发生即看见，一切可回溯 | TiDB 故障诊断与性能排查探讨

作者： luzizhuo 原文来源：https://tidb.net/blog/d316440a

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