OB中锁等待导致业务体验效率变慢排查过程

2024年 5月 7日 66.5k 0

背景:

本来该篇我起名《OB中队列等待导致业务体验效率变慢》,今天发现是我分析问题的时候分析偏了,问题根因还是锁等待。(自我反省中)

业务反馈某时间段sql效率有问题,这个问题还一直出现。

--业务系统体验较平时要慢(10:30-11:30),发下有条如下简单update操作在OCP采集在慢SQL里了,帮查下系统原因,是不是整体负载有问题还是其它
--如下一个简单的update操作正常更新应该耗时300MS左右,执行计划如下应该是没问题(租户:xxxxx  库:xxxxx)
--但今天OCP采集到实际执行时间平均达到:6132.02MS,最大19238.79MS

排查过程:

OB中锁等待导致业务体验效率变慢排查过程-1

OB中锁等待导致业务体验效率变慢排查过程-2

可以看到ocp上这段时间的qps/sql数量/以及等待都比较高,与业务确认这个量是正常的。

通过ocp的sql诊断找到业务说的这个update,发现采样历史的重试次数最少是两次,多的是四次。

OB中锁等待导致业务体验效率变慢排查过程-3

检查gv$plan_cache_plan_stat该sql的历史执行情况,可以看到响应时间与执行时间有比较大的出入。

OB中锁等待导致业务体验效率变慢排查过程-4

去gv$sql_audit找一条该sql的执行信息

MySQL [oceanbase]> select * from  gv$sql_audit where sql_id='64A27C00B8392D2A3B741AB01633BDC1' limit 1\G
*************************** 1. row ***************************
                 SVR_IP: xx.xx.x1x.xx
               SVR_PORT: 2882
             REQUEST_ID: 1356854236
            SQL_EXEC_ID: 1801169283
               TRACE_ID: YB420AAC934F-000609929BB97E22-0-0
                    SID: 3234037378
              CLIENT_IP: 1x.xx.xx2.xx
            CLIENT_PORT: 25142
              TENANT_ID: 1002
            TENANT_NAME: xxxxxxx
    EFFECTIVE_TENANT_ID: 1002
                USER_ID: 1101710651032554
              USER_NAME: xxxxxr
             USER_GROUP: 0
         USER_CLIENT_IP: xx.xx.xx6.xx
                  DB_ID: 1101710651032603
                DB_NAME: xxxxxxxxx
                 SQL_ID: 64A27C00B8392D2A3B741AB01633BDC1
              QUERY_SQL: UPDATE xxxxxxx  SET xxxxxxe='2024-01-10 12:08:13.553',update_time='2024-01-10 12:08:13.553',xxxx=xxxxxx,xxxxx='xxxx'

 WHERE (xxx_id = xxxxxx AND xxxx = 0 AND xxxxx = 15)
                PLAN_ID: 177990
          AFFECTED_ROWS: 1
            RETURN_ROWS: 0
          PARTITION_CNT: 1
               RET_CODE: 0
                  QC_ID: 0
                 DFO_ID: 0
                 SQC_ID: 0
              WORKER_ID: 0
                  EVENT: system internal wait
                 P1TEXT:
                     P1: 0
                 P2TEXT:
                     P2: 0
                 P3TEXT:
                     P3: 0
                  LEVEL: 0
          WAIT_CLASS_ID: 100
            WAIT_CLASS#: 0
             WAIT_CLASS: OTHER
                  STATE: MAX_WAIT TIME ZERO
        WAIT_TIME_MICRO: 0
  TOTAL_WAIT_TIME_MICRO: 0
            TOTAL_WAITS: 0
              RPC_COUNT: 1
              PLAN_TYPE: 1
           IS_INNER_SQL: 0
        IS_EXECUTOR_RPC: 0
            IS_HIT_PLAN: 1
           REQUEST_TIME: 1704859693809738
           ELAPSED_TIME: 5048448
               NET_TIME: 0
          NET_WAIT_TIME: 0
             QUEUE_TIME: 74
            DECODE_TIME: 3
          GET_PLAN_TIME: 395
           EXECUTE_TIME: 3563
  APPLICATION_WAIT_TIME: 0
  CONCURRENCY_WAIT_TIME: 0
      USER_IO_WAIT_TIME: 0
          SCHEDULE_TIME: 0
          ROW_CACHE_HIT: 0
 BLOOM_FILTER_CACHE_HIT: 0
        BLOCK_CACHE_HIT: 3
  BLOCK_INDEX_CACHE_HIT: 3
             DISK_READS: 0
              RETRY_CNT: 2
             TABLE_SCAN: 0
      CONSISTENCY_LEVEL: 3
MEMSTORE_READ_ROW_COUNT: 2
 SSSTORE_READ_ROW_COUNT: 3
    REQUEST_MEMORY_USED: 2096128
  EXPECTED_WORKER_COUNT: 0
      USED_WORKER_COUNT: 0
             SCHED_INFO: NULL
     FUSE_ROW_CACHE_HIT: 0
      PS_CLIENT_STMT_ID: -1
       PS_INNER_STMT_ID: -1
       TRANSACTION_HASH: 12033303829514409265
           REQUEST_TYPE: 2
  IS_BATCHED_MULTI_STMT: 0
          OB_TRACE_INFO: NULL
              PLAN_HASH: 5163519357113747784
     LOCK_FOR_READ_TIME: 0
  WAIT_TRX_MIGRATE_TIME: 0
           PARAMS_VALUE:

可以看到ELAPSED TIME: 5048448,总响应时间到了5s,但是EXECUTE TIME: 3563,执行时间只有3ms,而且其他的wait以及队列时间都显示很短,唯一可疑的点在重试了2次,因为该sql不是绑定变量的形式,可以看到所有变量信息,通过query_sql(sql文本)以及TRACE_ID的维度在 gv$sql_audit视图做一个统计,确认排除了两个情况:

1.排除了是更新同一笔数据产生锁冲突造成的锁重试   ----这里开始判断就出错了

2.排除了批量场景导致ELAPSED TIME累加的情况

那么现在就有点遇到瓶颈了,根据TRACE_ID去看下server日志,看下详细信息。

OB中锁等待导致业务体验效率变慢排查过程-5

这里就看到问题了,sql_audit里显示 QUEUE_TIME: 74只有74us,但是in_queue_time:3161135,日志里显示队列时间达到了3s,与原厂工程师咨询,sql_audit会有统计不准的情况。

OB中锁等待导致业务体验效率变慢排查过程-1

token_cnt: //调度器分配的 Token 数,一个 Token 会转换为一个工作线程

actives://活跃工作线程数,一般和 Workers 相等,它们的差包含:租户工作线程缓存+带工作线程的大请求缓存

####上次分析到这里的时候我在几乎重合的时间看到队列等待的active线程满的日志,误以为是队列等到导致的重试和效率降低###

后续因为该租户线程使用率很低,虽然有好多sql的执行次数突刺,但是ocp监控上租户线程使用率峰值未超过8%,疑点重重。

今天又抓了一下这个业务语句

  TRACE_ID: YB420AAC9350-000609980A7B61B9-0-0
  QUERY_SQL: UPDATE ZZZZRRRRYYYY  SET ENDTIME='2024-01-12 10:05:28.983',UPTIME='2024-01-12 10:05:28.983',IIIIIID=5555555555,XXXXXX='XXXXXX'

 WHERE (CCCCCCC_id = 77777777777777777777 AND DDDDD = 0 AND EWRER = 22)				 
                REQUEST_TIME: 1705025129014689
usec_to_time(t.REQUEST_TIME): 2024-01-12 10:05:29.014689
                ELAPSED_TIME: 3450836
				   RETRY_CNT: 2
                    NET_TIME: 0
               NET_WAIT_TIME: 0
                  QUEUE_TIME: 46
                 DECODE_TIME: 1
               GET_PLAN_TIME: 396
                EXECUTE_TIME: 3594
		

通过trace_id在找下server日志

OB中锁等待导致业务体验效率变慢排查过程-7

看到被hash:9705346166372946539的事务阻塞了,查下这个事务

MySQL [oceanbase]> select  query_Sql,usec_to_time(REQUEST_TIME) from   gv$sql_audit  where  TRANSACTION_HASH=9705346166372946539   order by  REQUEST_TIME 
| SELECT  xxxxxxxxxxxxxxxx                                                                          | 2024-01-12 10:05:28.860367 |
| SELECT xxxxxxxxxxxxxxx                                                                            | 2024-01-12 10:05:28.879299 |
| UPDATE ZZZZRRRRYYYY  SET xxxxg=1,UPTIME='2024-01-12 10:05:28.956',IIIIIID=5555555555,XXXXXX='XXXXXX'

 WHERE (CCCCCCC_id = 77777777777777777777 AND DDDDD = 0)                                            | 2024-01-12 10:05:28.973385 |
| SELECT xxxxxxxxxxxxxxxxxxxxxxxxxxx                                                                | 2024-01-12 10:05:28.994819 |
| SELECT xxxxxxxxxxxxxxxxxxxxxx                                                                     | 2024-01-12 10:05:29.003701 |
| SELECT  xxxxxxxxxxxxxxxxxx                                                                        | 2024-01-12 10:05:29.149893 |
| insert into ZZZZRRRRYYYY      xxxxxxxxx x                                                         | 2024-01-12 10:05:29.168859 |
| commit                                                                                            | 2024-01-12 10:05:32.458785 |

发现这个事务里对该表的update操作,看下条件该事务中的sql更新的数据包含效率下降的业务语句的数据,从时间点可以看到,该事务2024-01-12 10:05:28.973385发起,持有该行数据的行锁,2024-01-12 10:05:32.458785事务才commit释放锁,而效率下降的update是2024-01-12 10:05:29.014689发起,ELAPSED_TIME有3s,与该时间匹配,能确定是该事务阻塞了这个update。这个事务还有一个问题,最后一条insert之后等待了约3s才去commit,该业务逻辑和问题需要业务去整改了。

结论:

这个问题很羞愧,分析过程不严谨导致分析偏差耽误了不少时间,引以为戒。

行之所向,莫问远方。

相关文章

Oracle如何使用授予和撤销权限的语法和示例
Awesome Project: 探索 MatrixOrigin 云原生分布式数据库
下载丨66页PDF,云和恩墨技术通讯(2024年7月刊)
社区版oceanbase安装
Oracle 导出CSV工具-sqluldr2
ETL数据集成丨快速将MySQL数据迁移至Doris数据库

发布评论