发生即看见一切可回溯TiDB故障诊断与性能排查探讨

在企业遭遇的 IT 故障中，约有 30% 与数据库相关当这些故障涉及到应用系统、网络环境、硬件设备时，恢复时间可能达到数小时，对业务连续性造成破坏，影响用户体验甚至营收在复杂分布式系统场景下，如何提高数据库的可观测性，帮助运维人员快速诊断问题，优化故障处理流程一直是困扰着企业的一大难题。

一次海量数据场景下的性能排查经历没有 continuous profiling 的客户故障排查案例19:15 新节点上线19:15 - 19:32 上线的节点由于 OOM 反复重启，导致其他节点上 Snapshot 文件积累，节点状态开始异常

19:32 收到响应时间过长业务报警19:56 客户联系 PingCAP 技术支持，反映情况如下： 集群响应延迟很高，一个 TiKV 节点加入集群后发生掉量，而后删除该节点，但其他 TiKV 节点出现 Disconnect Store 现象，同时发生大量 Leader 调度，集群响应延迟高，服务挂掉

20:00 PingCAP 技术支持上线排查20:04 - 21:08 技术支持对多种指标进行排查，从 metrics 的 iotop 发现 raftstore 线程读 io 很高，通过监控发现有大量的 rocksdb snapshot 堆积，怀疑是 region snapshot 的生成导致的，建议用户删掉之前故障 TiKV 节点上的 pending peer，并重启集群。

20:10 ~ 20:30 技术支持同时对 profiling 信息排查，抓取火焰图，但因为抓取过程中出问题的函数没有运行，没有看到有用的信息。

火焰图的查看方式：（源自：https://www.brendangregg.com/flamegraphs.html）y 轴表示调用栈，每一层都是一个函数调用栈越深，火焰就越高，顶部就是正在执行的函数，下方都是它的父函数。

x 轴表示抽样数，如果一个函数在 x 轴占据的宽度越宽，就表示它被抽到的次数多，即执行的时间长注意，x 轴不代表时间，而是所有的调用栈合并后，按字母顺序排列的火焰图就是看顶层的哪个函数占据的宽度最大只要有 。

"平顶"（plateaus），就表示该函数可能存在性能问题颜色没有特殊含义，因为火焰图表示的是 CPU 的繁忙程度，所以一般选择暖色调从以上查看方式可以发现，这次抓取到的火焰图并没有一个大的 “平顶”，所有函数的宽度（执行时间长）都是不会太大。

在这个阶段，没能直接从火焰图发现性能瓶颈是令人失望的这时候客户对于恢复业务已经比较着急21:10 通过删除 pod 的方式重启了某个 TiKV 节点之后，发现 io 并没有降下来21:10 - 21:50 客户继续尝试通过删除 pod 的方式重启 TiKV 节点。

21:50 再次抓取火焰图，发现 raftstore::store::snap::calc_checksum_and_size 函数处占用的大量的 CPU，确认根因。

这次抓取到的火焰图发现一个明显的 “大平顶”，可以明显看到是 raftstore::store::snap::calc_checksum_and_size 函数这个函数占用了大量的 CPU 执行时长，可以确定整体性能瓶颈就在这里函数相关的功能。

到这一步，我们确定了根因，并且也可以根据根因确定恢复方案22:04 采取操作：停止 TiKV pod，删除流量大的 TiKV 节点 snap 文件夹下所有 gen 文件目前逐渐恢复中22:25 业务放量，QPS 恢复原先水平，说明操作有效。

22:30 集群完全恢复集群恢复耗时：19:56 - 22:30，共 2 小时 34 分（154 分） 确认根因，提出有效操作耗时：19:56 - 22:04，共 2 小时 8 分（128 分）在这个案例中，如果我们能够有一个在故障前、中、后期，连续性地对集群进行性能分析的能力，我们就可以直接对比故障发生时刻和故障前的火焰图，快速发现占用 CPU 执行时间较多的函数，极大节约这个故障中发现问题根因的时间。

因此，同样的案例，如果有 continuous profiling 功能：19:15 新节点上线19:15 - 19:32 上线的节点由于 OOM 反复重启，导致其他节点上 snapshot 文件积累，节点状态开始异常

19:32 收到响应时间过长业务报警19:56 客户联系 PingCAP 技术支持，反映情况如下： 集群响应延迟很高，一个 TiKV 节点加入集群后发生掉量，而后删除该节点，但其他 TiKV 节点出现 Disconnect Store 现象，同时发生大量 Leader 调度，集群响应延迟高，服务挂掉

20:00 PingCAP 技术支持上线排查20:04 - 20:40 技术支持对多种指标进行排查，从 metrics 的 iotop 发现 raftstore 线程读 io 很高，通过监控发现有大量的 rocksdb snapshot 堆积，怀疑是 region snapshot 的生成导致的

20:10 ~ 20:40 技术支持同时对 continuous profiling 信息排查，查看故障发生时刻的多个火焰图，与未发生故障的正常火焰图对比，发现 raftstore::store::snap

::calc_checksum_and_size 函数占用的大量的 CPU，确认根因20:55 采取操作：停止 TiKV pod，删除流量大的 TiKV 节点 snap 文件夹下所有 gen 文件目前逐渐恢复中。

21:16 业务放量，QPS 恢复原先水平，说明操作有效21:21 集群完全恢复集群恢复（预期）耗时：19:56 ~ 21:21，共 1 小时 25 分（85 分），相比下降 44.8 % 确认根因，提出有效操作（预期）耗时：19:56~20:55，共 59 分，相比下降 53.9 %。

可以看到该功能可以极大缩短确定根因时间，尽可能帮助客户挽回因性能故障造成的业务停摆损失“持续性能分析” 功能详解在刚刚发布的 TiDB 5.3 版本中，PingCAP 率先在数据库领域推出 “持续性能分析”（Continuous Profiling）功能（目前为实验特性），跨越分布式系统可观测性的鸿沟，为用户带来数据库源码水平的性能洞察，彻底解答每一个数据库问题。

“持续性能分析” 是一种从系统调用层面解读资源开销的方法引入该方法后，TiDB 提供了数据库源码水平的性能洞察，通过火焰图的形式帮助研发、运维人员定位性能问题的根因，无论过去现在皆可回溯持续性能分析以低于 0.5% 的性能损耗实现了对数据库内部运行状态持续打快照（类似 CT 扫描），以火焰图的形式从系统调用层面解读资源开销，让原本。

黑盒的数据库变成白盒。在 TiDB Dashboard 上一键开启持续性能分析后，运维人员可以方便快速地定位性能问题的根因。

火焰图示例主要应用场景当数据库意外宕机时，可降低至少 50% 诊断时间在互联网行业的一个案例中，当客户集群出现报警业务受影响时，因缺少数据库连续性能分析结果，运维人员难以发现故障根因，耗费 3 小时才定位问题恢复集群。

如果使用 TiDB 的持续性能分析功能，运维人员可比对日常和故障时刻的分析结果，仅需 20 分钟就可恢复业务，极大减少损失在日常运行中，可提供集群巡检和性能分析服务，保障集群持续稳定运行持续性能分析是 TiDB 集群巡检服务的关键，为商业客户提供了集群巡检和巡检结果数据上报。

客户可以自行发现和定位潜在风险，执行优化建议，保证每个集群持续稳定运行在数据库选型时，提供更高效的业务匹配在进行数据库选型时，企业往往需要在短时间内完成功能验证、性能验证的流程持续性能分析功能能够协助企业更直观地发现性能瓶颈，快速进行多轮优化，确保数据库与企业的业务特征适配，提高数据库的选型效率。

深入了解和体验 “持续性能分析”，请查看：https://docs.pingcap.com/zh/tidb/stable/continuous-profiling了解更多 TiDB 5.3.0 版本功能亮点，请查看：

TiDB 5.3 发版 —— 跨越可观测性鸿沟，实现 HTAP 性能和稳定性的新飞跃性能优化持续性能分析

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。