# 监控告警


本文描述对GreatSQL数据库进行监控有哪几个主要关注点。

除去常规的服务的可用性、性能监控外,对GreatSQL数据库的监控建议关注以下几方面:

  1. SQL平均响应耗时
  2. 锁、等待事件
  3. 大事务
  4. MGR监控

下面我们针对这几个不同监控维度进行详细介绍。

# 1. SQL平均响应耗时

除了TPS、QPS外,SQL平均响应耗时也是衡量数据库性能的重要指标之一。

TPS、QPS好比高速公路收费站闸机每分钟能通过多少辆车,而SQL平均响应耗时则是每辆车通过闸机的平均耗时。

前者考验收费站单位时间内的处理能力,后者是作为用户体验的衡量维度。

前者通过增设闸机数量(提高并发度),即可提高处理能力;而后者则需要通过优化闸机处理机制(优化数据库 & 每条SQL),才能提高响应效率。

在GreatSQL中,可以利用 benchmark() 函数来衡量SQL平均响应耗时:

greatsql> \help benchmark
Name: 'BENCHMARK'
Description:
Syntax:
BENCHMARK(count,expr)
...
Examples:
greatsql> SELECT BENCHMARK(1000000,AES_ENCRYPT('hello','goodbye'));
+---------------------------------------------------+
| BENCHMARK(1000000,AES_ENCRYPT('hello','goodbye')) |
+---------------------------------------------------+
|                                                 0 |
+---------------------------------------------------+
1 row in set (4.74 sec)

即调用 benchmark() 函数进行固定次数的计算,根据其耗时,作为SQL平均响应耗时的衡量指标。

并且可以在业务空闲时段取得该值作为基准数据,再根据业务高峰时期的耗时作为对比,即可知道业务高峰期SQL平均响应耗时增加了多少,效率降低了多少。

例如:

time mysql -q -N -s -e "SELECT BENCHMARK(100000,AES_ENCRYPT('hello','goodbye'))"
0

real    0m0.024s
user    0m0.001s
sys     0m0.004s

这就可以得到耗时是 0.024s,即可认为当前SQL平均响应耗时是及24ms,通过监控系统在不同时段获取该值,即可知道这个指标的变化波动幅度了。

# 2. 锁、等待事件

# 2.1 当前行锁数量

greatsql> select * from performance_schema.global_status where variable_name = 'Innodb_row_lock_current_waits';
+-------------------------------+----------------+
| VARIABLE_NAME                 | VARIABLE_VALUE |
+-------------------------------+----------------+
| Innodb_row_lock_current_waits | 0              |
+-------------------------------+----------------+

当该值大于0的时候,就要立即发出告警,表示当前存在行锁等待事件,要检查是否有事务持有行锁未释放。

# 2.2 IBP wait free

greatsql> select * from performance_schema.global_status where variable_name = 'Innodb_buffer_pool_wait_free';
+-------------------------------+----------------+
| VARIABLE_NAME                 | VARIABLE_VALUE |
+-------------------------------+----------------+
| Innodb_buffer_pool_wait_free  | 0              |
+-------------------------------+----------------+

当该值大于0的时候,就要立即发出告警,表示InnoDB Buffer Pool严重不够用,如果物理内存足够,则适当加大,或者迁移到更高内存的服务器上。

# 2.3 InnoDB log wait

greatsql> select * from performance_schema.global_status where variable_name = 'Innodb_log_waits';
+------------------+----------------+
| VARIABLE_NAME    | VARIABLE_VALUE |
+------------------+----------------+
| Innodb_log_waits | 0              |
+------------------+----------------+

当该值大于0的时候,就要立即发出告警,表示InnoDB Log Buffer严重不够用,如果物理内存足够,则适当加大,或者迁移到更高内存的服务器上。

# 2.4 InnoDB Purge Lag

greatsql> SELECT `COUNT`,`COMMENT` FROM INFORMATION_SCHEMA.INNODB_METRICS WHERE NAME = 'trx_rseg_history_len';
+-------+-------------------------------------+
| COUNT | COMMENT                             |
+-------+-------------------------------------+
|    14 | Length of the TRX_RSEG_HISTORY list |
+-------+-------------------------------------+

greatsql> pager cat - | grep -i 'History list length'
PAGER set to 'cat - | grep -i 'History list length''

# 或者换一种方式查看
greatsql> show engine innodb status\G
History list length 4

当该值超过2000后,就要立即发出告警,表示当前等待被purge的队列较大,需要检查是否物理I/O存在瓶颈,或者有个大事务提交了。

# 3. 大事务

在生产环境中,可能因为种种原因产生大事务,或者运行很长时间的事务。

这些事务中可能对数据库执行大量修改操作,需要持有行锁、MDL锁等资源,如果事务长时间不提交/回滚,则可能对其他业务请求造成严重影响,这些请求可能会被长时间阻塞。

因此,需要关注运行中的大事务、长事务,一旦发现超过阈值,就应当发出告警。

# 找到活跃时间最长的事务
greatsql> SELECT * FROM information_schema.innodb_trx ORDER BY trx_started ASC LIMIT 1;

# 找到等待时间最长的事务
greatsql> SELECT * FROM sys.innodb_lock_waits ORDER BY wait_age_secs DESC LIMIT 1;

# 找到特别需要关注的事务
greatsql> SELECT * FROM information_schema.innodb_trx WEHRE
  trx_lock_structs >= 5 OR    -- 持有超过5把锁
  trx_rows_locked >= 100 OR   -- 超过100行被锁
  trx_rows_modified >= 100 OR -- 超过100行被修改
  TIME_TO_SEC(TIMEDIFF(NOW(),trx_started)) > 100;    -- 事务活跃超过100秒

以上阈值可根据实际情况进行调整,需要对生产环境中的活跃大事务保持关注,避免造成连锁影响。

# 4. MGR监控

对MGR除了监控其服务状态外,更重要的是监控各节点间的事务延迟情况,以此判断各节点的事务处理能力,以及评估是否需要提升服务器配置等级。

greatsql> SELECT MEMBER_ID AS id, COUNT_TRANSACTIONS_IN_QUEUE AS trx_tobe_certified,
  COUNT_TRANSACTIONS_REMOTE_IN_APPLIER_QUEUE AS relaylog_tobe_applied,
  COUNT_TRANSACTIONS_CHECKED AS trx_chkd,
  COUNT_TRANSACTIONS_REMOTE_APPLIED AS trx_done,
  COUNT_TRANSACTIONS_LOCAL_PROPOSED AS proposed
  FROM performance_schema.replication_group_member_stats;
+--------------------------------------+-------------------+---------------------+----------+----------+----------+
| id                                   |trx_tobe_certified |relaylog_tobe_applied| trx_chkd | trx_done | proposed |
+--------------------------------------+-------------------+---------------------+----------+----------+----------+
| 4ebd3504-11d9-11ec-8f92-70b5e873a570 |                 0 |                   0 |   422248 |        6 |   422248 |
| 549b92bf-11d9-11ec-88e1-70b5e873a570 |                 0 |              238391 |   422079 |   183692 |        0 |
| 5596116c-11d9-11ec-8624-70b5e873a570 |              2936 |              238519 |   422115 |   183598 |        0 |
| ed5fe7ba-37c2-11ec-8e12-70b5e873a570 |              2976 |              238123 |   422167 |   184044 |        0 |
+--------------------------------------+-------------------+---------------------+----------+----------+----------+

其中,relaylog_tobe_applied 的值表示远程事务写到relay log后,等待回放的事务队列,trx_tobe_certified 表示等待被认证的事务队列大小,这二者任何一个值大于0,都表示当前有一定程度的延迟,应当发出告警。

还可以通过关注上述两个数值的变化,看看两个队列是在逐步加大还是缩小,据此判断Primary节点是否"跑得太快"了,或者Secondary节点是否"跑得太慢"。

如果某个节点上的 relaylog_tobe_applied 值特别大,则要引起关注,检查该节点上的业务压力是否过大,或者服务器配置是否有问题。

关于MGR监控,更多详情参考文档:MGR状态监控 (opens new window)

# 问题反馈