概述

在现网业务中需要定期对数据库实例进行巡检并输出健康报告。DBMind构建了二十多个巡检项,包括硬件状态、实例状态、数据库资源、数据库性能与诊断优化等类别,并对其中关键资源指标趋势进行风险判断,避免不易发现的潜在问题影响实例健康。同时,支持生成日报、周报、月报供用户查看,并基于当前巡检项情况给出健康评分。支持用户对巡检项自定义设置告警阈值,方便用户根据业务特性进行调整,避免无意义告警。

说明:

  • 月报与周报生成约束:
  • 如果未构建日报,则无法生成周报与月报;
  • 当日报数量不满足连续7天时,无法生成这7天对应的周报;
  • 当日报数量不满足连续14天以上时,无法生成对应的月报;
  • 如出现实例IP和port的变化,会导致周报/月报无法生成;
  • 如节点实例被删除,会导致周报/月报无法生成;
  • 采用定时方式生成周报和月报时,建议控制并发量,避免影响实时任务。
  • 在配置文件中,必须将实例的IP地址映射关系记录到ip_map中,否则无法确保巡检时获取到的是实例的管理IP地址。
  • 周报和月报仅支持对所有巡检项进行巡检,不支持部分巡检项的拼接;因此周报和月报的自定义阈值需要由前端传入,规则与实时巡检等一致,没有传入的巡检项默认不进行告警(除了部分由前端控制的巡检项,见使用指导)。
  • 调用巡检接口时需要传递实例,该实例必须为主数据库实例。
  • 智能巡检中db_size、buffer_hit_rate、db_tmp_file、db_deadlock、db_transaction等巡检项仅展示主节点的数据库结果,如果出现主备切换等主节点切换的情况,可能出现结果跳变(不同节点的结果拼接)。
  • 智能巡检中db_size、buffer_hit_rate、db_transaction、db_tmp_file、db_deadlock等巡检项仅展示主节点的数据库结果;user_login_out、db_latency、thread_pool等巡检项展示所有节点的结果;xlog_accumulate巡检项展示所有节点的结果。
  • 为了确保不遗漏关键信息,log_error_check和core_dump这两个巡检项在实时巡检中仅支持分析最近45小时内的数据。其他巡检项的数据分析则不能超出TSDB(时序数据库)的数据存储范围,以确保数据的完整性和可用性。
  • 日报无论是否选择GUC参数巡检,均不会影响周检和月检的全量校验,依然能够生成周报/月报;此外,周报和月报不选择GUC参数巡检,不会获取GUC参数巡检结果;选择GUC参数巡检,均会生成GUC参数巡检结果。
  • 智能巡检暂不支持容灾数据库实例。
  • 当数据库实例只有单节点时,ping_packet_rate指标没有数据,无法进行网络状态巡检获取对应数据。
  • 动态内存、程序内存、其他内存三个巡检项依赖于pg_total_memory_detail_mbytes指标,当pv_total_memory_detail视图无法查询时,无法获取相关数据进行巡检。
  • 负载高、网络异常和数据库实例不可用的场景下,巡检功能不可用。
  • 由于oldestXmin长时间未推进巡检项需要采集12小时数据来判断是否推进,因此在前12小时内,该巡检项无数据。
  • 除top_query、long_transaction和guc_param三个巡检项取当前值作为巡检结果,其余巡检项均取起止时间范围内数据进行巡检,实时巡检默认时间范围为[当前时间-6小时, 当前时间],日检默认时间范围为[昨天00:00, 今天00:00]。
  • 在prometheus中构造数据导致出现两个实例一致的数据时,由于DBMind依赖prometheus进行数据采集,因此无法判断数据是否存在异常,此构造场景下巡检结果无法保证准确。

表 1 巡检项与权重设置

巡检类

巡检项

巡检字段

分数权重

系统资源

system_resource

CPU使用率。

os_cpu_usage

0.06

系统磁盘占用率。

os_disk_usage

0.06

内存使用率。

os_mem_usage

0.06

磁盘I/O使用率。

os_disk_ioutils

0.06

网络状况。

network_packet_loss

0.06

实例状态

instance_status

组件异常。

component_error

0.05

数据库资源

database_resource

数据库目录占用率。

data_directory

0.04

数据库日志目录占用率。

log_directory

0.04

数据库大小。

db_size

0

数据库性能

database_performance

Buffer命中率。

buffer_hit_rate

0.03

用户登录登出次数。

user_login_out

0

活跃Session率。

active_session_rate

0.03

日志异常检查。

log_error_check

0.03

线程池占用率。

thread_pool

0.03

数据库时延。

db_latency

0.08

数据库事务。

db_transaction

0

数据库临时文件大小。

db_tmp_file

0

数据库执行语句。

db_exec_statement

0

数据库死锁。

db_deadlock

0.03

数据库TPS性能。

db_tps

0

数据库Top Query。

db_top_query

0

长事务。

long_transaction

0.05

Xlog堆积。

xlog_accumulate

0.05

oldestXmin长时间未推进。

xmin_stuck

0.05

诊断优化

diagnosis_optimization

Core dump。

core_dump

0.04

动态内存。

dynamic_memory

0.04

程序内存。

process_memory

0.04

其他内存。

other_memory

0.03

GUC参数。

guc_params

0.04

各巡检项实现细节与告警设置

  • 系统资源

    • CPU使用率:获取TSDB中的“os_cpu_user_usage”和“os_cpu_iowait_usage”两个指标。

      • 对于os_cpu_user_usage,观测数值是否大于0.7,若超出阈值,则进行告警;最后,进行趋势预测,判断未来24小时数值是否大于0.7,若超出阈值,则进行告警。
      • 对于os_cpu_iowait_usage,当数值大于0.3时,进行告警。
    • 系统磁盘占用率:获取TSDB中的“os_disk_usage”指标,观测其中系统盘(mount_point='/')的磁盘使用率,当数值大于0.8时,进行告警。

    • 系统总内存使用率:获取TSDB中的“os_mem_usage”指标,当发现持续上升时会进行告警;当数值大于0.7时,进行告警;最后,进行趋势预测,如果判断未来24小时数值大于0.8,进行告警。

    • 磁盘I/O使用率:获取TSDB中的“os_disk_ioutils”指标,当数值大于0.8时,进行告警。

    • 网络状况:获取TSDB中的“ping_packet_rate”指标,得出数据库节点间的网络连接状况,当丢包率大于0.05时,进行告警。

  • 实例状态

    • 组件异常:根据instance从元数据库中获取节点的状态信息,得出时间范围内当前数据库实例的状态,当出现异常状态(即值不为-1)时,进行告警。
  • 数据库资源

    • 数据库目录占用率:获取TSDB中的“pg_node_info_uptime”指标,解析出各个数据库实例的数据目录,同时获取“process_cpu_usage”指标,匹配判断是否存在change_root,存在则组合成正确的目录路径,然后获取“os_disk_usage”指标,匹配判断对应数据目录的占用率,当发现持续上升时,进行告警;当数值大于0.8时,进行告警;最后,进行趋势预测,如果判断未来24小时数值大于0.8,进行告警;判断文件系统类型是否有误,不匹配则进行告警,匹配范围为['xfs', 'ext3', 'ext4']。
    • 数据库日志目录占用率:获取TSDB中的“pg_node_info_uptime”指标,然后解析出各个数据库实例的日志目录,同时获取“process_cpu_usage”指标,匹配判断是否存在change_root,存在则组合成正确的目录路径,,然后获取“os_disk_usage”指标,匹配判断对应日志目录的占用率,当发现持续上升时会进行告警,当数值大于0.8时,同样进行告警,再进行趋势预测,如果判断未来24小时数值大于0.8,也会进行告警,最后还会判断文件系统类型是否有误,不匹配则进行告警,匹配范围为['xfs', 'ext3', 'ext4']。
    • 数据库大小:获取TSDB中的“pg_database_size_bytes”指标,获取所有数据库的大小并进行记录,用于前端进行趋势展示。暂无告警。
  • 数据库性能

    • Buffer命中率:获取TSDB中的“pg_db_blks_access”指标,当数值大于0.9时,进行告警。
    • 用户登录登出次数:获取TSDB中的“user_login”和“user_logout”两个指标,获取1分钟内平均每秒用户登录/登出次数,用于前端进行趋势展示。暂无告警。
    • 活跃Session率:获取TSDB中的活跃会话数active_connection和总会话数total_connection指标,活跃session率即为active_connection / total_connection,当其比值小于0.8时,进行告警。
    • 日志异常检查:获取TSDB中日志相关的指标,统计每种日志错误出现的次数并进行相加,如果出现日志异常,则将日志异常的出现次数返回前端,进行告警。具体指标为'deadlock_count', 'login_denied', 'errors_rate', 'panic', 'dn_ping_standby', 'node_restart', 'node_start', 'cn_status', 'dn_status', 'gtm_status', 'dn_writable_failed', 'etcd_io_overload', 'cms_heartbeat_timeout_restart', 'cms_phonydead_restart', 'cms_cn_down', 'cn_restart_time_exceed', 'cms_read_only', 'cms_restart_pending', 'cms_heartbeat_timeout', 'etcd_restart', 'etcd_not_connect_dial_tcp', 'etcd_auth_failed', 'etcd_overload', 'etcd_sync_timeout', 'etcd_disk_full', 'etcd_be_killed', 'bind_ip_failed', 'gtm_disconnected_to_primary', 'gtm_panic', 'ffic'。
    • 线程池占用率:获取TSDB中的“pg_thread_pool_rate”指标,当发现持续上升时会进行告警,当数值小于0.9时,进行告警。
    • 数据库时延:获取TSDB中的“statement_responsetime_percentile_p95”和“statement_responsetime_percentile_p80”两个指标,暂无告警。
    • 数据库事务:获取TSDB中的“pg_db_xact_commit”和“pg_db_xact_rollback”两个指标,获取数据库中提交和回滚的次数,用于前端进行趋势展示。暂无告警。
    • 数据库临时文件大小:获取TSDB中的“pg_db_temp_files”指标,获取数据库临时文件的大小,用于前端进行趋势展示。暂无告警。
    • 数据库执行语句:获取TSDB中的“pg_sql_count_select”、“pg_sql_count_update”、“pg_sql_count_insert”和“pg_sql_count_delete”四个指标,获取数据库中select、update、insert、delete的执行次数,用于前端进行趋势展示。暂无告警。
    • 数据库死锁:获取TSDB中的“pg_db_deadlocks”指标,获取数据库中出现的死锁情况,当死锁数不为0时,表示数据库出现死锁。数值表示死锁数量。暂无告警。
    • 数据库TPS性能:获取TSDB中的“qps_by_instance”和“qps”两个指标,获取数据库的QPS和TPS信息,用于前端进行趋势展示。暂无告警。
    • 数据库Top Query:通过执行SQL语句从dbe_perf.statement查询出现调用次数最多的TopK个查询,用于前端展示。当前K为10。暂无告警。
    • 长事务:通过执行SQL语句从pg_catalog.pg_stat_activity查询超过12小时未结束的活跃事务,当返回结果列表的长度大于0时,表示存在长事务,进行告警。
    • xLog堆积:获取TSDB中的“xlog_count”指标,获取xlog目录下的文件数量,当数量大于3000时,进行告警。
    • oldestXmin长时间未推进:获取TSDB中的“oldestxmin_increase”指标,当oldestxmin超过12小时未出现变化,则表示长时间未推进,此时巡检返回数据中数值为0,进行告警。
  • 诊断优化

    • Core dump:获取TSDB中的“log_ffic”指标,当返回值中count大于0时,表示出现core dump,进行告警。
    • 动态内存:获取TSDB中的“pg_total_memory_detail_mbytes”指标,计算其中“dynamic_used_memory”相对于“max_dynamic_memory”的比例,当数值大于0.8时,进行告警;计算其中“dynamic_used_shrctx”相对于“max_dynamic_memory”的比例,当数值大于0.8时,同样进行告警。
    • 程序内存:获取TSDB中的“pg_total_memory_detail_mbytes”指标,计算其中“process_used_memory”相对于“max_process_memory”的比例,当数值大于0.8时,进行告警。
    • 其他内存:获取TSDB中的“pg_total_memory_detail_mbytes”指标,获取其中“other_used_memory”的值,当发现持续上升时会进行告警,当超过20G时,进行告警。
    • GUC参数:获取TSDB中的“pg_total_memory_detail_mbytes”和“pg_settings_setting”指标,获取其中“max_process_memory”、“shared_buffers”和“work_mem”的值,将当前的值与DBMind根据workload推算出的最优参数进行对比,如果当前参数与最优参数相差大,结果中的warning字段为true,进行告警。
      • 对于"work_mem":

        • 独立部署DN时,最优值a= (内存/16G) * 16MB,如果a>128MB,设置为128MB,若a < 16MB, 设置 16MB。基于最优值取[0.9a, 1.1a]作为可选区间,当实际work_mem参数在[0.9a, 1.1a]范围外时,进行告警。
      • 对于"max_process_memory":

        • 系统总内存> 256GB,设置:系统总内存 *0.875。
        • 系统总内存<=256GB && 系统总内存>=128GB,设置:内存*0.75。
        • 系统总内存<128GB,设置:系统总内存 * 0.625。
      • 对于"shared_buffer":

        最优值:系统总内存/4。

说明: 健康评分根据各巡检项的重要性权重以及异常程度来给出评分,最后汇总成当前实例的健康评分,具体计算公式如下: 上述: Si = 0 or 1(其中0代表巡检项异常,1代表正常)。 此外,结论中会提供TOP3列表,TOP3指的是异常情况最严重的三个巡检项,通过统计各个巡检项的异常数量,再结合巡检项的权重进行排序,取前3个作为TOP3列表,如果没有异常,则为空。 各巡检项的异常数量:网络状态按照双向通信异常进行计算;buffer_hit_rate巡检项按照数据库实例异常数量计算;长事务按照长事务数量进行计算;其他巡检项按照节点异常数量进行计算。

支持的巡检自定义阈值

当前巡检项的告警类型与默认设置如下表所示。

  • √和范围表示该巡检项已设置默认告警阈值。
  • -表示该巡检项支持设置对应告警类型。
  • ×表示该巡检项不支持设置对应告警类型。

巡检项

巡检项

数值范围

异常类型

判断标准

超过阈值

预测超过阈值

持续上升

文件类型有误

CPU使用率-os_cpu_user_usage

os_cpu_usage

[0, 1]

>0.7

>0.7

×

×

任意异常出现则告警。

CPU使用率-os_cpu_iowait_usage

os_cpu_usage

[0, 1]

>0.3

-

-

×

任意异常出现则告警。

磁盘I/O使用率

os_disk_ioutils

[0, 1]

>0.8

-

-

×

任意异常出现则告警。

系统磁盘占用率

os_disk_usage

[0, 1]

>0.8

-

-

×

任意异常出现则告警。

内存使用率

os_mem_usage

[0, 1]

>0.7

>0.8

×

任意异常出现则告警。

网络状况

network_packet_loss

[0, 1]

>0.05

-

×

×

任意异常出现则告警。

组件异常

component_error

×

×

×

×

×

任意异常出现则告警。

数据库目录占用率

data_directory

[0, 1]

>0.8

>0.8

-

任意异常出现则告警。

数据库日志目录占用率

log_directory

[0, 1]

>0.8

>0.8

-

任意异常出现则告警。

数据库大小

db_size

[0, ∞)

-

-

-

×

暂无告警。

Buffer命中率

buffer_hit_rate

[0, 1]

<0.9

-

×

×

任意异常出现则告警。

用户登录登出次数

user_login_out

[0, ∞)

-

-

-

×

暂无告警。

活跃Session率

active_session_rate

[0, 1]

<0.8

-

×

×

任意异常出现则告警。

日志异常检查

log_error_check

×

×

×

×

×

存在则告警。

线程池占用率

thread_pool

[0, 1]

>0.9

-

×

任意异常出现则告警。

数据库时延

db_latency

[0, ∞)

-

-

×

×

任意异常出现则告警。

数据库事务

db_transaction

[0, ∞)

-

-

-

×

暂无告警。

数据库临时文件大小

db_tmp_file

[0, ∞)

-

-

-

×

暂无告警。

数据库执行语句

db_exec_statement

[0, ∞)

-

-

×

×

暂无告警。

数据库死锁

db_deadlock

[0, ∞)

-

-

-

×

暂无告警。

数据库TPS性能

db_tps

[0, ∞)

-

-

-

×

暂无告警。

数据库Top Query

db_top_query

×

×

×

×

×

暂无告警。

长事务

long_transaction

×

×

×

×

×

存在则告警。

oldestXmin长时间未推进

xmin_stuck

[0, ∞)

×

×

×

×

任意异常出现则告警。

Xlog堆积

xlog_accumulate

[0, ∞)

>3000

-

-

×

任意异常出现则告警。

Core dump

core_dump

×

×

×

×

×

存在则告警。

动态内存

dynamic_memory

[0, 1]

>0.8

-

-

×

任意异常出现则告警。

程序内存

process_memory

[0, 1]

>0.8

-

-

×

任意异常出现则告警。

其他内存

other_memory

[0, ∞)

>20*1024

-

×

任意异常出现则告警。

GUC参数

guc_params

×

×

×

×

×

warning中存在值则告警。

说明:

  • 持续上升和预测超过阈值两类告警涉及检测算法,会占用DBMind性能,配置时减少开启的数量,避免影响服务性能以及返回时间等。
  • 持续上升检测器除了判断数据本身持续上升以外,还需要时间范围内80%以上的数据超过阈值范围,才判断为持续上升告警。
  • 预测超过阈值(告警)需要设置预测的时间范围,以分钟为单位,设置范围(0, 48 * 60]。建议设置的预测时间长度小于巡检数据的时间长度,或者通过自定义阈值调整预测的时间长度。 预测超过阈值(告警)会预测未来时间范围内的数值,判断数值是否存超过阈值。预测超过阈值对于巡检数据不进行判断,如果巡检数据已经超过阈值,仍会继续进行预测,判断未来是否会一直超过阈值,还是会在某个时间点回归正常范围。
意见反馈
编组 3备份
    openGauss 2025-06-07 22:42:34
    取消