第一章：Go性能调优终极方法论的演进脉络
Go语言自2009年发布以来，其性能调优范式并非一成不变，而是随运行时演进、工具链成熟与工程实践深化持续重构。早期开发者依赖经验直觉与手动计时（如time.Now()差值），效率低且易受GC抖动干扰；Go 1.5引入并发标记清除GC后，调优焦点从“避免分配”转向“控制分配节奏与生命周期”；Go 1.11启用逃逸分析增强与-gcflags="-m"深度诊断能力，标志着静态分析成为调优前置环节。
核心观测维度的迁移
现代Go性能调优已形成三位一体观测体系：
- 延迟敏感路径：聚焦P99延迟突刺，需结合
runtime/trace采集goroutine阻塞、网络轮询、系统调用等事件； - 资源持有模式：通过
pprof内存剖面识别长期驻留对象，特别关注sync.Pool误用导致的内存泄漏； - 调度健康度：利用
GODEBUG=schedtrace=1000观察M-P-G状态切换频次，诊断非阻塞I/O下的goroutine饥饿问题。
工具链协同工作流
典型调优流程需多工具串联验证：
# 1. 启动带trace的基准测试
go test -bench=. -cpuprofile=cpu.prof -memprofile=mem.prof -trace=trace.out
# 2. 生成可交互火焰图（需安装gotraceui）
go tool trace -http=:8080 trace.out # 在浏览器中分析goroutine执行轨迹
# 3. 定位热点函数并注入行级采样
go tool pprof -http=:8081 cpu.prof # 查看CPU热点及调用栈深度关键演进节点对比
| 阶段 | 主导工具 | 典型瓶颈认知 | 调优重心 |
|---|---|---|---|
| Go 1.0–1.4 | go build -gcflags |
栈分配开销、接口动态调度成本 | 减少interface{}使用、内联关键函数 |
| Go 1.5–1.10 | go tool pprof |
GC STW时间、堆碎片化 | 对象池复用、预分配切片容量 |
| Go 1.11+ | go tool trace + runtime/metrics |
协程调度延迟、系统调用阻塞链 | 使用net.Conn.SetReadDeadline替代轮询、io.CopyBuffer定制缓冲区 |
当前方法论强调“可观测性驱动闭环”：所有优化必须基于量化证据，拒绝无数据支撑的微基准测试。例如，将[]byte转为string的零拷贝转换（unsafe.String(unsafe.SliceData(b), len(b))）仅在b生命周期明确长于string时生效，否则触发意外内存泄露——此类决策必须通过-gcflags="-m"确认逃逸行为变更。
第二章：CPU火焰图深度解析与实战优化
2.1 火焰图原理：从栈采样到可视化语义映射
火焰图的本质是将高频栈采样数据映射为宽度正比于出现频率、深度正比于调用层级的嵌套矩形图。
栈采样机制
现代 profiler（如 perf）以固定频率（如 99Hz）中断 CPU，记录当前线程完整调用栈：
# 示例：采集 30 秒 C/C++ 程序的栈样本
perf record -F 99 -g -p $(pidof myapp) -- sleep 30-F 99：每秒采样 99 次，平衡精度与开销-g：启用调用图（call graph）采集，捕获帧指针或 DWARF 信息-- sleep 30：确保采集窗口精确可控
可视化语义映射规则
| 维度 | 映射含义 | 约束条件 |
|---|---|---|
| 水平宽度 | 函数在所有样本中出现的占比 | 归一化至 100% 总宽度 |
| 垂直深度 | 调用层级（栈深度） | 底层为入口函数（main） |
| 颜色色调 | 函数所属语言或模块类别 | 无性能语义，仅辅助识别 |
数据流概览
graph TD
A[CPU 定时中断] --> B[寄存器/栈快照]
B --> C[符号化解析：addr2line + debug info]
C --> D[栈折叠：a→b→c → “a;b;c”]
D --> E[频次聚合：计数“a;b;c”出现次数]
E --> F[SVG 渲染：按深度/频次生成矩形]2.2 使用pprof生成高保真CPU火焰图的完整链路
准备可分析的Go程序
需在代码中启用net/http/pprof并暴露/debug/pprof/profile端点：
package main
import (
"log"
"net/http"
_ "net/http/pprof" // 启用pprof HTTP handler
)
func main() {
go func() {
log.Println("pprof server listening on :6060")
log.Fatal(http.ListenAndServe(":6060", nil))
}()
// 主业务逻辑（如密集计算循环）
select {} // 阻塞主goroutine
}此代码启动内置pprof服务，
_ "net/http/pprof"自动注册/debug/pprof/路由；ListenAndServe监听6060端口，供pprof工具抓取实时CPU profile。
采集与转换流程
# 30秒CPU采样（默认采样频率100Hz）
go tool pprof -http=":8080" http://localhost:6060/debug/pprof/profile?seconds=30
-http启动交互式Web界面；?seconds=30确保足够长的采样窗口以捕获低频但耗时的调用路径，避免火焰图稀疏失真。
关键参数对照表
| 参数 | 说明 | 推荐值 |
|---|---|---|
-seconds |
CPU profile持续时间 | ≥30（生产环境） |
-sample_index |
采样指标 | cpu（默认） |
-http |
启动可视化服务 | :8080 |
端到端链路（mermaid）
graph TD
A[Go程序启用net/http/pprof] --> B[HTTP请求触发CPU profile采集]
B --> C[pprof工具解析profile.pb.gz]
C --> D[生成调用栈折叠文本]
D --> E[flamegraph.pl渲染SVG火焰图]2.3 识别热点函数与伪共享/锁竞争的火焰图模式识别法
火焰图中持续高耸的窄峰常指向热点函数；而相邻线程栈频繁交替出现同一锁函数（如 pthread_mutex_lock），则暗示锁竞争。伪共享则表现为多个 CPU 核心上不同函数（如 update_counter_a / update_counter_b）共享同一 cache line 地址，火焰图中呈现“双峰镜像”结构。
典型锁竞争火焰图特征
- 同一锁函数在多个线程栈中深度一致、调用频次接近
__lll_lock_wait或futex_wait_queue_me占比超 15%
伪共享定位代码示例
// 假设 struct aligns to 64-byte cache line
struct counters {
uint64_t a; // offset 0
uint64_t b; // offset 8 ← 与a同cache line！
} __attribute__((aligned(64)));此布局导致 core0 写
a、core1 写b时反复使彼此 cache line 无效，perf record -e cache-misses可验证 L1D 急升。
| 模式 | 火焰图视觉特征 | perf event 建议 |
|---|---|---|
| 热点函数 | 单一线程单峰 >30% width | cpu-cycles,instructions |
| 锁竞争 | 多线程同步高度重叠峰 | futex:ftux_wait_queue_me |
| 伪共享 | 多核间镜像状双窄峰 | l1d.replacement |
graph TD
A[perf record -F 99 -g --call-graph dwarf] --> B[flamegraph.pl]
B --> C{峰形态分析}
C --> D[单峰尖锐 → 热点函数]
C --> E[多线程同深锁调用 → 锁竞争]
C --> F[跨核对称窄峰+高cache-miss → 伪共享]2.4 基于火焰图指导的goroutine调度优化实践
火焰图揭示了 runtime.schedule() 中 findrunnable() 占比高达 68%，主要耗时在 sched.scanrunnable() 的全局队列遍历与 P 本地队列锁竞争。
热点定位与根因分析
- 高频 goroutine 创建（每秒 >5k）导致本地队列频繁溢出至全局队列
GOMAXPROCS=8下，6 个 P 长期空闲，2 个 P 承载 92% 调度负载
优化策略实施
// 改造 worker 启动逻辑：预绑定 + 批量唤醒
func startWorker(p *p) {
// 避免 runtime.newproc1 分配开销
go func() {
for i := 0; i < 16; i++ { // 批量预启 goroutine
go taskLoop(p)
}
}()
}逻辑说明：绕过
newproc1的栈分配与 G 初始化路径；16为实测 P 本地队列饱和阈值，避免频繁迁移。参数p显式传递确保亲和性，减少跨 P 抢占。
优化效果对比
| 指标 | 优化前 | 优化后 | 降幅 |
|---|---|---|---|
| 平均调度延迟 | 124μs | 38μs | 69% |
findrunnable 耗时占比 |
68% | 19% | — |
graph TD
A[火焰图热点] --> B[全局队列扫描]
B --> C[本地队列失衡]
C --> D[预绑定+批量唤醒]
D --> E[调度延迟↓69%]2.5 真实微服务场景下的火焰图横向对比调优案例
在电商大促期间，订单服务（order-service）与库存服务（inventory-service）均出现 P99 延迟突增。我们分别采集两服务的 perf 火焰图，并使用 flamegraph.pl 生成 SVG 进行横向比对。
关键差异定位
库存服务火焰图中，pthread_mutex_lock 占比高达 42%，集中于 deduct_stock() 调用栈；订单服务则表现为 json.Unmarshal（Go 标准库）深度嵌套耗时异常。
优化验证代码
// inventory/service/stock.go —— 优化前（粗粒度锁）
func (s *StockService) DeductStock(ctx context.Context, req *DeductReq) error {
s.mu.Lock() // ❌ 全局锁阻塞所有扣减
defer s.mu.Unlock()
return s.db.Exec("UPDATE stock SET qty = qty - ? WHERE sku = ?", req.Qty, req.Sku)
}逻辑分析：s.mu 为全局互斥锁，导致高并发下线程大量阻塞在 pthread_mutex_lock；参数 req.Qty 和 req.Sku 无校验，进一步加剧 DB 等待。
对比结果摘要
| 指标 | 订单服务 | 库存服务 | 优化后库存服务 |
|---|---|---|---|
| P99 延迟 | 320ms | 1850ms | 210ms |
| 锁竞争占比（火焰图） | 42% | 3% |
graph TD
A[火焰图横向对比] --> B[定位热点函数]
B --> C{是否共享锁？}
C -->|是| D[改用分段锁+Redis Lua原子扣减]
C -->|否| E[优化JSON Schema预编译]第三章：pprof trace全链路追踪工程化落地
3.1 trace数据模型解析：事件时序、goroutine生命周期与系统调用穿透
Go runtime trace 模型以纳秒级精度捕获三类核心时序实体：G（goroutine）、M（OS线程）、P（处理器），通过事件流构建因果关系图。
goroutine 生命周期关键事件
GoCreate→GoStart→GoBlock/GoSched→GoEnd- 阻塞事件（如
BlockSend,BlockRecv）隐含系统调用穿透点
系统调用穿透示例
// trace 中对应 runtime.syscall 实际触发点
func write(fd int, p []byte) (n int, err error) {
n, err = syscall.Write(fd, p) // ← trace 记录 SyscallEnter/SyscallExit
return
}该调用在 trace 中生成 SyscallEnter + SyscallExit 事件对，携带 fd 和 duration 字段，用于定位 I/O 瓶颈。
trace 事件类型对照表
| 事件类型 | 触发时机 | 关键字段 |
|---|---|---|
GoStart |
goroutine 被 M 抢占执行 | g, pc |
BlockNet |
网络 I/O 阻塞开始 | fd, addr |
SyscallExit |
系统调用返回 | duration, errno |
graph TD
A[GoCreate] --> B[GoStart]
B --> C{阻塞?}
C -->|是| D[GoBlockNet]
C -->|否| E[GoEnd]
D --> F[SyscallEnter]
F --> G[SyscallExit]
G --> E3.2 在高并发HTTP/gRPC服务中注入低开销trace的生产级方案
在万级QPS场景下，传统OpenTracing SDK易引入>5% CPU开销。生产级方案需兼顾上下文透传、零采样丢失与纳秒级注入。
核心设计原则
- 基于线程局部存储（TLS）复用Span对象，避免GC压力
- gRPC使用
UnaryServerInterceptor+StreamServerInterceptor双路径拦截 - HTTP层通过
http.Handler装饰器实现无侵入挂载
Go语言轻量注入示例
func TraceMiddleware(next http.Handler) http.Handler {
return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
// 从header提取traceparent，复用已存在span或创建noop span
ctx := otel.GetTextMapPropagator().Extract(r.Context(), propagation.HeaderCarrier(r.Header))
// 关键：仅在采样率>0时才分配真实span，否则noopSpan占位
span := tracer.Start(ctx, "http.server", trace.WithSpanKind(trace.SpanKindServer))
defer span.End()
next.ServeHTTP(w, r.WithContext(span.SpanContext().Context()))
})
}逻辑分析：propagation.HeaderCarrier将traceparent解析为SpanContext；trace.WithSpanKind明确服务端角色，便于后端聚合；noopSpan在未采样时仅占8字节内存，无计时开销。
性能对比（单核压测）
| 方案 | P99延迟增幅 | 内存分配/请求 | GC频率 |
|---|---|---|---|
| Jaeger-Client | +12.4ms | 1.2MB | 87次/s |
| OTEL-SDK默认 | +3.1ms | 412KB | 12次/s |
| 本方案（采样率0.1%） | +0.08ms | 28B | 0次/s |
graph TD
A[HTTP/gRPC入口] --> B{采样决策<br/>基于TraceID哈希}
B -->|采样| C[创建真实Span<br/>记录metric+log]
B -->|不采样| D[注入noopSpan<br/>零内存/零时钟调用]
C & D --> E[透传context至业务Handler]3.3 结合OpenTelemetry扩展pprof trace实现跨服务延迟归因
pprof 原生 trace 仅支持单进程内调用栈采样，无法关联 HTTP/gRPC 跨服务请求。OpenTelemetry 提供标准化上下文传播（W3C TraceContext）与 Span 关联能力，可桥接 pprof 的 CPU/alloc profile 与分布式追踪链路。
数据同步机制
通过 otelhttp 中间件注入 trace ID，并在 pprof handler 中注入 runtime.SetCPUProfileRate 同步点：
// 在 HTTP handler 中将 trace context 注入 pprof 标签
r := mux.NewRouter()
r.HandleFunc("/debug/pprof/profile", func(w http.ResponseWriter, r *http.Request) {
span := trace.SpanFromContext(r.Context())
// 将 trace_id 写入 pprof label，供后续归因
labels := pprof.Labels("trace_id", span.SpanContext().TraceID().String())
pprof.WithLabels(labels).Do(func() {
pprof.ProfileHandler.ServeHTTP(w, r) // 触发采样
})
})此处
pprof.Labels将 OpenTelemetry trace ID 绑定至 runtime profile 采样上下文，使生成的profile.pb.gz包含可查询的 trace 关联元数据；WithLabels().Do()确保采样期间 label 生效，避免竞态。
归因流程图
graph TD
A[Client Request] -->|W3C TraceContext| B[Service A]
B -->|propagate span| C[Service B]
B & C --> D[pprof profile with trace_id label]
D --> E[otlp-exporter]
E --> F[Jaeger/Tempo]
F --> G[按 trace_id 关联 CPU hotspots]| 组件 | 作用 | 关键参数 |
|---|---|---|
otelhttp.NewMiddleware |
注入 span 并传播 trace context | WithTracerProvider(tp) |
pprof.Labels |
将 trace_id 注入 profile 元数据 | "trace_id" 必须为字符串格式 |
otlpgrpc.Exporter |
上报带 label 的 profile 到后端 | WithEndpoint("tempo:4317") |
第四章：GODEBUG=gctrace=1与内存行为协同诊断体系
4.1 GC trace日志字段精读：从GC周期、STW、标记辅助到内存增长拐点
GC trace 日志是诊断 JVM 内存行为的“黑匣子”。开启 -Xlog:gc*,gc+phases*:stdout:time,uptime,level,tags 可捕获全维度事件。
关键字段语义解析
GC pause：标识 STW 开始，含duration（毫秒级停顿）G1 Evacuation Pause：G1 中年轻代/混合回收的触发类型heap: [used->committed]：如heap: 1234M->456M(2048M)，揭示内存压缩效果
典型日志片段与分析
[12345.678s][info][gc,phases] GC(42) Pause Young (Normal) (G1 Evacuation Pause) 1234M->456M(2048M) 42.3ms此行表明第42次 GC 是一次 G1 年轻代回收：堆使用量从 1234MB 压缩至 456MB，总堆容量 2048MB，STW 耗时 42.3ms。
Pause Young暗示未触发并发标记周期；若出现Pause Mixed，则说明已进入标记辅助阶段并启动老年代部分回收。
内存增长拐点识别策略
| 字段 | 拐点信号 | 触发条件 |
|---|---|---|
Concurrent Cycle |
标记周期启动 | 堆使用率达 InitiatingOccupancyPercent（默认45%） |
to-space exhausted |
内存分配失败预警 | 混合回收无法腾出足够空间 |
promotion failed |
老年代晋升失败 → Full GC 风险 | 年轻代对象无法晋升至老年代 |
graph TD
A[Young GC] -->|堆使用率≥45%| B[并发标记启动]
B --> C[Remark STW]
C --> D[Mixed GC]
D -->|to-space exhausted| E[Full GC]4.2 将gctrace与heap profile交叉验证定位内存泄漏根因
当 GODEBUG=gctrace=1 输出显示 GC 频率异常升高（如每秒多次）且每次回收后 heap_alloc 未回落，需结合 heap profile 进一步分析。
启动带诊断的程序
GODEBUG=gctrace=1 go run -gcflags="-m -m" main.go 2>&1 | grep -E "(heap|alloc|GC)"该命令开启 GC 追踪并输出内联与逃逸分析，确认对象是否意外逃逸至堆——这是泄漏常见诱因。
采集堆快照
go tool pprof http://localhost:6060/debug/pprof/heap执行 top -cum 查看累积分配量最大的函数；web 命令生成调用图，定位持续增长的分配源头。
关键指标对照表
| 指标 | 健康值 | 泄漏征兆 |
|---|---|---|
gc N @X.Xs X.X% |
间隔 >5s | @0.2s, @0.3s 频发 |
heap_alloc |
波动后回落 | 单调递增，无明显下降 |
objects |
稳态波动±10% | 持续线性增长 |
交叉验证逻辑
graph TD
A[gctrace高频GC] --> B{heap profile中alloc_objects是否同步增长？}
B -->|是| C[定位alloc行号→检查未释放资源/全局map缓存]
B -->|否| D[可能为短暂大对象，非泄漏]4.3 针对不同GC代际（如Go 1.22+增量式标记）的trace解读策略升级
Go 1.22+ 增量式标记的核心变化
Go 1.22 将 STW 标记阶段彻底拆分为多个微小的增量标记周期（per-P 每次仅处理约 256 字节对象图），显著压缩 gcSTW 时长，但使 gcMark 分散在应用执行流中。
trace 事件语义重构
| 旧版（≤1.21） | 新版（≥1.22） |
|---|---|
GCSTW + GCMark |
GCMarkAssist / GCMarkWorker / GCMarkTimer |
| 单一长标记阶段 | 多次短标记切片 + 协助标记触发 |
// go tool trace 解析关键字段示例（需适配新版事件）
type GCEvent struct {
Phase string // "mark", "mark assist", "mark worker idle"
Spans int // 当前切片扫描对象数（非累计）
Duration int64 // μs 级别，通常 < 100μs
}该结构反映增量标记的离散性：Phase 区分主/辅标记上下文；Spans 不再表示全局进度，而是单次切片工作量；Duration 必须结合 goid 和时间戳聚合分析吞吐。
关键诊断路径
- 优先过滤
GCMarkWorker事件，按goid分组观察负载均衡性 - 若
GCMarkAssist频次突增且Duration > 50μs，表明 mutator 协助压力过大 GCMarkTimer触发间隔若
graph TD
A[mutator 分配内存] --> B{是否触发 assist?}
B -->|是| C[GCMarkAssist 事件]
B -->|否| D[后台 GCMarkWorker 定期扫描]
C & D --> E[共享 markBits bitmap]
E --> F[最终合并至全局标记状态]4.4 基于gctrace驱动的sync.Pool、对象复用与切片预分配实战调优
gctrace揭示内存压力热点
启用 GODEBUG=gctrace=1 可捕获GC频次与堆增长趋势，定位高频短生命周期对象。
sync.Pool + 预分配协同优化
var bufPool = sync.Pool{
New: func() interface{} {
b := make([]byte, 0, 1024) // 预分配1KB底层数组
return &b
},
}
make([]byte, 0, 1024)避免首次append触发扩容；Pool.New仅在无可用对象时调用，降低GC扫描压力。
关键参数对照表
| 场景 | 未优化内存分配 | Pool+预分配 |
|---|---|---|
| 单次请求分配1KB切片 | 1024B + GC开销 | 复用零分配 |
| QPS=5k时GC频率 | ~12s/次 | ~90s/次 |
对象生命周期流转
graph TD
A[请求到来] --> B{Pool.Get()}
B -->|命中| C[复用预分配切片]
B -->|未命中| D[调用New构造]
C & D --> E[业务处理]
E --> F[Pool.Put归还]第五章：面向云原生与eBPF时代的Go可观测性新范式
从被动埋点到内核级遥测：eBPF驱动的Go运行时洞察
传统OpenTelemetry SDK依赖应用层手动插桩（如trace.Span.Start()），存在侵入性强、遗漏关键路径（如GC暂停、goroutine阻塞、系统调用延迟）等问题。在Kubernetes集群中，我们部署了基于libbpf-go构建的eBPF探针，直接挂载到go:runtime·park、go:runtime·unpark及go:runtime·gcStart等USDT（User Statically-Defined Tracing）探针点。实测显示：单节点每秒可采集12万+ goroutine生命周期事件，延迟稳定在87μs以内（P99），远低于Prometheus拉取指标的15s间隔粒度。
零侵入网络可观测性：Go HTTP服务的TLS握手与连接池瓶颈定位
某金融级微服务在高并发下偶发HTTP 503错误，但Prometheus指标未见异常。我们通过eBPF程序tcp_connect和ssl:ssl_handshake_start钩子捕获每个Go net/http.Server实例的TLS握手耗时，并关联/proc/<pid>/fd/中的socket文件描述符信息。分析发现：约3.2%的连接在SSL_do_handshake阶段阻塞超2s——根源是Go默认http.Transport未配置TLSHandshakeTimeout，且后端证书吊销检查（OCSP Stapling）因DNS解析超时导致协程堆积。修复后P99 TLS延迟从1.8s降至42ms。
Go内存逃逸与分配热点的实时反演
使用bpftrace脚本监听go:runtime·mallocgc事件，结合perf采样获取调用栈符号，生成火焰图并叠加pprof堆分配数据。在一次线上OOM事件复盘中，发现encoding/json.(*decodeState).object在解析嵌套JSON时持续触发大对象分配，而该函数被github.com/gorilla/mux.(*Router).ServeHTTP高频调用。通过将JSON解析移至worker goroutine并启用json.Decoder流式解析，堆内存峰值下降64%，GC pause时间减少71%。
多语言服务网格中的Go可观测性对齐
| 在Istio服务网格中，Go服务与Java Spring Boot服务共存。我们统一采用OpenTelemetry Collector作为接收端，但Go侧通过eBPF补充Java无法获取的指标： | 指标维度 | Java（JVM Agent） | Go（eBPF + OTel SDK） |
|---|---|---|---|
| Goroutine阻塞时长 | 不支持 | ✅ go:scheduler:blocked |
|
| 网络连接重用率 | 仅统计HTTP连接池 | ✅ tcp:connect_reuse_ratio（基于socket inode追踪） |
|
| GC STW精确毫秒级分布 | ✅ | ✅ go:runtime::gcStopTheWorld |
构建自适应采样策略：基于eBPF信号的动态Trace降噪
为应对百万QPS场景下Trace爆炸问题，我们在eBPF程序中注入轻量级决策逻辑：当检测到runtime.GC触发且堆增长率>30%/min时，自动将当前Span采样率从1%提升至100%；若连续5个采样窗口内net/http.Server的WriteHeader耗时P99
// eBPF Go用户态控制器片段：动态更新采样率
func updateSamplingRate(rate uint32) error {
fd, err := bpf.OpenRawSocket("sampling_rate_map")
if err != nil {
return err
}
key := uint32(0)
return bpf.MapUpdateElem(fd, unsafe.Pointer(&key), unsafe.Pointer(&rate), 0)
}可观测性管道的可靠性保障：eBPF事件丢失熔断机制
eBPF perf buffer容量有限，在突发流量下可能丢弃事件。我们在用户态守护进程中启动独立goroutine，每10秒轮询/sys/fs/bpf/tracepoint/go/runtime/mallocgc/lost计数器。当单分钟丢失事件数超过阈值（如5000），自动触发告警并切换至备用路径：降级启用runtime.ReadMemStats轮询+net/http/pprof接口抓取，确保核心指标不中断。该机制已在生产环境连续运行217天零漏报。
flowchart LR
A[eBPF USDT Probe] --> B{Perf Buffer Full?}
B -->|Yes| C[Increment lost_counter]
B -->|No| D[Send to Userspace]
C --> E[Check /sys/fs/bpf/.../lost]
E --> F[>5000/min?]
F -->|Yes| G[Alert + Fallback to pprof]
F -->|No| H[Continue normal pipeline]