【SOP】最佳实践之 TiDB 业务读变慢分析

作者: 李文杰_Jellybean 原文来源: https://tidb.net/blog/3cf4615e

前言

正如前一篇文章 TiDB 业务写变慢分析 提到的场景类似,在使用或运维管理 TiDB 的过程中,大家几乎都遇到过 SQL 变慢的问题,而且可能更多的是查询相关的读变慢问题。同样地,读变慢的问题大部分情况下也具有一定的规律可循,通过经验的积累可以快速的定位和优化,不好排查的问题需要从读 TiDB 的每个过程一一排查和分析处理。

本文针对读 TiDB 集群的场景,总结业务 SQL 在查询突然变慢时的分析和排查思路,旨在沉淀经验、共享与社区。

读原理

业务 SQL 从客户端发送到 TiDB 集群后,主要经历解析、生成执行计划、执行查询、返回查询结果这几个流程。如下所示是 TiDB 读过程的架构简图:

【SOP】最佳实践之 TiDB 业务读变慢分析_第1张图片

来自客户端的每个读取数据的操作,TiDB 也会将其封装为读事务,通常情况下事务在执行的过程分别会与 TiDB Server、TiPD Server 和 TiKV Server进行交互。

  • TiDB Server

    • 用户提交的业务 SQL 经过 Protocol Layer 进行 SQL 协议转换后,内部 PD Client 向 TiPD Server 申请到一个 TSO,此 TSO 即为读事务的开始时间 txn_start_tso,同时也是该读事务在全局的唯一 ID。

    • TiDB Server 在解析前会将 SQL 做分类,分为 KV 点查询(唯一键查询,Point Get)和 DistSQL 复杂查询(非点查,Copprocessor )。

      • KV 点查询跳过执行计划优化阶段,直接到查询层,对于在线交易相关的 TP 场景,会大大降低响应延迟。

      • 复杂的 SQL 查询会被解析、转为抽象语法树 AST、编译、基于 RBO/CBO等优化,会生成真正可以执行的计划。最终生成一个个对单个表访问的数据请求。

    • TiKV Client 模块负责和存储层进行交互,查询请求经过 gRPC 调用,会优先进入 Unified Read Pool 线程池。

  • TiKV Server

    • Unified Read Pool 线程池负责确认查询的数据 Snapshot 和统一调度查询优先级。

      • 新来的查询请求其优先级是最高的,落在 L0 队列里。随着查询时间越久,为了保证系统整体吞吐量,慢查询的优先级会不断降低,即会从L0调低到L1、L2等,随着优先级调低其分配到的CPU会减少。

      • 也就是说,一个大查询它越慢,它的优先级就会不断调低,优先级不断调低其执行的时间可能会更久。所以,尽可能减少大查询事务。

    • 查询请求读取 RocksDB 数据

      • 先去 LSM Tree 的 MemTable 查找,最新的数据会写在这里,如果命中则返回。

      • 如果没找到,继续到 Immutable Memory Table 查找,找到则返回。

      • 如果再找不到,则搜查 SST 文件的缓存 Block Cache,找到则返回。

      • 如果还没找到,则会开始读取磁盘 SST 文件,会依次搜索 L0 至 L6 各个层级的内容。每一层的文件都会配备一个布隆过滤器。

        • 过滤器对一个 Key 如果判断不存在,那么它一定不存在这个 SST 文件内,此时可以跳过这个文件;

        • 如果判断在文件内则它可能在可能不在,无法判断准确,此时会直接去查文件内容,由于 SST 文件严格有序,所以在文件内是效率较高的二分查找。

      • 直到找到数据后,通过 gRPC 调用返回查询结果。

上面描述的过程,大致就是一个查询请求在 TiDB 集群内部的流转步骤,这也是我们在遇到读慢时的分析步骤。

读变慢排查思路

读慢常规分析

业务的 SQL 变慢后,我们在 TiDB Server 的 Grafana 面板可以看到整体的或者某一百分位的请求延迟会升高,我们根据现象先确认方向性的问题:是整体变慢,还是某个SQL变慢。

【SOP】最佳实践之 TiDB 业务读变慢分析_第2张图片

  • 是否整体变慢

    • 分析各个组件 TiDB、TiKV、TiPD 的响应延迟情况
  • 整体如果是正常的,继续分析是不是某类 SQL 变慢

    • 到Dashboard 查一查慢查询,看一看集群热力图,分析一下 Top SQL

根据上面的思路,通常就可以对读变慢的问题有一个整体的把握。

接着,和写入变慢的分析一样,我们可以依次排查物理硬件环境、是否有业务变更操作等情况,直到定位清楚问题。如下图所示,业务读 SQL 变慢的分析思路可以有下面步骤:

【SOP】最佳实践之 TiDB 业务读变慢分析_第3张图片

  • 遇到问题我们应该养成习惯,要先到 Dashboard 看看,对集群运行状况有个整体的把握

    • 查看集群热力图,关注集群高亮的区域,分析是否有读热点出现,如果有则确认对应的库表、Region 等信息

      • 热点问题处理
    • 排查慢 SQL 情况,查看集群慢查询结果,分析 SQL 慢查询原因

    • 查看 TOP SQL 面板,分析集群的 CPU 消耗与 SQL 关联的情况

  • 物理硬件排查

    • 排查客户端与集群之间、集群内部 TiDB 、TiPD、TiKV 各组件之间的网络问题

    • 排查集群的内存、CPU、磁盘 IO 等情况,尤其是混合部署的集群,确认是否存在资源相互竞争、挤兑的场景出现

    • 排查操作系统的内核操作是否与官方建议的最佳实践值是否一致,确认 TiDB 集群运行在最优的系统环境内

  • 业务变更

    • 确认是否是新上线业务

    • 查看集群的 DDL Jobs,确认是否由于在线 DDL 导致的问题,特别是大表加索引的场景,会消耗集群较多的资源,从而干扰集群正常的访问请求

读慢全链路排查

常规分析思路可以解决绝大部分的问题,对于剩下那些无法确认的或较为复杂业务的问题,这时候可以分析读请求从 TiDB Server 到 TiKV Server 、到读 RocksDB 的整个过程,对全部查询的链路逐一进行排查,从而确认查询慢所在的节点,定位到原因后再进行优化即可,这一过程大致如下图所示。

【SOP】最佳实践之 TiDB 业务读变慢分析_第4张图片

同样地,这个是一个兜底的排查思路,适用范围较广、通用性较强,但是排查起来要花费更多的时间和精力,也要求管理员对数据库本身的运行原理有一定的掌握。上面的排查步骤还是很复杂的,对用户很不友好。

但是,目前官方已经推出的 Dashboard 慢查询分析功能,已经帮我们集成和记录了各个环节的延迟,再也不用一个一个去查找 Grafana 面板来确认和分析了,极大地降低排查难度和缩短问题解决时长,是 TiDB 用户的一大福音。

下面是一个慢查询执行时长分析的例子,可以看到慢查询是因为TiKV 执行 Coprocessor 任务的累计处理时间比较久,所以导致整个查询较慢, 我们再继续针对性分析和优化 Coprocessor 算子即可。

【SOP】最佳实践之 TiDB 业务读变慢分析_第5张图片

总结

  • 了解 TiDB 的读过程,有助于我们掌握数据库的底层执行原理,遇到问题时可以快速定位和分析原因,也能引导我们更好地使用数据库,发挥其最好的性能。

  • TiDB Dashboard 是对用户非常友好的一个官方工具,它使得我们分析慢查询 SQL 变得更轻松和快速,大大降低了问题处理的时间,强烈建议使用。

  • 下面的官方文档,在分析此类问题时推荐优先查看:

    • 集群读写延迟增加排查

    • 热点问题处理

    • 定位慢查询

    • 分析慢查询

你可能感兴趣的:(tidb)