帶你掌握數倉的作業級監控TopSQL

摘要：目前TopSQL功能被用戶廣泛使用，是性能定位、劣化分析、審計回溯等重要的基石，為用戶提供覆蓋記憶體、耗時、IO、網路、空間等多方面的監控能力。本文分享自華為雲社區《GaussDB(DWS)監控工具指南（一）作業級監控TopSQL》，作者：幕後小黑爪。 1、引言：監控系統是智能化管理和自動 ...

摘要：目前TopSQL功能被用戶廣泛使用，是性能定位、劣化分析、審計回溯等重要的基石，為用戶提供覆蓋記憶體、耗時、IO、網路、空間等多方面的監控能力。

本文分享自華為雲社區《GaussDB(DWS)監控工具指南（一）作業級監控TopSQL》，作者：幕後小黑爪。

1、引言：

監控系統是智能化管理和自動化運維的基石，可以為資源規劃，故障排查，性能優化提供至關重要的數據支持。GaussDB(DWS)作為企業級數倉，為用戶提供了一整套覆蓋實例級、用戶級、作業級的資源監控能力，其中，作業級監控（下文統稱為TopSQL）主要是對運行作業的監控，包括了實時運行作業的相關信息，歷史運行作業的相關信息等。它收集的數據來源於資料庫內部，為用戶提供了實時監控資料庫的能力。

目前TopSQL功能被用戶廣泛使用，是性能定位、劣化分析、審計回溯等重要的基石，為用戶提供覆蓋記憶體、耗時、IO、網路、空間等多方面的監控能力。

本文以數倉813版本作為基線，對TopSQL進行介紹。

2、TopSQL功能介紹

對於用戶而言，資料庫是個黑盒，輸入SQL語句，輸出預期結果。在此過程中，用戶關心兩點：

輸出結果是否符合預期;
語句要多久跑完。

關於第一個問題，用戶需要關註下SQL語句寫的是否合理。而對於第二個問題，普通用戶可以通過explain等手段分析作業的執行計劃，然而企業用戶的SQL作業耗時久，影響較大，重跑代價較高，無法額外通過explain performance等手段進行分析，此時TopSQL可以幫助用戶打開資料庫黑盒，查看作業執行的實時情況和歷史情況，便於用戶分析資料庫的情況。

TopSQL功能主要通過視圖進行承載，如下表所示，本文以query級別的視圖為例進行說明。

使用TopSQL功能需要sysadmin許可權。此外，用戶需先檢查下TopSQL功能是否開啟，涉及TopSQL的資料庫GUC參數包括：

ENABLE_RESOURCE_TRACK (ON)

是否開啟監控功能，實時TopSQL的總開關，關閉之後實時TopSQL將不再進行記錄，更不會在歷史TopSQL中出現。

RESOURCE_TRACK_COST(0)

設置對當前會話的語句進行資源監控的最小執行代價。

RESOURCE_TRACK_LEVEL(QUERY)

設置當前會話的資源監控的等級，預設為query級別。

RESOURCE_TRACK_DURATION(60S)

設置實時TopSQL中記錄的語句執行結束後進行歷史信息轉存的最小執行時間。當執行完成的作業，其執行時間不小於此參數值時，作業信息會從實時視圖（以STATISTICS為尾碼的視圖）轉存到相應的歷史視圖

ENABLE_RESOURCE_RECORD(ON)

設置是否開啟資源監控記錄歸檔功能。開啟時，對於執行結束的記錄，會分別被歸檔到相應的INFO視圖，CN和DN都需要設置上。

TOPSQL_RETENTION_TIME(30)

設置歷史TopSQL中GS_WLM_SESSION_INFO和GS_WLM_OPERATOR_INFO表中數據的保存時間，單位為天。

參數正確設置後，TopSQL會記錄用戶的SQL語句執行過程中的相關信息，用戶可以使用TopSQL的視圖篩選出執行時間較長的作業，專註於慢SQL的分析。

TopSQL功能分為實時TopSQL和歷史TopSQL，以query級別為例，當需要查看正在運行的作業時，用戶可查看實時TopSQL視圖GS_WLM_SESSION_STATISTICS和PGXC_WLM_SESSION_STATISTICS，若需要對已經執行完成的作業進行分析，可查詢歷史TopSQL視圖GS_WLM_SESSION_ HISTORY和PGXC_WLM_SESSION_ HISTORY。其中GS_開頭的可以查詢當前CN節點上正在執行的作業信息，PGXC_開頭的可查詢所有CN節點上正在執行的作業信息。

實時TopSQL視圖為用戶記錄了作業運行時的相關信息，比如作業下發來源、阻塞時間、執行時長、開始時間、記憶體消耗、作業下盤量、作業IO、網路、語句類型、語句的執行計劃等信息。用戶可先通過resource_pool、nodename、username、query等信息定位到自己需要分析的語句，再通過作業運行信息定位問題。又或者用戶可通過對查詢進行篩選，篩選出當前占用資源較多的作業。

歷史TopSQL視圖記錄了作業運行結束時的資源使用情況(包括記憶體、下盤、CPU時間等)和運行狀態信息(包括報錯、終止、異常等)以及性能告警信息。用戶可通過對歷史語句運行數據的分析，篩選出執行時長較大的語句，看語句執行計劃是否有優化的空間，是否需要對錶做一些analyze或者vacuum之類的操作。又比如對於記憶體報錯的情況，可分析記憶體占用高的語句是否合理，從執行計划上分析是否有優化空間。

文末附TopSQL實踐：常見問題現象及對應原因。

3、TopSQL的原理解析

3.1 TopSQL原理簡介：

TopSQL的數據來源於資料庫內核，當語句執行時，TopSQL會實時記錄語句執行的相關信息。實時TopSQL數據會保存在記憶體的臨時表中，當語句執行結束後，數據會轉存到對應實體表GS_WLM_SESSION_INFO中，在實際使用中，由於下發作業繁多，歷史TopSQL記錄的作業數也不斷增長，這樣會導致INFO表中的數據量逐漸龐大，為了確保數倉整體性能不受影響，支持通過TOPSQL_RETENTION_TIME來設置INFO表中數據的保存時間（單位為天）。當數據存留時長超過這個時限，會對實體表GS_WLM_SESSION_INFO進行數據老化刪除處理。

圖 3-1 TopSQL數據流通圖

如圖3-1所示，各項GUC參數決定了TopSQL生成的記錄信息，具體的參數說明詳見第2節使用TopSQL前的檢驗。

3.2 性能分析：

對於企業用戶而言，性能問題是Top級問題，對於TopSQL功能，我們進行了性能壓測，在4TB的場景下，進行TPCC基準性能測試，進行了2000的併發壓測，TPMC下降了約有2%，屬於可接受的範圍。

3.3 相關指標

語句屬性列說明：

語句的執行信息屬性列,斜體代表可更換首碼/尾碼式的指標，類似首碼尾碼有（min_，max_，total_，average_，_skew_percent）

3.4 特殊情況說明：

TopSQL由於自身限制，存在一些記錄異常的情況，此處對8.1.3版本的TopSQL語句記錄情況進行說明：

不記錄特殊數據定義語句，如：SET、RESET、SHOW、ALTER SESSION SET、SET CONSTRAINTS語句；
記錄數據定義語句，例如：執行CREATE、ALTER、DROP、GRANT、REVOKE和VACUUM語句；
記錄數據操作語句，例如：

執行SELECT、INSERT、UPDATE和DELETE語句。
執行explain analyze和explain performance場景。
執行查詢query級別/perf級別視圖

ODBC下發作業，由於多語句原因，會記錄事務的BEGIN和end語句；
JDBC下發作業，隨機性多記錄一條JDBC的內部語句
解析錯誤和語法報錯的異常不記錄
用戶手動CANCEL作業，顯示的監控數據可能為0；
當子語句開關打開後，只會記錄下發到DN上執行的子語句；
游標語句，當游標並非從緩存中讀取數據，而確實觸發語句下發到DN上執行的條件下，該游標語句會被記錄，並且會進行語句、執行計劃增強，但當游標從緩存中讀取數據時，不進行記錄；當游標語句在匿名塊或者函數中使用時，當游標從DN上讀取較多數據但不完全使用時，無法記錄該游標在DN上的監控信息。
JDBC執行的帶占位符語句，通常會補齊參數內容，但如果參數和原語句合起來長度超過64KB，則不記錄參數，或者如果是輕量化語句，直接下發到DN上執行，不記錄參數。

4、TopSQL擴展及應用

TopSQL功能是GaussDB(DWS)支持性能問題定位、語句劣化分析、審計回溯等重要功能的基石。在此基礎上，內核也拓展出了異常規則等一些高階用法，在日常使用中，用戶也對TopSQL提出了更高的要求，比如記錄子語句、記錄語句類型、提升運算元級別語句監控準確性等諸多建議。為此，GaussDB（DWS）團隊會在此基礎上繼續演進，更好的服務用戶，提升用戶滿意度。

5、TopSQL實踐：常見問題定位

總結一下：

因數據量變化，導致作業執行時間增加，可以分析A2/B1/D1/G1，進而確認作業查詢的數據表是否有明顯的數據量增加；
因其它併發作業搶占，導致作業排隊，從而導致作業執行時間增加，可以分析A1/B1/D1，進而查看作業執行的同時期是否有大量併發作業在執行；
因其它作業而產生的CPU搶占，導致作業執行時間增加，可以分析A2/D1/E1，進而查看作業執行的同時期是否有大量併發作業在執行；
因其它作業而產生的IO搶占，導致作業執行時間增加，可以分析A2/F1，進而查看作業執行的同時期是否有大量併發作業在執行；
I1中有結果情況，可通過提示的信息進行分析，或者進行SQL自適應診斷相關告警處理，SQL自適應診斷處理方法見：https://support.huaweicloud.com/performance-dws/dws_10_0013.html
對於enqueue異常排隊的情況H1，用戶可參考：GaussDB(DWS)資源管理排隊原理與問題定位-雲社區-華為雲 (huaweicloud.com)，進行問題排查分析。

值得註意的是，發生資源爭搶時，可能會出現併發症，即CPU、IO搶占，作業排隊現象都會發生，針對併發症問題，可以逐步分析解決，比如：

第一步，調整作業執行順序，減少併發作業數量，減少阻塞時間；

第二步，定位出同時段執行的典型計算密集型、存儲密集型作業，先移動到其它時間段執行，減少對本作業的影響；

第三步，在無其他作業明顯干預的情況下，做進一步分析，