap defaults 0 0

其中/var/swapfile 路径可以修改,根据创建的SWAP分区文件具体路径来配置。

到此,SWAP设置完毕。

在开启SWAP后,系统此时在持续进行换页操作,可能会导致占用大量CPU资源。

kswapd0是虚拟内存管理中负责换页的进程,当轻量应用服务器物理内存不足时,kswapd0会执行换页操作,换页操作会消耗大量的CPU资源。为此,我们需要修改vm.swappiness内核参数来控制交换空间的大小,来解决kswapd0进程占用CPU较高的问题。

二、修改vm.swappiness参数。

参数含义

  • swappiness=0:尽量避免使用交换分区,最大限度地使用物理内存。只有在内存非常紧张的情况下才会使用交换分区1。

  • swappiness=100:积极使用交换分区,将内存中的数据尽快搬运到交换分区1。

1.查看swappiness参数。

cat /proc/sys/vm/swappiness

2.根据需要,调整swappiness参数。

a.打开内核参数配置文件sysctl.conf。

vi /etc/sysctl.conf

b.修改swappiness参数值。如在sysctl.conf文件中,修改vm.swappiness = 60。

c.输入:wq保存修改。

d.重新加载sysctl配置文件,使配置生效。

sysctl -p

三、优化内存未耗尽时触发 Out Of Memory。

vm.min_free_kbytes 是 Linux 内核中的一个可调参数,它指定了内核应保留的最小空闲内存量(以千字节为单位)。这个参数的目的是确保在内存需求高峰时,系统有足够的空闲内存来处理紧急情况,从而避免因内存不足而导致的系统死锁或其他问题。

1.查看 min_free_kbytes 值。

sysctl -a | grep min_free

min_free_kbytes 值单位为 kbytes,如 min_free_kbytes = 102400 即为100MB。

2.打开 /etc/sysctl.conf 配置文件。

vim /etc/sysctl.conf

修改 vm.min_free_kbytes 配置项。若该配置项不存在,则直接在配置文件中增加即可。

建议修改 vm.min_free_kbytes 值为不超过总内存的1%即可。

3.输入:wq保存修改。

4.重新加载sysctl配置文件,使配置生效。

sysctl -p

游戏服务器高并发崩溃排查:从CPU满载到数据库慢查询的运维优化指南 高并发场景下,服务器资源耗尽、响应超时是运维人员最常面临的挑战。当某个热点事件触发大量请求集中涌入时,CPU满载、内存飙升、数据库慢查询等问题会接踵而至,轻则服务卡顿,重则系统崩溃。面对这类性能瓶颈,科学的排查思路与优化手段至关重要。从系统监控、日志分析入手,结合负载均衡分散压力、引入缓存降低重复计算、通过异步队列削峰填谷,再到数据库读写分离与索引优化,这些技术组合能有效提升系统承载能力。在游戏服务器运维中,高等级角色触发的高频技能与集中玩法正是典型的高并发压力场景,掌握系统化的性能调优方法论,可显著增强服 阅读详情

相关推荐

服务器卡死?15分钟定位CPU、内存或磁盘IO瓶颈的排查指南

服务器在高负载下突然卡死,往往表现为SSH连不上、任务无响应,这类被戏称为“土豆服务器”的现象背后,并非单一原因所致,而是CPU、内存、磁盘IO等资源瓶颈的综合体现。要高效恢复业务,关键在于先分辨卡死层级,再按顺序采集现场信息。本文从系统负载与进程状态分析切入,介绍如何借助top、vmstat、iostat、dmesg等基础工具,快速定位是CPU打满、内存耗尽、磁盘IO拥塞,还是文件句柄与网络异常。同时给出临时恢复手段与长期预防策略,帮助运维人员、个人开发者及兼职管理者建立一套可落地的故障排查流程,让服务器

weixin_34034670的博客 401

Linux中CPU、内存、Swap使用情况查看

top命令是Linux下常用的性能分析工具,能够实时显示系统中各个进程的资源占用状况,类似于Windows的任务管理器。 使用top命令,可以查看系统CPU、内存、Swap、进程的使用情况。 top命令返回结果说明 第一行,任务队列信息 系统时间:07:27:05 运行时间:up 1:57 min, 当前登录用户: 3 user 负载均衡(uptime) load average: 0.00, 0.00, 0.00 average后面的三个数分别是1...

csdn_shoelace的博客 5576

腾讯云4核8G服务器实测:游戏服性能边界与优化指南

游戏服务器的性能表现是游戏开发和运维中的核心议题,其本质是计算、内存、网络和存储资源的协同调度。理解服务器负载原理,对于构建稳定、流畅的游戏体验至关重要。CPU负责处理游戏逻辑与玩家并发,内存承载世界状态与玩家数据,网络带宽与延迟直接影响实时交互,而磁盘I/O则决定了世界加载与数据持久化的效率。掌握这些基础组件的性能特点,能帮助开发者进行精准的容量规划与成本控制,尤其在部署《我的世界》、《CS:GO》等主流游戏的社区服或联机服务器时。本文以腾讯云轻量应用服务器的4核8G配置为具体案例,通过实测数据深入剖析了

weixin_30697239的博客 366

linux 中swap 原理简介

1.什么是swap 从功能上讲,交换分区主要是在内存不够用的时候,将部分内存上的数据交换到 swap空间上,以便让系统不会因内存不够用而导致oom或者更致命的情况出现。 也就是说,当内存不够用时,我们使用 swap 分区来临时顶替。这种“拆东墙,补西墙”的方式应用于几乎所有的操作系统中。 使用 swap 交换分区,显著的优点是,通过操作系统的调度,应用程序实际可以使用的内存空间将远远超过系统的物理内存。由于硬盘空间的价格远比 RAM 要低,因此这种方式无疑是经济实惠的。当然,频繁地读写硬盘,会显著降.

私房菜 1万+

AWDP Web防御赛:资源约束下的稳定性与安全性平衡艺术

在网络安全竞赛与实战中,资源管理是保障服务稳定性的核心基础。其原理在于任何计算环境,无论是服务器、虚拟机还是容器,其CPU、内存、磁盘I/O和网络带宽都是有限的物理资源。理解并有效管理这些资源的技术价值在于,它直接决定了系统在高负载或遭受攻击时的可用性与韧性,是构建健壮服务架构的基石。这一理念在需要持续对抗的攻防演练、高并发业务系统运维等场景中至关重要。本文聚焦于**AWDP(Attack With Defense)** 这一特定赛制,深入探讨在严格**资源约束**下,如何通过精细化的监控、进程控制与脚本优

weixin_33991418的博客 392

OpenLiteSpeed本地开发实战:轻量、免缓存、跨平台HTTP服务器

HTTP服务器是Web开发的基础运行时环境,其性能、配置灵活性与本地调试友好性直接影响开发效率。OpenLiteSpeed作为一款轻量级开源Web服务器,以极低内存占用(8–12MB)、原生.htaccess支持、毫秒级静态资源热更新和无缓存幽灵特性,填补了Nginx缓存顽疾与Apache臃肿启动之间的空白。它采用C++重写引擎与路径级缓存开关设计,兼顾执行效率与开发实时性;同时提供Windows/macOS/Linux全平台可审计二进制包与systemd/mDNS/SELinux等工程级适配能力。本文聚焦

weixin_30315723的博客 477

Jmeter-Plugins支持CPU、Memory、Swap、Disk和Network的监控

Jmeter-Plugins支持CPU、Memory、Swap、Disk和Network的监控,在测试过程中更加方便进行结果收集和统计分析。   一、准备工作:   1、下载Jmeter-Plugins插件,下载Server端ServerAgent插件;   2、解压Jmeter-Plugins.zip插件,将JMeterPlugins.jar放入Jmeterlibext路径下,重启Jmete

happymff的博客 2002

无需GPU的本地AI助手:Fara-7B CPU部署实战指南

大模型推理正从GPU依赖走向CPU普惠化,核心在于轻量化架构、高效量化(如GGUF格式)与指令集深度优化(AVX2/AVX-512)。这类技术使7B级中文对话模型可在主流x86服务器甚至老旧硬件上稳定运行,兼顾低延迟、低内存占用与数据本地化安全。其技术价值体现在工程确定性——绕过CUDA生态束缚,规避PyTorch CPU模式兼容性陷阱,实现开箱即用的私有化AI服务。典型应用场景包括政务文书解析、律所合同审查、医疗知识问答及教育文本处理等对数据主权与响应实时性要求严苛的领域。本文聚焦Fara-7B这一专为I

weixin_34252686的博客 371

Docker 运行时资源限制

Docker 运行时资源限制Docker 基于 Linux 内核提供的 cgroups 功能,可以限制容器在运行时使用到的资源,比如内存、CPU、块 I/O、网络等。内存限制概述Docker 提供的内存限制功能有以下几点: 容器能使用的内存和交换分区大小。 容器的核心内存大小。 容器虚拟内存的交换行为。 容器内存的软性限制。 是否杀死占用过多内存的容器。 容器被杀死的优先级 一般情况下,达到内存限制

勤能补拙 4万+

DeepSeek-V4 Flash本地部署指南:轻量化大模型实战与API集成

大语言模型(LLM)通过模拟人类语言模式,基于Transformer架构实现文本生成与理解。其核心原理在于海量参数与注意力机制,能够捕捉复杂语义关联。在工程实践中,模型量化技术通过降低权重精度(如INT8/INT4)显著减少资源消耗,使高性能模型得以在消费级硬件部署。这种轻量化方案为私有化部署、边缘计算等场景提供了可行路径,尤其适用于对数据隐私和成本敏感的中小企业。DeepSeek-V4 Flash作为典型代表,通过优化架构与量化策略,在保持强大推理能力的同时大幅降低显存占用,支持通过Ollama或text

weixin_33754065的博客 427

Python多进程并行实战:绕过GIL提升CPU密集型任务性能

Python中的全局解释器锁(GIL)限制了多线程在CPU密集型任务中的并行能力,导致看似并发的threading代码实际无法利用多核。其根本原理在于CPython解释器同一时刻仅允许一个线程执行字节码,使计算型任务被迫串行化。技术价值体现在通过multiprocessing实现真正的多核并行——每个进程拥有独立解释器与GIL副本,从而突破单核瓶颈。典型应用场景包括图像批量处理、数值计算、数据压缩等可分割的CPU密集型工作流。本文聚焦于从threading陷阱识别、进程/线程选型决策,到Pool实践与避坑调

weixin_30443075的博客 402

运行Docker和MySQL学习环境,1核2G内存够用吗?

如果是为了。

2403_89345764的博客 17

【MATLAB强化学习工具箱】学习笔记--在Simulink环境中训练智能体Create Simulink Environment and Train Agent

Simulink中便于搭建各类动力学与控制模型,通过将原有的控制器替换为AI控制器,可以方便使用已有模型,提供增量效果。 本节的重点是如何引入Simulink模型作为env,其他的内容在之前的文章中已有说明。 以水箱模型watertank为例,如下图所示: 采用PI控制器,控制效果如下所示: 将此PI控制器替换为神经网络控制器后,系统架构如下图所示: 具体替换策略如下所示: (1)删去PID控制器; (2)增加RL Agent模块; (3)观测器模块: 观测向量为:,其中...

bear_miao的博客 1万+

CPU性能瓶颈下的本地AI部署实战:从模型选型到llama.cpp优化指南

在人工智能模型本地化部署中,GPU加速常被视为核心,但CPU作为系统调度与数据预处理的关键组件,其性能直接影响部署效率与用户体验。CPU负责模型加载、环境配置、数据预处理及任务调度等基础工作,是确保AI推理流水线顺畅运行的基石。当CPU成为瓶颈时,会出现模型加载缓慢、GPU利用率波动、交互卡顿等问题。通过选择适合CPU的轻量化模型格式如GGUF,并搭配高度优化的推理引擎如llama.cpp,可显著提升在有限硬件条件下的部署成功率。量化技术能有效降低内存占用,而合理的参数调优则能平衡速度与资源消耗。这一方案尤

weixin_34112181的博客 335

别再死磕U-Net了!用PyTorch手把手教你搭建ResUnet,搞定医学图像分割(附完整代码)

本文详细介绍了如何利用PyTorch搭建ResUnet模型,通过引入残差连接解决医学图像分割中的梯度消失、特征退化和细节丢失问题。与传统U-Net相比,ResUnet在Dice系数和收敛速度上均有显著提升,特别适合处理脑部MRI等复杂医学图像。文章还提供了完整的代码实现和关键训练技巧,帮助开发者快速掌握这一先进技术。

weixin_42552637的博客 322

gem5 run parsec2.1 ---- 亲测跑通教程

使用gem5模拟仿真parsec2.1,排除了各种bug,成功跑通,亲测有效!!!

m0_55539563的博客 1541

AI算力调度:从资源分配到效率优化的实战指南

最近在尝试把一些本地模型跑起来,或者想把几个不同的 AI 工具串成一个自动化流程时,你大概率会遇到一个比“模型选哪个”更头疼的问题:算力怎么分? 不是没有 GPU,也不是算力不够,而是当你手头有几个任务,有的要跑大模型推理,有的要做批量图片生成,有的只是简单的文本处理,你会发现它们要么在抢同一块显卡,要么就是某个任务把显存占满后,其他任务只能干等着。手动启停、排队、切换模型,效率低不说,还容易出错。这感觉就像你有一支施工队(GPU),但只有一个工头(你自己)在现场指挥,哪个任务急就先干哪个,结果往往是调度混

anwenzhao0749的博客 441

OrangePi Kunpeng Pro 安装 ROS2 + Gazebo

OrangePi Kunpeng Pro 的优点很明显,内置openEuler,配备PD电源,做到开箱即用;板子设计也不错,风扇噪音不大,散热良好,昇腾芯片又确保小板子的性能,接口丰富是这类板子共同的优点,也很好的继承了下来,甚至还可以外接固态,可靠性大大提升。使用起来,哪怕不用openEuler的话,也可以很方便的刷Ubuntu来实现一些需要依赖的开发工作,这次没有跑AI模型,所以对算力的优势还没有很明显的感受,下次可以试一下yolo跑跑看。

Arcan 1815

电脑卡顿的底层逻辑:CPU、内存与硬盘如何协作与排查

电脑运行速度取决于CPU、内存与硬盘构成的存储金字塔:CPU负责计算,内存作为高速中转站,硬盘提供持久化存储。三者速度差异悬殊,一次程序启动需经过硬盘读取、DMA传输、内存映射和CPU执行,任何一环成为短板都会引发卡顿。理解存储层次和硬件协作原理,有助于精准定位性能瓶颈——例如CPU占用率高可能源于后台进程或恶意程序,内存不足常导致频繁换页,而机械硬盘的物理坏道则直接拖累系统响应。掌握任务管理器、资源监视器和SMART健康检测等基础排查手段,结合SSD升级、内存扩容等优化策略,可显著提升整机流畅度。本文从存

weixin_34252686的博客 337

手把手教你学Simulink实例:基于Simulink的超级电容器充放电仿真

超级电容器(Supercapacitor)是一种高容量电容器,具有快速充放电能力、长寿命和高功率密度等优点。它在能量存储系统、电动汽车、不间断电源(UPS)等领域有广泛应用。为了更好地理解和设计超级电容器的应用系统,通常需要进行详细的仿真分析。Simulink 提供了一个强大的仿真环境,可以用来设计、分析和验证超级电容器充放电系统的控制策略。本教程将详细介绍如何使用 Simulink 进行超级电容器充放电的仿真实例。通过本教程,我们详细介绍了如何使用 Simulink 进行超级电容器充放电的仿真实例。

MHD0815的博客 570

手把手教你学Simulink——基于Simulink的机械臂正运动学仿真建模示例

机械臂正运动学概述正运动学的核心在于根据每个关节的角度值,通过坐标变换(如DH参数法或齐次变换矩阵)计算出末端执行器相对于基座的位置和姿态。常用的数学工具包括旋转矩阵、平移向量以及它们组合而成的齐次变换矩阵。仿真目标设计并实现一个机械臂正运动学模型。输入关节角度,输出末端执行器的位置和姿态。分析不同关节角度下的机械臂位置变化。假设我们有一个简单的3自由度(DOF)平面机械臂,其各关节的长度分别为l1l1​、l2l2​和l3l3​。在Simulink中,可以使用。

MHD0815的博客 357

OpenClaw硬件适配:树莓派部署GLM-4.7-Flash轻量级服务

本文介绍了如何在星图GPU平台上自动化部署【ollama】GLM-4.7-Flash轻量级镜像,实现低功耗设备上的AI服务。该方案特别适用于树莓派等边缘计算场景,通过量化优化和参数调整,可稳定运行自动化监控、智能家居控制等任务。例如,植物监控系统可实时分析传感器数据并生成自然语言报告,日均成本仅0.2元左右。

weixin_36303807的博客 215

【UNet 改进 | 注意机制篇】UNet引入CA注意力机制(2021 CVPR),二次创新

在医学图像分割任务中,病灶区域往往形态各异、边界模糊,且经常与周围组织的对比度较低,这要求模型具备极强的特征提取和细节辨别能力。传统的U-Net网络虽然通过跳跃连接融合了多尺度特征,但在处理复杂语义和精细边缘时仍有不足,尤其是在捕获特征时常常忽略位置信息。为了解决这些痛点,本文引入了在计算机视觉领域表现出色的 CA(Coordinate Attention,协调注意力)机制。CA 巧妙地将位置信息嵌入到了通道注意力中,通过水平和垂直两个方向的一维池化,同时捕获长距离依赖和精确的位置坐标。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 169

WiCi无线计算接口:构建家庭分布式计算资源池的技术实践

分布式计算通过将计算任务分散到多个设备上执行,实现资源的高效利用和负载均衡。其核心原理在于将异构的计算节点通过网络连接,形成统一的虚拟资源池,通过调度算法动态分配任务。这一技术能显著提升计算资源的整体利用率,降低闲置浪费,在AI推理、科学计算等场景中具有重要价值。WiCi项目提出的无线计算接口,正是针对家庭和边缘环境设计的轻量级分布式计算解决方案,它通过优化无线网络传输和任务调度机制,让普通用户也能构建私有的计算资源池。该方案特别适用于处理无状态或弱状态的计算任务,为个人和小团队提供了灵活、经济的算力共享方

weixin_30326741的博客 434

AI应用架构师:用RAG解决大模型“幻觉”问题的客服架构设计

在当今的智能客服领域,大语言模型(LLM)凭借流畅的对话能力和强大的理解能力,逐渐取代传统规则式机器人,成为客服系统的核心。但随之而来的“幻觉”问题(即模型编造不存在的信息)却成了致命伤:比如客户问“你们的产品保修期多久”,AI客服可能会自信地回答“3年”,而实际保修期只有1年——这种错误不仅会误导客户,还可能引发投诉、退货甚至法律风险。

AI天才研究院 909

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

CPU监控工具:从核心指标到实战应用,精准掌控系统性能

在计算机系统性能优化与故障排查领域,CPU监控是理解硬件工作状态、保障系统稳定性的基础技术。其核心原理在于通过操作系统接口或硬件传感器,实时采集CPU使用率、温度、频率等关键指标数据。这项技术的价值在于将用户对系统“卡顿”“过热”的主观感受,转化为可量化、可分析的客观数据,从而为性能调优、散热管理和故障诊断提供科学依据。从应用场景看,无论是日常办公、游戏娱乐,还是软件开发、服务器运维,有效的CPU监控都能帮助用户及时发现瓶颈(如单核满载、温度墙触发),预防因过热降频或资源争用导致的性能下降与系统不稳定。本文

weixin_34221775的博客 391

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: Jellyfin的TMDB更改hosts解决刮削失败问题
hwadong
博客等级 码龄19年 27粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值