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
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。
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。