545      阿裏雲  技術社區[雲棲]

PgSQL · 最佳實踐 · CPU滿問題處理

前言

在數據庫運維當中，一個DBA比較常遇到又比較緊急的問題，就是突發的CPU滿（CPU利用率達到100%），導致業務停滯。DBA不一定非常熟悉業務實現邏輯，也不能掌控來自應用的變更或負載變化情況。 所以，遇到CPU滿，往往隻能從後端數據庫開始排查，追溯到具體SQL，最終定位到業務層。這裏我們總結下這個問題具體的處理方法。

查看連接數變化

CPU利用率到達100%，首先懷疑，是不是業務高峰活躍連接陡增，而數據庫預留的資源不足造成的結果。我們需要查看下，問題發生時，活躍的連接數是否比平時多很多。對於RDS for PG，數據庫上的連接數變化，可以從控製台的監控信息中看到。而當前活躍的連接數可以直接連接數據庫，使用下列查詢語句得到：

select count( * ) from pg_stat_activity where state not like '%idle';

追蹤慢SQL

如果活躍連接數的變化處於正常範圍，則很大概率可能是當時有性能很差的SQL被大量執行導致。由於RDS有慢SQL日誌，我們可以通過這個日誌，定位到當時比較耗時的SQL來進一步做分析。但通常問題發生時，整個係統都處於停滯狀態，所有SQL都慢下來，當時記錄的慢SQL可能非常多，並不容易排查罪魁禍首。這裏我們介紹幾種在問題發生時，即介入追查慢SQL的方法。

1. 第一種方法是使用pg_stat_statements插件定位慢SQL，步驟如下。

1.1. 如果沒有創建這個插件，需要手動創建。我們要利用插件和數據庫係統裏麵的計數信息（如SQL執行時間累積等），而這些信息是不斷累積的，包含了曆史信息。為了更方便的排查當前的CPU滿問題，我們要先重置計數器。

create extension pg_stat_statements;
select pg_stat_reset();
select pg_stat_statements_reset();

1.2. 等待一段時間（例如1分鍾），使計數器積累足夠的信息。

1.3. 查詢最耗時的SQL（一般就是導致問題的直接原因）。

select * from pg_stat_statements order by total_time desc limit 5;

1.4. 查詢讀取Buffer次數最多的SQL，這些SQL可能由於所查詢的數據沒有索引，而導致了過多的Buffer讀，也同時大量消耗了CPU。

select * from pg_stat_statements order by shared_blks_hit+shared_blks_read desc limit 5;

2. 第二種方法是，直接通過pg_stat_activity視圖，利用下麵的查詢，查看當前長時間執行，一直不結束的SQL。這些SQL對應造成CPU滿，也有直接嫌疑。

 select datname, usename, client_addr, application_name, state, backend_start, xact_start, xact_stay, query_start, query_stay, replace(query, chr(10), ' ') as query from (select pgsa.datname as datname, pgsa.usename as usename, pgsa.client_addr client_addr, pgsa.application_name as application_name, pgsa.state as state, pgsa.backend_start as backend_start, pgsa.xact_start as xact_start, extract(epoch from (now() - pgsa.xact_start)) as xact_stay, pgsa.query_start as query_start, extract(epoch from (now() - pgsa.query_start)) as query_stay , pgsa.query as query from pg_stat_activity as pgsa where pgsa.state != 'idle' and pgsa.state != 'idle in transaction' and pgsa.state != 'idle in transaction (aborted)') idleconnections order by query_stay desc limit 5;

3. 第3種方法，是從數據表上表掃描（Table Scan）的信息開始查起，查找缺失索引的表。數據表如果缺失索引，大部分熱數據又都在內存時（例如內存8G，熱數據6G），此時數據庫隻能使用表掃描，並需要處理已在內存中的大量的無關記錄，而耗費大量CPU。特別是對於表記錄數超100的表，一次表掃描占用大量CPU（基本把一個CPU占滿），多個連接並發（例如上百連接），把所有CPU占滿。

3.1. 通過下麵的查詢，查出使用表掃描最多的表：

select * from pg_stat_user_tables where n_live_tup > 100000 and seq_scan > 0 order by seq_tup_read desc limit 10;

3.2. 查詢當前正在運行的訪問到上述表的慢查詢：

select * from pg_stat_activity where query ilike '%<table name>%' and query_start - now() > interval '10 seconds';

3.3. 也可以通過pg_stat_statements插件定位涉及到這些表的查詢：

select * from pg_stat_statements where query ilike '%<table>%'order by shared_blks_hit+shared_blks_read desc limit 3;

處理慢SQL

對於上麵的方法查出來的慢SQL，首先需要做的可能是Cancel或Kill掉他們，使業務先恢複：

select pg_cancel_backend(pid) from pg_stat_activity where  query like '%<query text>%' and pid != pg_backend_pid();
select pg_terminate_backend(pid) from pg_stat_activity where  query like '%<query text>%' and pid != pg_backend_pid();

如果這些SQL確實是業務上必需的，則需要對他們做優化。這方麵有“三板斧”：

1. 對查詢涉及的表，執行ANALYZE <table>或VACUUM ANZLYZE <table>，更新表的統計信息，使查詢計劃更準確。注意，為避免對業務影響，最好在業務低峰執行。

2. 執行explain 或explain (buffers true, analyze true, verbose true) 命令，查看SQL的執行計劃（注意，前者不會實際執行SQL，後者會實際執行而且能得到詳細的執行信息），對其中的Table Scan涉及的表，建立索引。

3. 重新編寫SQL，去除掉不必要的子查詢、改寫UNION ALL、使用JOIN CLAUSE固定連接順序等到，都是進一步深度優化SQL的手段，這裏不再深入說明。

總結

需要說明的是，這些方法對於RDS for PPAS產品同樣適用，但在使用我們所列的命令時，由於權限限製，需要把上麵提到的視圖、函數、命令做如下轉換：

pg_stat_statements_reset() => rds_pg_stat_statements_reset()

pg_stat_statements => rds_pg_stat_statements()

pg_stat_reset() => rds_pg_stat_reset()

pg_cancel_backend() => rds_pg_cancel_backend()

pg_terminate_backend() => rds_pg_terminate_backend()

pg_stat_activity => rds_pg_stat_activity()

create extension pg_stat_statements => rds_manage_extension('create', 'pg_stat_statements')

上麵我們分析了處理CPU滿，追查問題SQL的一些方法。大家可以按部就班的嚐試我們列出的命令，定位問題。

最後更新：2017-07-21 09:03:13

  上一篇：  MySQL · 源碼分析 · InnoDB 異步IO工作流程

  下一篇：  MySQL · 實現分析 · HybridDB for MySQL 數據壓縮