Swappiness 是 Linux 内核中一个关键的内存管理参数，它决定了系统在回收内存时倾向于将匿名页交换到磁盘还是压缩并回收页面缓存。 默认值通常为 60，但这并非适用于所有工作负载。 对于数据库服务器、容器化环境或高并发 Web 应用，调整 swappiness 可以显著影响磁盘 I/O 延迟和内存利用率。 理解 swappiness 背后的机制需要先认识虚拟内存子系统中的两个核心池：匿名页与文件页。 匿名页是进程私有的堆栈和堆数据，而文件页是磁盘文件在内存中的缓存副本。 当系统内存压力增加时，内核根据 swappiness 值的比例来权衡回收这两类页面。 高 swappiness 值（如 100）意味着内核更平等地对待匿名页和文件页，甚至优先换出匿名页；低 swappiness 值（如 0）则几乎禁止主动交换匿名页，只回收文件页。 这种权衡直接关系到响应时间、缓存命中率和磁盘吞吐量。 在实际生产环境中，swappiness 的调优需要结合具体的 LSM 策略与内存压缩。 比如在运行 Elasticsearch 或 Redis 这类对延迟极为敏感的服务时，即使内存使用率较高，也应避免触发交换，因为换出会导致毫秒级甚至秒级的停顿。 此时将 swappiness 降为 1 或 0 可有效抑制匿名页换出，但需要注意文件页缓存可能被过度回收，进而增加磁盘读取次数。 相反，在批处理任务或桌面系统中，适当提高 swappiness 反而有助于保持文件缓存的热度，加快程序启动速度。 因此，Linux 性能调优社区经常讨论“swappiness 最佳实践”，并给出针对不同负载的推荐范围。 调整 swappiness 的方法非常直接，可以通过 sysctl -w vm.swappiness=N 临时生效，或写入 /etc/sysctl.conf 永久保存。 但盲目修改可能导致内存不足时触发 OOM killer，尤其是在容器化环境中，cgroup 的内存限制与 swappiness 相互作用，使得问题更加复杂。 例如，在 Kubernetes 节点上，如果同时设置了 memory.limit_in_bytes 和较低的 swappiness，当容器内存压力大时，内核可能无法及时释放文件页缓存，反而提前终止进程。 因此，现代内核还引入了 memory.low 和 memory.min 控制组，与 swappiness 配合使用能更精细地管理内存回收优先级。 另一个语义相关的重要概念是 kswapd 与直接回收。 当空闲内存低于某个阈值时，内核唤醒 kswapd 进程异步地按照 swappiness 参数执行页面回收。 如果回收速度跟不上内存分配速度，就会触发直接回收，这属于同步操作，会阻塞进程。 通过监控 /proc/vmstat 中的 pgscan_kswapd 和 pgscan_direct 指标，可以判断当前 swappiness 设置是否合理。 若直接回收频繁发生，说明 swappiness 值可能过高，导致匿名页换出过多，进而引发更高的页错误和 I/O 压力。 此时逐步降低 swappiness 并观察 pgfault 的变化，是排查内存延迟问题的有效手段。 对于大内存场景，比如内存容量超过 128GB 的数据库服务器，swapiness 的调优需要与 NUMA 亲和性结合。 因为跨 NUMA 节点的内存访问延迟不同，内核在回收内存时可能忽略节点内存差异，造成性能抖动。 使用 numactl 锁定进程到特定节点，并配合 /proc/sys/vm/swappiness 的微调，可以降低跨节点内存访问带来的惩罚。 此外，透明大页与 THP 的碎片整理也会影响 swappiness 的效果，因为大页的换出成本比普通页高得多。 关闭 THP 或将 /sys/kernel/mm/transparent_hugepage/enabled 设为 madvise，能让 swappiness 的行为更可预测。 在云原生环境中，swappiness 的意义被进一步放大。 许多云主机使用 SSD 或 NVMe 作为交换设备，这些存储的延迟相比传统 HDD 低很多，但依然远高于内存。 如果 swappiness 过高导致大量小规模随机写入，即便在 SSD 上也会累积写放大，缩短寿命。 因此，一些云平台建议将 swappiness 设为 10 或 20，让系统仅在内存极度紧张时才使用 swap。 同时，结合 vm.vfs_cache_pressure 参数控制 inode 和 dentry 缓存的回收强度，可以在不增加 swap 使用的情况下提升文件元数据操作性能。 值得注意的是，swappiness 并非唯一控制内存回收的参数。 kernel 还提供了 vm.watermark_scale_factor 和 vm.watermark_boost_factor 来调节水位线，影响内核何时开始回收。 这些参数与 swappiness 共同构成一个多维度的调优矩阵。 在撰写 Linux 性能调优文档时，常将“swappiness 与 watermark 协同”作为长尾关键词，用以吸引从事系统运维的搜索用户。 比如一台运行容器集群的服务器，若内存始终被占用在 85% 以上，通过降低 swappiness 到 10 并降低 watermark_scale_factor 到 500，可以让 kswapd 更早介入，避免突发内存分配导致直接回收。 从信息增益的角度看，了解 swappiness 对主要数据库如 MySQL、PostgreSQL 的影响尤为重要。 这些数据库依赖操作系统缓存来加速 I/O，但过多的匿名页交换会导致数据库的脏页刷新受到干扰。 在 MySQL 的 InnoDB 缓冲池较大时，推荐将 swappiness 设为 1，并启用 huge_pages，以减少 TLB 缺失和交换。 而 PostgreSQL 共享缓冲区的管理则更依赖文件页缓存，将 swappiness 设置为 30 左右能平衡日志写入与数据读写。 这些具体的场景化建议比单纯的参数说明更具 SEO 价值。 最后，需要强调一点：swappiness 不是唯一决定交换行为的东西。 即使将其设置为 0，如果内存压力极大且文件页缓存已经回收殆尽，内核仍然会强制换出匿名页。 所以调优时也需关注 vm.min_free_kbytes 的配置，保证有足够的最低空闲内存来应对紧急分配。 通过综合调整这些参数，才能实现真正的内存优化。 而每一个细节点都可以成为相关长尾关键词的切入角度，例如“swappiness 对延迟敏感应用的影响”、“如何监控 swappiness 的回收效果”、“swappiness 在 k8s 节点上的最佳实践”等，这些查询通常来自具有明确痛点的运维工程师和系统架构师。 #swappiness #linux内存调优 #swappiness #性能优化 #数据库服务器 #容器化环境 #高并发web应用 #磁盘i/O延迟 #内核参数 #虚拟内存 #缓存命中率