AIOps 一场颠覆传统运维的盛筵
699
2023-04-01
MogDB/openGauss 故障排查思路
前提
当我们收到反馈说数据库响应慢或者压测过程中数据库有报错,第一步先收集数据库服务器资源使用情况,这一步是处理所有故障的前提。
--负载 top 命令 htop 命令 --cpu lscpu 命令 --内存大小 free -g --磁盘大小 df-Th --磁盘使用跟踪 nohup iostat -xmt 1 > iostat.log 2>&1 & --网络延时 应用程序与数据库之间的网络延时,集群内主库与同步备库之间的网络延时 nohup ping 目标ip | awk '{ print $0"\t" strftime("%Y-%m-%d %H:%M:%S",systime())}' > ping.log 2>&1 &
*模拟网络延时小知识*
模拟同城机房网络延迟在0.7ms ~ 0.9ms ;
添加网络延迟模拟:tc qdisc add dev enp23s0f1(网卡) root netem delay 0.8ms 0.1ms ;
删除网络延时模拟:tc qdisc dev dev enp23s0f1(网卡) root netem delay 0.8ms 0.1ms。
常见问题
一.Xlog目录磁盘空间不足
Xlog日志目录满的原因有以下几个:
集群内有宕机的备节点,或者主备节点之间的网络不通;无效的复制槽未及时清理;开启归档,但归档失败;Xlog保留数量过多。
备节点故障:
通过网络及数据库日志信息,判断节点故障原因,并尽快恢复主备节点之间的复制关系,当故障无法快速解决时,建议修改数据库参数来改变主库Xlog保留大小。
enable_xlog_prune = on max_size_for_xlog_prune:默认是2T,建议修改值为104857600 (100GB),或根据磁盘空间自行调整
无效复制槽:
查看是否存在无效的复制槽导致Xlog清理不及时,需要将延时最大的复制槽删除。
--查看复制槽 select slot_name,coalesce(plugin,'_') as plugin, slot_type,datoid,coalesce(database,'_') as database, active,coalesce(xmin,'_') as xmin, pg_size_pretty(pg_xlog_location_diff(CASE WHEN pg_is_in_recovery() THEN pg_last_xlog_receive_location() ELSE pg_current_xlog_location() END , restart_lsn)) AS retained_bytes from pg_replication_slots; --清理复制槽 select pg_drop_replication_slot('slot_name');
归档失效:
先检查归档目录是否有归档日志,如果没有,需要查看数据库日志归档失效的原因。
Xlog参数不合理:
检查数据库Xlog保留参数值是否合理: wal_keep_segments。
二.CPU使用率高
除了数据库BUG、其他程序耗CPU高影响数据库外,绝大部分原因是SQL执行慢且并发量大引起。
1、当前正在执行的SQL汇总 select query,count(*) from pg_stat_activity group by query order by 2 desc limit 5; 2、查看SQL的执行计划 explain (analyze,costs,buffers,timing) QUERY 3、SQL涉及的表是否有表膨胀、索引失效或缺失或重复 的情况,这步可以处理80%的慢SQL --表结构 \d+ 表名 --表及索引占空间大小 SELECT CURRENT_CATALOG AS datname,nsp.nspname,rel.relname, pg_size_pretty(pg_total_relation_size(rel.oid)) AS totalsize, pg_size_pretty(pg_relation_size(rel.oid)) AS relsize, pg_size_pretty(pg_indexes_size(rel.oid)) AS indexsize, pg_size_pretty(pg_total_relation_size(reltoastrelid)) AS toastsize FROM pg_namespace nsp JOIN pg_class rel ON nsp.oid = rel.relnamespace WHERE nspname NOT IN ('pg_catalog', 'information_schema') AND rel.relkind = 'r' order by pg_total_relation_size(rel.oid) desc limit 20; --表膨胀 select schemaname,relname,n_live_tup,n_dead_tup, round((n_dead_tup::numeric/(case (n_dead_tup+n_live_tup) when 0 then 1 else (n_dead_tup+n_live_tup) end ) *100),2) as dead_rate from pg_stat_user_tables where n_live_tup > 0 and (n_dead_tup::numeric/(n_dead_tup+n_live_tup))>0 order by 5 desc limit 50; --索引使用率 select schemaname||'.'||relname tablename,schemaname||'.'||indexrelname indexname,idx_scan,idx_tup_read,idx_tup_fetch from pg_stat_user_indexes; --重复索引 SELECT pg_size_pretty(SUM(pg_relation_size(idx))::BIGINT) AS SIZE, (array_agg(idx))[1] AS idx1, (array_agg(idx))[2] AS idx2, (array_agg(idx))[3] AS idx3, (array_agg(idx))[4] AS idx4 FROM ( SELECT indexrelid::regclass AS idx, (indrelid::text ||E'\n'|| indclass::text ||E'\n'|| indkey::text ||E'\n'||COALESCE(indexprs::text,'')||E'\n' || COALESCE(indpred::text,'')) AS KEY FROM pg_index) sub GROUP BY KEY HAVING COUNT(*)>1 ORDER BY SUM(pg_relation_size(idx)) DESC; 4、根据执行计划判断SQL是否需要改写
三.内存不足
①.查看服务器物理内存整体使用情况。
②.检查数据库内存参数设置是否合理:
max_process_memory 建议设置物理内存80%;shared_buffers 建议设置为物理内存的40%。
数据库内存使用分布:
查看整体内存使用情况,当dynamic_used_memory 与 max_dynamic_memory 的值接近时说明动态内存可能不足,如果dynamic_peak_memory超过了max_dynamic_memory,说明曾经发生过OOM。
select * from gs_total_memory_detail;
连接过多耗尽内存
主要排除是连接数过多导致内存不足的场景
查看连接数分布 select state,count(*) from pg_stat_activity group by state; 各状态连接占用总内存情况 select state,pg_size_pretty(sum(totalsize)) from gs_session_memory_detail m,pg_stat_activity a where substring_inner(sessid,position('.' in sessid)+1)=a.sessionid group by state; 单会话占用内存排序 select sessid,pg_size_pretty(sum(totalsize)),pg_size_pretty(sum(freesize)) from gs_session_memory_detail group by sessid order by sum(totalsize) desc limit 10;
缓存机制
会话的缓存机制不合理,也会导致内存无法快速释放,可能与参数local_syscache_threshold有关系。
内存上下文使用内存分布 select contextname,pg_size_pretty(sum(totalsize)),pg_size_pretty(sum(freesize)) from gs_session_memory_detail group by contextname order by sum(totalsize) desc limit 10;动态内存高一般有以下几个原因:
总结:
①.连接数过多会导致动态内存耗尽,
如果是IDLE连接多,可能是开发端长连接保留数量不合理;如果是ACTIVE连接多,可能是硬件内存不足,需要扩内存。
②.单个会话占用内存多,需要根据SQL去分析占用内存情况。
关于作者
高云龙,云和恩墨服务总监。长期从事PG运维工作,目前在支持openGauss生态发展。
发表评论
暂时没有评论,来抢沙发吧~