今天生产系统中的一个daemon出现了严重的数据处理延迟,客户需要我们立即给出处理的方案。在综合评估之后,为了不保证在线业务延迟,开发部门给出了临时的解决意见。先停掉了一个应用,然后重启之后那个daemon就没有问题了。 等我连上系统,这个问题已经不存在了,但是还是要提供一些更加详细的信息来进一步诊断这个问题。 首先来明确问题,这个daemon出现的数据处理延迟,很可能是锁造成的,从开发部门提供的临时解决方向也是如此。从他们的排查来看,表PUB_LOG中可能存在着锁等待。 因为时间已经过去一会了,使用awr报告查看等待事件。看到了很明显的row lock contention.
Event | Waits | Time(s) | Avg wait (ms) | % DB time | Wait Class |
---|---|---|---|---|---|
db file sequential read | 7,686,909 | 10,052 | 1 | 44.39 | User I/O |
enq: TX - row lock contention | 163 | 5,940 | 36442 | 26.23 | Application |
这个时候如果要进一步诊断这个等待事件,最好的工具就是ash了。 我们使用ash来查看对应的等待事件,然后可以从报告中得知blocking session的信息。这个可以和我们已经掌握的信息来互相印证。
Blocking Sid (Inst) | % Activity | Event Caused | % Event | User | Program | # Samples Active | XIDs |
---|---|---|---|---|---|---|---|
7485,35335( 1) | 25.79 | enq: TX - row lock contention | 25.79 | PRODUSER | JDBC Thin Client | 2/60 [ 3%] | 1 |
在问题发生的时间段内的active session情况如下。
Sid, Serial# | % Activity | Event | % Event | User | Program | # Samples Active | XIDs |
---|---|---|---|---|---|---|---|
79,513,047 | 2.61 | db file sequential read | 2.08 | CCBSFMDEV | plsqldev.exe | 47/60 [ 78%] | 1 |
117,218,815 | 2.61 | CPU + Wait for CPU | 2.34 | PRDAPPC | JDBC Thin Client | 53/60 [ 88%] | 0 |
2430, 8909 | 2.61 | db file sequential read | 2.39 | PRDAPPC | JDBC Thin Client | 54/60 [ 90%] | 0 |
这个时候我们已经得知了session的信息。这个时候我们可以尝试使用脚本来查看一下锁的情况,如果对应的session还存在,我们可以基本定位客户端的信息了。 因为v$lock的信息也是实时变化的,在生产中我们也是采用了一定的时间频率来采集v$lock的数据。这些信息通过awr,ash也是不能完全定位的,额外的工具补充对于排查问题就显得尤为重要的。 以下是从监控存档中得到了关于session(7485,35335)的锁信息。
SID_SERIAL ORACLE_USERN OBJECT_NAME LOGON_TIM SEC_WAIT OSUSER MACHINE PROGRAM STATE STATUS LOCK_ MODE_HELD
------------ ------------ ------------------------- --------- --------- ---------- ------------ -------------------- ---------- ---------- ----- ----------
7485,35335 PRODUSER PUB_LOG 09-DEC-14 18 mwrk01 fromClient1 JDBC Thin Client WAITING INACTIVE DML Row-X (SX)
7485,35335 PRODUSER ACCOUNT 09-DEC-14 18 mwrk01 fromClient2 JDBC Thin Client WAITING INACTIVE DML Row-X (SX)
7485,35335 PRODUSER CUSTOMER 09-DEC-14 20 lwrk01 fromClient2 sqlplus@ccbdbpr1 (TNS V1-V3) WAITING ACTIVE DML Row-X (SX)
7485,35335 PRODUSER PUB_LOG 09-DEC-14 18 mwrk01 fromClient2 JDBC Thin Client WAITING INACTIVE DML Row-X (SX)
7485,35335 PRODUSER SUBSCRIBER 09-DEC-14 18 mwrk01 fromClient2 JDBC Thin Client WAITING INACTIVE TO Row-X (SX)
7485,35335 PRODUSER ACCOUNT 09-DEC-14 18 mwrk01 fromClient2 JDBC Thin Client WAITING INACTIVE DML Row-X (SX)
7485,35335 PRODUSER SUBSCRIBER 09-DEC-14 18 mwrk01 fromClient2 JDBC Thin Client WAITING INACTIVE TO Row-X (SX)
有了这些信息,我们就可以很确定的是在那个时间点上存在着表PUB_LOG相关的锁。 但是光是确定了锁,问题又回到原点了,这个问题是怎么导致的呢。我们现在只是证明了这个问题是锁引起的。 还需要更多的信息来确定倒底是由哪些原因导致的。 这个时候还是需要通过awr来进一步来确定。 我们来看看数据库的负载情况。相比于10分钟的时间间隔来说,负载算是比较高的了。
Snap Id | Snap Time | Sessions | Cursors/Session | |
---|---|---|---|---|
Begin Snap: | 22746 | 09-Dec-14 10:20:29 | 4510 | 6.0 |
End Snap: | 22747 | 09-Dec-14 10:30:30 | 4523 | 5.9 |
Elapsed: | 10.02 (mins) | |||
DB Time: | 377.45 (mins) |
我们查看load profile的信息,可以很明显的看到executes和logical reads的值很高。尤其是executes部分,系统看起来应该很忙啊,但是“DB CPU(s)”的值不高。可见cpu的利用率也不高。很可能是由于IO问题导致的。 联系logical_reads和physical reads,相比于physical writes,数据库的负载基本都在于查询。从这个角度来说,和executes的值又是有关联的。
Per Second | Per Transaction | Per Exec | Per Call | |
---|---|---|---|---|
DB Time(s): | 37.7 | 1.5 | 0.01 | 0.01 |
DB CPU(s): | 8.8 | 0.3 | 0.00 | 0.00 |
Redo size: | 836,276.6 | 32,374.8 | ||
Logical reads: | 1,686,403.9 | 65,285.8 | ||
Block changes: | 3,940.3 | 152.5 | ||
Physical reads: | 57,841.1 | 2,239.2 | ||
Physical writes: | 443.4 | 17.2 | ||
User calls: | 5,872.6 | 227.4 | ||
Parses: | 2,098.2 | 81.2 | ||
Hard parses: | 3.5 | 0.1 | ||
W/A MB processed: | 40.0 | 1.6 | ||
Logons: | 3.1 | 0.1 | ||
Executes: | 3,248.3 | 125.8 | ||
Rollbacks: | 0.7 | 0.0 | ||
Transactions: | 25.8 |
我们来看看在问题发生的时间段,到底是哪些查询来运行,运行得这么频繁。 我们查看SQL ordered by Elapsed Time 这个章节,可以得到数据库负载的一个整体情况,看看是哪些sql语句的运行导致了整体的数据库负载. 结果抓取到的第1条语句就是一个update,是在ACCOUNT上的update,执行频率也挺高,10分钟之内执行了300次,基本2秒钟一次。
Elapsed Time (s) | Executions | Elapsed Time per Exec (s) | %Total | %CPU | %IO | SQL Id | SQL Module | SQL Text |
---|---|---|---|---|---|---|---|---|
5,916.37 | 300 | 19.72 | 26.12 | 0.00 | 0.00 | dynpzk1qbkgyr | JDBC Thin Client | UPDATE ACCOUNT....... |
通过load profile我们得知executes的频率过高,所以我们在awr中查看SQL ordered by Executions这个章节,可以得到运行频率极高的sql语句,基本上查询都是和subscriber,customer相关的。 执行频率都很高,差距都不大,当我看到第10几条记录的时候,找到了关于ACCOUNT的select语句,执行频率是很高的。
Executions | Rows Processed | Rows per Exec | Elapsed Time (s) | %CPU | %IO | SQL Id | SQL Module | SQL Text |
---|---|---|---|---|---|---|---|---|
43,436 | 43,415 | 1.00 | 16.25 | 30.07 | 70.72 | a4zhz34w7dzpr | JDBC Thin Client | select .... from ACCOUNT ..... |
通过以上的两个部分,我们可以这么理解,系统负载较高大部分原因都是基于IO,因为cpu使用率并不高,而数据库读的指标很高。相关sql语句的执行频率也很高。这样极为频繁的访问,造成了数据库的负载很高。 而对于锁的问题。我们可以看到在问题发生的时间段,session(7485,35335) 也在进行PUB_LOG的DML操作,同时也在进行ACCOUNT的DML操作。 而PUB_LOG这个表是归属于专门的daemon的,这个daemon要处理数据的时候就会总是阻塞。这样就难怪数据处理的延迟了。 这样问题的基本清晰了,剩下的部分就是和开发做确认了。 后续开发反馈在代码中发现了潜在的问题,会做进一步的跟踪。