带你掌握数仓的作业级监控 TopSQL
本文分享自华为云社区《GaussDB(DWS)监控工具指南（一）作业级监控TopSQL》，作者：幕后小黑爪 。
1、引言：
监控系统是智能化管理和自动化运维的基石，可以为资源规划，故障排查，性能优化提供至关重要的数据支持。GaussDB(DWS)作为企业级数仓，为用户提供了一整套覆盖实例级、用户级、作业级的资源监控能力，其中，作业级监控（下文统称为 TopSQL）主要是对运行作业的监控，包括了实时运行作业的相关信息，历史运行作业的相关信息等。它收集的数据来源于数据库内部，为用户提供了实时监控数据库的能力。
目前 TopSQL 功能被用户广泛使用，是性能定位、劣化分析、审计回溯等重要的基石，为用户提供覆盖内存、耗时、IO、网络、空间等多方面的监控能力。
本文以数仓 813 版本作为基线，对 TopSQL 进行介绍。
2、TopSQL 功能介绍
对于用户而言，数据库是个黑盒，输入 SQL 语句，输出预期结果。在此过程中，用户关心两点：
输出结果是否符合预期;
语句要多久跑完。
关于第一个问题，用户需要关注下 SQL 语句写的是否合理。而对于第二个问题，普通用户可以通过 explain 等手段分析作业的执行计划，然而企业用户的 SQL 作业耗时久，影响较大，重跑代价较高，无法额外通过 explain performance 等手段进行分析，此时 TopSQL 可以帮助用户打开数据库黑盒，查看作业执行的实时情况和历史情况，便于用户分析数据库的情况。
TopSQL 功能主要通过视图进行承载，如下表所示，本文以 query 级别的视图为例进行说明。
使用 TopSQL 功能需要 sysadmin 权限。此外，用户需先检查下 TopSQL 功能是否开启，涉及 TopSQL 的数据库 GUC 参数包括：
ENABLE_RESOURCE_TRACK (ON)
是否开启监控功能，实时 TopSQL 的总开关，关闭之后实时 TopSQL 将不再进行记录，更不会在历史 TopSQL 中出现。
RESOURCE_TRACK_COST(0)
设置对当前会话的语句进行资源监控的最小执行代价。
RESOURCE_TRACK_LEVEL(QUERY)
设置当前会话的资源监控的等级，默认为 query 级别。
RESOURCE_TRACK_DURATION(60S)
设置实时 TopSQL 中记录的语句执行结束后进行历史信息转存的最小执行时间。当执行完成的作业，其执行时间不小于此参数值时，作业信息会从实时视图（以 STATISTICS 为后缀的视图）转存到相应的历史视图
ENABLE_RESOURCE_RECORD(ON)
设置是否开启资源监控记录归档功能。开启时，对于执行结束的记录，会分别被归档到相应的 INFO 视图，CN 和 DN 都需要设置上。
TOPSQL_RETENTION_TIME(30)
设置历史 TopSQL 中 GS_WLM_SESSION_INFO 和 GS_WLM_OPERATOR_INFO 表中数据的保存时间，单位为天。
参数正确设置后，TopSQL 会记录用户的 SQL 语句执行过程中的相关信息，用户可以使用 TopSQL 的视图筛选出执行时间较长的作业，专注于慢 SQL 的分析。
TopSQL 功能分为实时 TopSQL 和历史 TopSQL，以 query 级别为例，当需要查看正在运行的作业时，用户可查看实时 TopSQL 视图 GS_WLM_SESSION_STATISTICS 和 PGXC_WLM_SESSION_STATISTICS，若需要对已经执行完成的作业进行分析，可查询历史 TopSQL 视图 GS_WLM_SESSION_ HISTORY 和 PGXC_WLM_SESSION_ HISTORY。其中 GS_开头的可以查询当前 CN 节点上正在执行的作业信息，PGXC_开头的可查询所有 CN 节点上正在执行的作业信息。
实时 TopSQL 视图为用户记录了作业运行时的相关信息，比如作业下发来源、阻塞时间、执行时长、开始时间、内存消耗、作业下盘量、作业 IO、网络、语句类型、语句的执行计划等信息。用户可先通过 resource_pool、nodename、username、query 等信息定位到自己需要分析的语句，再通过作业运行信息定位问题。又或者用户可通过对查询进行筛选，筛选出当前占用资源较多的作业。
历史 TopSQL 视图记录了作业运行结束时的资源使用情况(包括内存、下盘、CPU 时间等)和运行状态信息(包括报错、终止、异常等)以及性能告警信息。用户可通过对历史语句运行数据的分析，筛选出执行时长较大的语句，看语句执行计划是否有优化的空间，是否需要对表做一些 analyze 或者 vacuum 之类的操作。又比如对于内存报错的情况，可分析内存占用高的语句是否合理，从执行计划上分析是否有优化空间。
文末附 TopSQL 实践：常见问题现象及对应原因。
3、TopSQL 的原理解析
3.1 TopSQL 原理简介：
TopSQL 的数据来源于数据库内核，当语句执行时，TopSQL 会实时记录语句执行的相关信息。实时 TopSQL 数据会保存在内存的临时表中，当语句执行结束后，数据会转存到对应实体表 GS_WLM_SESSION_INFO 中，在实际使用中，由于下发作业繁多，历史 TopSQL 记录的作业数也不断增长，这样会导致 INFO 表中的数据量逐渐庞大，为了确保数仓整体性能不受影响，支持通过 TOPSQL_RETENTION_TIME 来设置 INFO 表中数据的保存时间（单位为天）。当数据存留时长超过这个时限，会对实体表 GS_WLM_SESSION_INFO 进行数据老化删除处理。
图 3-1 TopSQL 数据流通图
如图 3-1 所示，各项 GUC 参数决定了 TopSQL 生成的记录信息，具体的参数说明详见第 2 节使用 TopSQL 前的检验。
3.2 性能分析：
对于企业用户而言，性能问题是 Top 级问题，对于 TopSQL 功能，我们进行了性能压测，在 4TB 的场景下，进行 TPCC 基准性能测试，进行了 2000 的并发压测，TPMC 下降了约有 2%，属于可接受的范围。
3.3 相关指标
语句属性列说明：
语句的执行信息属性列,斜体代表可更换前缀/后缀式的指标，类似前缀后缀有（min_，max_，total_，average_，_skew_percent）
3.4 特殊情况说明：
TopSQL 由于自身限制，存在一些记录异常的情况，此处对 8.1.3 版本的 TopSQL 语句记录情况进行说明：
不记录特殊数据定义语句，如：SET、RESET、SHOW、ALTER SESSION SET、SET CONSTRAINTS 语句；
记录数据定义语句，例如：执行 CREATE、ALTER、DROP、GRANT、REVOKE 和 VACUUM 语句；
记录数据操作语句，例如：执行 SELECT、INSERT、UPDATE 和 DELETE 语句。执行 explain analyze 和 explain performance 场景。执行查询 query 级别/perf 级别视图
ODBC 下发作业，由于多语句原因，会记录事务的 BEGIN 和 end 语句；
JDBC 下发作业，随机性多记录一条 JDBC 的内部语句
解析错误和语法报错的异常不记录
用户手动 CANCEL 作业，显示的监控数据可能为 0；
当子语句开关打开后，只会记录下发到 DN 上执行的子语句；
游标语句，当游标并非从缓存中读取数据，而确实触发语句下发到 DN 上执行的条件下，该游标语句会被记录，并且会进行语句、执行计划增强，但当游标从缓存中读取数据时，不进行记录；当游标语句在匿名块或者函数中使用时，当游标从 DN 上读取较多数据但不完全使用时，无法记录该游标在 DN 上的监控信息。
JDBC 执行的带占位符语句，通常会补齐参数内容，但如果参数和原语句合起来长度超过 64KB，则不记录参数，或者如果是轻量化语句，直接下发到 DN 上执行，不记录参数。
4、TopSQL 扩展及应用
TopSQL 功能是 GaussDB(DWS)支持性能问题定位、语句劣化分析、审计回溯等重要功能的基石。在此基础上，内核也拓展出了异常规则等一些高阶用法，在日常使用中，用户也对 TopSQL 提出了更高的要求，比如记录子语句、记录语句类型、提升算子级别语句监控准确性等诸多建议。为此，GaussDB（DWS）团队会在此基础上继续演进，更好的服务用户，提升用户满意度。
5、TopSQL 实践：常见问题定位
总结一下：
因数据量变化，导致作业执行时间增加，可以分析 A2/B1/D1/G1，进而确认作业查询的数据表是否有明显的数据量增加；
因其它并发作业抢占，导致作业排队，从而导致作业执行时间增加，可以分析 A1/B1/D1，进而查看作业执行的同时期是否有大量并发作业在执行；
因其它作业而产生的 CPU 抢占，导致作业执行时间增加，可以分析 A2/D1/E1，进而查看作业执行的同时期是否有大量并发作业在执行；
因其它作业而产生的 IO 抢占，导致作业执行时间增加，可以分析 A2/F1，进而查看作业执行的同时期是否有大量并发作业在执行；
I1 中有结果情况，可通过提示的信息进行分析，或者进行 SQL 自适应诊断相关告警处理，SQL 自适应诊断处理方法见：https://support.huaweicloud.com/performance-dws/dws_10_0013.html
对于 enqueue 异常排队的情况 H1，用户可参考：GaussDB(DWS)资源管理排队原理与问题定位-云社区-华为云 (huaweicloud.com)，进行问题排查分析。
值得注意的是，发生资源争抢时，可能会出现并发症，即 CPU、IO 抢占，作业排队现象都会发生，针对并发症问题，可以逐步分析解决，比如：
第一步，调整作业执行顺序，减少并发作业数量，减少阻塞时间；
第二步，定位出同时段执行的典型计算密集型、存储密集型作业，先移动到其它时间段执行，减少对本作业的影响；
第三步，在无其他作业明显干预的情况下，做进一步分析，
6、参考文献：
版权声明: 本文为 InfoQ 作者【华为云开发者联盟】的原创文章。
原文链接:【http://xie.infoq.cn/article/781f26b4fc27c4c1bdb37996a】。文章转载请联系作者。
提供全面深入的云计算技术干货 2020-07-14 加入
生于云，长于云，让开发者成为决定性力量
评论