MogDB/openGauss 故障排查思路

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。