TiDB 重要监控指标详解

使用 TiUP 部署 TiDB 集群时,你可以一键部署监控系统 (Prometheus & Grafana),参考监控架构 TiDB 监控框架概述

目前 Grafana Dashboard 整体分为 PD、TiDB、TiKV、Node_exporter、Overview、Performance_overview 等。TiDB 分为 TiDB 和 TiDB Summary 面板,两个面板的区别如下:

  • TiDB 面板:提供尽可能全面的信息,供排查集群异常。
  • TiDB Summary 面板:将 TiDB 面板中用户最为关心的部分抽取出来,并做了些许修改。主要用于提供数据库日常运行中用户关心的数据,如 QPS、TPS、响应延迟等,以便作为外部展示、汇报用的监控信息。

以下为 TiDB Dashboard 关键监控指标的说明:

关键指标说明

Query Summary

  • Duration:执行时间
    • 客户端网络请求发送到 TiDB,到 TiDB 执行结束后返回给客户端的时间。一般情况下,客户端请求都是以 SQL 语句的形式发送,但也可以包含 COM_PINGCOM_SLEEPCOM_STMT_FETCHCOM_SEND_LONG_DATA 之类的命令执行时间。
    • 由于 TiDB 支持 Multi-Query,因此,客户端可以一次性发送多条 SQL 语句,如 select 1; select 1; select 1;。此时的执行时间是所有 SQL 语句执行完之后的总时间。
  • Command Per Second:TiDB 按照执行结果成功或失败来统计每秒处理的命令数。
  • QPS:按 SELECTINSERTUPDATE 类型统计所有 TiDB 实例上每秒执行的 SQL 语句数量。
  • CPS By Instance:按照命令和执行结果成功或失败来统计每个 TiDB 实例上的命令。
  • Failed Query OPM:每个 TiDB 实例上,对每分钟执行 SQL 语句发生的错误按照错误类型进行统计(例如语法错误、主键冲突等)。包含了错误所属的模块和错误码。
  • Slow query:慢查询的处理时间(整个慢查询耗时、Coprocessor 耗时、Coprocessor 调度等待时间),慢查询分为 internal 和 general SQL 语句。
  • Connection Idle Duration:空闲连接的持续时间。
  • 999/99/95/80 Duration:不同类型的 SQL 语句执行耗时(不同百分位)。

Query Detail

  • Duration 80/95/99/999 By Instance:每个 TiDB 实例执行 SQL 语句的耗时(不同百分位)。
  • Failed Query OPM Detail:每个 TiDB 实例上,对每分钟执行 SQL 语句发生的错误按照错误类型进行统计(例如语法错误、主键冲突等)。
  • Internal SQL OPS:整个 TiDB 集群内部 SQL 语句执行的 QPS。内部 SQL 语句是指 TiDB 内部自动执行的 SQL 语句,一般由用户 SQL 语句来触发或者内部定时任务触发。

Server

  • Uptime:每个 TiDB 实例的运行时间。
  • Memory Usage:每个 TiDB 实例的内存使用,分为进程占用内存和 Golang 在堆上申请的内存。
  • CPU Usage:每个 TiDB 实例的 CPU 使用。
  • Connection Count:每个 TiDB 的连接数。
  • Open FD Count:每个 TiDB 实例的打开的文件描述符数量。
  • Disconnection Count:每个 TiDB 实例断开连接的数量。
  • Event OPM:每个 TiDB 实例关键事件,例如 start,close,graceful-shutdown,kill,hang 等。
  • Goroutine Count:每个 TiDB 实例的 Goroutine 数量。
  • Prepare Statement Count:每个 TiDB 实例现存的 Prepare 语句数以及总数。
  • Keep Alive OPM:每个 TiDB 实例每分钟刷新监控的次数,通常不需要关注。
  • Panic And Critical Error:TiDB 中出现的 Panic、Critical Error 数量。
  • Time Jump Back OPS:每个 TiDB 实例上每秒操作系统时间回跳的次数。
  • Get Token Duration:每个连接获取 Token 的耗时。
  • Skip Binlog Count:TiDB 写入 Binlog 失败的数量。
  • Client Data Traffic:TiDB 和客户端的数据流量。

Transaction

  • Transaction OPS:每秒事务的执行数量
  • Duration:事务执行时间
  • Transaction Statement Num:事务中的 SQL 语句数量
  • Transaction Retry Num:事务重试次数
  • Session Retry Error OPS:事务重试时每秒遇到的错误数量,分为重试失败和超过最大重试次数两种类型
  • Commit Token Wait Duration:事务提交时的流控队列等待时间。当出现较长等待时,代表提交事务过大,正在限流。如果系统还有资源可以使用,可以通过增大系统变量 tidb_committer_concurrency 的值来加速提交
  • KV Transaction OPS:每个 TiDB 内部每秒执行的事务数量
    • 一个用户的事务,在 TiDB 内部可能会触发多次事务执行,其中包含,内部元数据的读取,用户事务原子性地多次重试执行等
    • TiDB 内部的定时任务也会通过事务来操作数据库,这部分也包含在这个面板里
  • KV Transaction Duration:每个 TiDB 内部执行事务的耗时
  • Transaction Regions Num:事务操作的 Region 数量
  • Transaction Write KV Num Rate and Sum:事务写入 KV 的速率总和
  • Transaction Write KV Num:事务操作的 KV 数量
  • Statement Lock Keys:单个语句的加锁个数
  • Send HeartBeat Duration:事务发送心跳的时间间隔
  • Transaction Write Size Bytes Rate and sum:事务写入字节数的速率总和
  • Transaction Write Size Bytes:事务写入的数据大小
  • Acquire Pessimistic Locks Duration:加锁所消耗的时间
  • TTL Lifetime Reach Counter:事务的 TTL 寿命上限。TTL 上限默认值 1 小时,它的含义是从悲观事务第一次加锁,或者乐观事务的第一个 prewrite 开始,超过了 1 小时。可以通过修改 TiDB 配置文件中 max-txn-ttl 来改变 TTL 寿命上限
  • Load Safepoint OPS:加载 Safepoint 的次数。Safepoint 作用是在事务读数据时,保证不读到 Safepoint 之前的数据,保证数据安全。因为,Safepoint 之前的数据有可能被 GC 清理掉
  • Pessimistic Statement Retry OPS:悲观语句重试次数。当语句尝试加锁时,可能遇到写入冲突,此时,语句会重新获取新的 snapshot 并再次加锁
  • Transaction Types Per Seconds:每秒采用两阶段提交 (2PC)、异步提交 (Async Commit) 和一阶段提交 (1PC) 机制的事务数量,提供成功和失败两种数量

Executor

  • Parse Duration:SQL 语句解析耗时统计。
  • Compile Duration:将解析后的 SQL AST 编译成执行计划的耗时。
  • Execution Duration:执行 SQL 语句执行计划耗时。
  • Expensive Executor OPS:每秒消耗系统资源比较多的算子。包括 Merge Join、Hash Join、Index Look Up Join、Hash Agg、Stream Agg、Sort、TopN 等。
  • Queries Using Plan Cache OPS:每秒使用 Plan Cache 的查询数量。
  • Plan Cache Miss OPS:每秒出现 Plan Cache Miss 的数量。
  • Plan Cache Memory Usage:每个 TiDB 实例上所有 Plan Cache 缓存的执行计划占用的总内存。
  • Plan Cache Plan Num:每个 TiDB 实例上所有 Plan Cache 缓存的执行计划总数。

Distsql

  • Distsql Duration:Distsql 处理的时长
  • Distsql QPS:每秒 Distsql 的数量
  • Distsql Partial QPS:每秒 Partial Results 的数量
  • Scan Keys Num:每个 Query 扫描的 Key 的数量
  • Scan Keys Partial Num:每一个 Partial Result 扫描的 Key 的数量
  • Partial Num:每个 SQL 语句 Partial Results 的数量

KV Errors

  • KV Backoff Duration:KV 每个请求重试的总时间。TiDB 向 TiKV 的请求都有重试机制,这里统计的是向 TiKV 发送请求时遇到错误重试的总时间
  • TiClient Region Error OPS:TiKV 返回 Region 相关错误信息的数量
  • KV Backoff OPS:TiKV 返回错误信息的数量
  • Lock Resolve OPS:TiDB 清理锁操作的数量。当 TiDB 的读写请求遇到锁时,会尝试进行锁清理
  • Other Errors OPS:其他类型的错误数量,包括清锁和更新 SafePoint

KV Request

下面的监控指标与发送给 TiKV 的请求相关。重试请求会被多次计数。

  • KV Request OPS:KV Request 根据 TiKV 显示执行次数
  • KV Request Duration 99 by store:根据 TiKV 显示 KV Request 执行时间
  • KV Request Duration 99 by type:根据类型显示 KV Request 的执行时间
  • Stale Read Hit/Miss Ops
    • hit:每秒成功执行 Stale Read 的请求数量
    • miss:每秒尝试执行 Stale Read 但失败的请求数量
  • Stale Read Req Ops
    • cross-zone:每秒尝试在远程可用区执行 Stale Read 的请求数量
    • local:每秒尝试在本地可用区执行 Stale Read 的请求数量
  • Stale Read Req Traffic
    • cross-zone-in:尝试在远程可用区执行 Stale Read 的请求的响应的传入流量
    • cross-zone-out:尝试在远程可用区执行 Stale Read 的请求的响应的传出流量
    • local-in:尝试在本地可用区执行 Stale Read 的请求的响应的传入流量
    • local-out:尝试在本地可用区执行 Stale Read 的请求的响应的传出流量

PD Client

  • PD Client CMD OPS:PD Client 每秒执行命令的数量
  • PD Client CMD Duration:PD Client 执行命令耗时
  • PD Client CMD Fail OPS:PD Client 每秒执行命令失败的数量
  • PD TSO OPS:TiDB 每秒从 PD 获取 TSO 的数量
  • PD TSO Wait Duration:TiDB 等待从 PD 返回 TSO 的时间
  • PD TSO RPC Duration:TiDB 从向 PD 发送获取 TSO 的请求到接收到 TSO 的耗时
  • Start TSO Wait Duration:TiDB 从向 PD 发送获取 start tso 请求开始到开始等待 tso 返回的时间

Schema Load

  • Load Schema Duration:TiDB 从 TiKV 获取 Schema 的时间
  • Load Schema OPS:TiDB 从 TiKV 每秒获取 Schema 的数量
  • Schema Lease Error OPM:Schema Lease 出错统计,包括 change 和 outdate 两种,change 代表 schema 发生了变化,outdate 代表无法更新 schema,属于较严重错误,出现 outdate 错误时会报警
  • Load Privilege OPS:TiDB 从 TiKV 每秒获取权限信息的数量

DDL

  • DDL Duration 95:DDL 语句处理时间的 95% 分位
  • Batch Add Index Duration 100:创建索引时每个 Batch 所花费的最大时间
  • DDL Waiting Jobs Count:等待的 DDL 任务数量
  • DDL META OPM:DDL 每分钟获取 META 的次数
  • DDL Worker Duration 99:每个 DDL worker 执行时间的 99% 分位
  • Deploy Syncer Duration:Schema Version Syncer 初始化,重启,清空等操作耗时
  • Owner Handle Syncer Duration:DDL Owner 在执行更新,获取以及检查 Schema Version 的耗时
  • Update Self Version Duration:Schema Version Syncer 更新版本信息耗时
  • DDL OPM:DDL 语句的每秒执行次数
  • DDL backfill progress in percentage:backfill DDL 任务的进度展示

Statistics

  • Auto Analyze Duration 95:自动 ANALYZE 耗时
  • Auto Analyze QPS:自动 ANALYZE 数量
  • Stats Inaccuracy Rate:统计信息不准确度
  • Pseudo Estimation OPS:使用假的统计信息优化 SQL 的数量
  • Dump Feedback OPS:存储统计信息 Feedback 的数量
  • Store Query Feedback QPS:存储合并查询的 Feedback 信息的每秒操作数量,该操作在 TiDB 内存中进行
  • Significant Feedback:重要的 Feedback 更新统计信息的数量
  • Update Stats OPS:利用 Feedback 更新统计信息的数量
  • Fast Analyze Status 100:快速收集统计信息的状态

Owner

  • New ETCD Session Duration 95:创建一个新的 etcd 会话花费的时间。TiDB 通过 etcd client 连接 PD 中的 etcd 保存/读取部分元数据信息。这里记录了创建会话花费的时间
  • Owner Watcher OPS:DDL owner watch PD 的 etcd 的元数据的 goroutine 的每秒操作次数

Meta

  • AutoID QPS:AutoID 相关操作的数量统计,包括全局 ID 分配、单个 Table AutoID 分配、单个 Table AutoID Rebase 三种操作
  • AutoID Duration:AutoID 相关操作的耗时
  • Region Cache Error OPS:TiDB 缓存的 region 信息每秒遇到的错误次数
  • Meta Operations Duration 99:元数据操作延迟

GC

  • Worker Action OPM:GC 相关操作的数量,包括 run_job,resolve_lock,delete_range 等操作
  • Duration 99:GC 相关操作的耗时
  • Config:GC 的数据保存时长 (life time) 和 GC 运行间隔 (run interval) 配置
  • GC Failure OPM:GC 相关操作失败的数量
  • Delete Range Failure OPM:Delete range 失败的次数
  • Too Many Locks Error OPM:GC 清锁过多错误的数量
  • Action Result OPM:GC 相关操作结果数量
  • Delete Range Task Status:Delete range 的任务状态,包含完成和失败状态
  • Push Task Duration 95:将 GC 子任务推送给 GC worker 的耗时

Batch Client

  • Pending Request Count by TiKV:TiKV 批量消息处理的等待数量
  • Wait Duration 95: 批量消息处理的等待时间。
  • Batch Client Unavailable Duration 95:批处理客户端的不可用时长。
  • No Available Connection Counter:批处理客户端不可用的连接数。

TTL

  • TiDB CPU Usage: 每个 TiDB 实例的 CPU 使用。
  • TiKV IO MBps: 每个 TiKV 实例的 I/O 吞吐量。
  • TiKV CPU: 每个 TiKV 实例的 CPU 使用。
  • TTL QPS By Type:TTL 任务产生的不同类型语句的 QPS 信息。
  • TTL Insert Rows Per Second: 每秒钟向 TTL 表插入的数据行数。
  • TTL Processed Rows Per Second:TTL 任务每秒处理的过期数据的行数。
  • TTL Insert Rows Per Hour: 每小时总共向 TTL 表插入的行数。
  • TTL Delete Rows Per Hour: 每小时总共删除的过期行数。
  • TTL Scan/Delete Query Duration:TTL 的扫描/删除语句的执行时间。
  • TTL Scan/Delete Worker Time By Phase:TTL 内部工作线程的不同阶段所占用的时间。
  • TTL Job Count By Status:当前正在执行的 TTL 任务的数量。
  • TTL Task Count By Status:当前正在执行的 TTL 子任务的数量。