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.
<b>Event</b>
<b>Waits</b>
<b>Time(s)</b>
<b>Avg wait (ms)</b>
<b>% DB time</b>
<b>Wait Class</b>
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。
<b>Blocking Sid</b>
(Inst)
<b>% Activity</b>
<b>Event Caused</b>
<b>% Event</b>
<b>User</b>
<b>Program</b>
<b># Samples Active</b>
<b>XIDs</b>
7485,35335( 1)
25.79
enq: TX - row lock contention
PRODUSER
JDBC Thin Client
2/60 [ 3%]
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%]
117,218,815
CPU
+ Wait for CPU
2.34
PRDAPPC
JDBC
Thin Client
53/60
[ 88%]
2430, 8909
2.39
54/60
[ 90%]
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)
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
DB CPU(s):
8.8
0.3
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
Executes:
3,248.3
125.8
Rollbacks:
0.7
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。
<b>Elapsed Time (s)</b>
<b>Executions </b>
<b>Elapsed Time per</b>
Exec (s)
<b>%Total</b>
<b>%CPU</b>
<b>%IO</b>
<b>SQL Id</b>
<b>SQL Module</b>
<b>SQL Text</b>
5,916.37
300
19.72
26.12
<a href="#dynpzk1qbkgyr">dynpzk1qbkgyr</a>
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。
<b>Rows Processed</b>
<b>Rows per Exec</b>
43,436
43,415
16.25
30.07
70.72
<a href="#a4zhz34w7dzpr">a4zhz34w7dzpr</a>
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。