【云和恩墨大讲堂】玩转AWR裸数据（下）

数据和云

发布于 2018-03-06 17:55:52

9840

发布于 2018-03-06 17:55:52

文章被收录于专栏：数据和云数据和云

讲师简介：

罗海雄云和恩墨性能优化总监

ITPUB论坛数据库管理版版主，2012 ITPUB全国SQL大赛冠军得主，他还是资深的架构师和性能优化专家，对 SQL 优化和理解尤其深入；从开发到性能管理，他有着超过10年的企业级系统设计和优化经验。曾经服务于甲骨文公司，组织和主讲过多次《甲骨文技术开发人员日》和《Oracle圆桌会议》，并具备丰富的制造行业系统架构经验。

上一次分享，主要介绍了如果通过分析函数/行列转换等Oracle的高级SQL技巧从AWR的裸数据中获取有用信息的方法。

比如:

value - lag(value) over(partition by stat_name order by snap_id) 可以获取两次snap_id间的数据区别
通过PIVOT, 可以轻松的做行列转行。

select * from (select snap_id,STAT_NAME, value-lag(value) over(partition by STAT_NAME order by snap_id) value from dba_hist_sysstat where stat_name in ( ‘redo size’,‘execute count’,‘DB time’,‘physical reads‘ ) ) PIVOT (sum(value) for stat_name in ( 'redo size','execute count','DB time','physical reads‘ ))order by snap_id;

通过Ratio_To_Report() over() 可以获得当前行数据在所有同组数据内占的比例

上次的分享，侧重点更多是在SQL上。而这次，我会更侧重于AWR. 也就是说，从裸数据中进行分析，从而能在实际中帮到大家分析性能。

在看AWR时，有几个区域是必看的。

第一个是LOAD PROFILE.

也就是我在上次分享中，用来演示lag() 函数的部分：

select * from (select snap_id,STAT_NAME, value-lag(value) over(partition by STAT_NAME order by snap_id) value from dba_hist_sysstat where stat_name in ( ‘redo size’,‘execute count’,‘DB time’,‘physical reads‘ ) ) PIVOT (sum(value) for stat_name in ( 'redo size','execute count','DB time','physical reads‘ ))order by snap_id;

把stat_name里面的部分，加上LOAD PROFILE的其他指标，就是个完整的load profile了。

通过load profile, 大家可以对系统的总体负载有个准确的认识。

第二个部分，是Top timed events, 最耗时间的等待事件（包括CPU)的部分。

通过这个部分，大家可以了解整个系统的性能瓶颈。同样，我在上次的分享中也给出了SQL:

select snap_id,event,pct||'%' PCT,time from ( select snap_id,event,round(time)time, round(RATIO_TO_REPORT(TIME) over(partition by snap_id)*100,1) pct from( select 'CPU Time' EVENT,snap_id,value/100 - LAG(value)over(partition by stat_name order by snap_id)/100 TIME from DBA_HIST_SYSSTAT where stat_name = 'CPU used by this session' union all select event_name,snap_id, time_waited_micro/1e6 - LAG(time_waited_micro) over(partition by event_name order by snap_id)/1e6 from DBA_HIST_SYSTEM_EVENT where wait_class!='Idle' )where time>0) where pct>1 order by snap_id,time desc

通常来说，知道了系统负载，系统瓶颈，我们还需要了解的是第三个部分： Top SQL

通过Top SQL, 我们可以了解系统运行过哪些主要的语句。

但是，传统的AWR报告中的Top SQL是有缺陷的。最主要的问题，它的信息是分散的。

在对SQL进行判断时，我会结合多个指标。执行时间(elapsed Time)、CPU时间(CPU Time)、逻辑读(Buffer gets)、物理读(disk reads)、执行次数（executions）、返回行数（rows_processed）,但是，传统的awr报告，这些指标分布在不同位置。看起来很不方便。比如说这个，有执行时间，执行次数，CPU时间。但缺乏逻辑读，物理读，返回行数等，有时候，还得专门去找。

所以呢，我经常访问裸数据，使用SQL, 直接从数据库里取出包含完整信息的Top SQL.

另外，根据不同的情况，我们可能关心的点也不一样。比如说，系统CPU消耗严重，我们更关心SQL order by CPU, I/O严重时，关心的则是物理读。所以呢，我用的SQL, 可以支持同时取出按不同指标的排序的Top N SQL.

比如说， Top 10 by elapsed time, Top 10 by CPU, Top 10 by disk reads.

大家都知道，传统的order by + rownum < N 的方式只支持对其中一个指标进行排名，显然是不够的。而分析函数，又再次发挥了作用。

select sql.*, (select SQL_TEXT from dba_hist_sqltext t where t.sql_id = sql.sql_id and rownum=1 ) SQLTEXT from (select a.* , RANK() over( order by els desc) as r_els, RANK() over( order by phy desc) as r_phy, RANK() over( order by get desc) as r_get, RANK() over( order by exe desc) as r_exe, RANK() over( order by CPU desc) as r_cpu from ( select sql_id,sum(executions_delta) exe,round(sum(elapsed_time_delta ) / 1e6, 2) els ,round(sum(cpu_time_delta) / 1e6, 2) cpu, round(sum(iowait_delta) / 1e6, 2) iow,sum(buffer_gets_delta) get, sum(disk_reads_delta) phy,sum(rows_processed_delta) RWO, round(sum(elapsed_time_delta) / greatest(sum(executions_delta), 1) / 1e6,4) elsp, round(sum(cpu_time_delta) / greatest(sum(executions_delta), 1) / 1e6, 4) cpup, round(sum(iowait_delta) / greatest(sum(executions_delta), 1) / 1e6, 4) iowp, round(sum(buffer_gets_delta) / greatest(sum(executions_delta), 1), 2) getp, round(sum(disk_reads_delta) / greatest(sum(executions_delta), 1), 2) phyp, round(sum(rows_processed_delta) / greatest(sum(executions_delta), 1), 2) ROWP from dba_hist_sqlstat s --where snap_id between ... and ... group by sql_id ) a )SQL where r_els <= 10 or r_phy <=10 or r_cpu<=10 order by els desc

大家可以看到，这里面用到了 RANK() 函数。这个函数可以得出根据某个指标排序的排名。然后再通过最后的 r_els <= 10 or r_phy <=10 or r_cpu<=10 的过滤条件，就可以获取按照多个指标排序的Top N了。

有时候，我会把这个结果想办法做成HTML, 就变成这个效果了。

在分析SQL中，还有很重要的信息。

第一个是执行计划。

select * from table(dbms_xplan.display_awr('&SQLID'))

除了执行计划，还有一个信息不可或缺，就是绑定变量。

我碰到的SQL问题里面，有一个典型分类，就是SQL本来执行好好的，突然变差。这时候，在分析时，需要很关注的，就是历史绑定变量。Oracle在AWR裸数据中也保留了绑定变量:

DBA_HIST_SQLSTAT.BIND_DATA 这个栏位里面，保存了绑定变量

通过以下SQL, 可以获取历史绑定变量:

select snap_id,sq.sql_id,bm.position, dbms_sqltune.extract_bind(sq.bind_data,bm.position).value_string value_string from dba_hist_sqlstat sq ,dba_hist_sql_bind_metadata bm where sq.sql_id = bm.sql_id --and sq.sql_id = '&sql'

出来的是行格式的，读起来不方便。用PIVOT 做一个行列转换就漂亮了。

select * from ( select snap_id, to_char(sn.begin_interval_time,'MM/DD-HH24:MI') snap_time, sq.sql_id,bm.position, dbms_sqltune.extract_bind(bind_data,bm.position).value_string value_string from dba_hist_snapshot sn natural join dba_hist_sqlstat sq ,dba_hist_sql_bind_metadata bm where sq.sql_id = bm.sql_id and sq.sql_id = '&sql' ) PIVOT (max(value_string) for position in (1,2,3,4,5,6,7,8,9,10)) order by snap_id

完美的取出不同时间段的历史绑定变量值.

对于“SQL本来执行好好的，突然变差”的问题，有一个比较简洁的解决方式，就是尝试让SQL走回以前的执行计划。

Select plan_hash_value ,Sum(Elapsed_time_Delta) /greatest(Sum(Executions_Delta),1),sum(Executions_Delta) From dba_hist_sqlstat where sql_id = '&SQLID' group by plan_hash_value ;

通过以上SQL, 可以快速获取某个SQL多个执行计划的执行效果。然后再想办法应用其执行计划，往往可以收到奇效。绑定执行计划的方法有多种，SPM/SQL Profile/SQL Patch等，具体我就不展开了。

不知道大家有没有碰到过这样的情况, 有时候，明明性能瓶颈在SQL,但Top SQL中DB Time(%)指标却很低,前10个加起来也不足20%.

像这个AWR, Top SQL by elapsed Time才记录了2%. 也就是说，你只能看到2%的性能相关的SQL.

其中一个主要原因是由于Shared Pool大小限制以及非绑定变量问题，导致SQL可能会被漏记,这种情况下，怎么办呢？

其实，有个地方不会被漏记。就是Top Segments.通常，如果Top SQL中找不到太多信息，我们可以去看看Top Segments:

这是摘自同一个AWR的信息。 Top segments 告诉我们，对表的访问集中在前面3个，我们可以专注于这几个表的问题。

当然，同样可以通过SQL直接访问裸数据获取相关信息:

Select begin_interval_time,seg.snap_id,PHYSICAL_READS_DELTA, object_name,subobject_name from DBA_HIST_SEG_STAT SEG ,DBA_HIST_SEG_STAT_OBJ O , dba_hist_snapshot snap where o.obj# = seg.obj# and o.dataobj# = seg.dataobj# and PHYSICAL_READS_DELTA > 1e5 and seg.snap_id = snap.snap_id and begin_interval_time > sysdate - 4/24 order by PHYSICAL_READS_DELTA desc

这是一个常用的AWR裸数据的列表: