TiDB 故障诊断与性能排查：发生即看见，一切可回溯，Continuous Profiling 应用实践

TiDB 故障诊断与性能排查：发生即看见，一切可回溯，Continuous Profiling 应用实践

在企业遭遇的 IT 故障中，约有 30% 与数据库相关。当这些故障涉及到应用系统、网络环境、硬件设备时，恢复时间可能达到数小时，对业务连续性造成破坏，影响用户体验甚至营收。在复杂分布式系统场景下，如何提高数据库的可观测性，帮助运维人员快速诊断问题，优化故障处理流程一直是困扰着企业的一大难题。一次海量数据场景下的性能排查经历没有 Continuous Profiling 的客户故障排查案例19:15 新节点上线19:15 - 19:32 上线的节点由于 OOM 反复重启，导致其他节点上 snapshot 文件积累，节点状态开始异常19:32 收到响应时间过长业务报警19:56 客户联系 PingCAP 技术支持，反映情况如下：集群响应延迟很高，一个 TiKV 节点加入集群后发生掉量，而后删除该节点，但其他 TiKV 节点出现 Disconnect Store 现象，同时发生大量 Leader 调度，集群响应延迟高，服务挂掉20:00 PingCAP 技术支持上线排查20:04 - 21:08 技术支持对多种指标进行排查，从 metrics 的 iotop 发现 raftstore 线程读 io 很高，通过监控发现有大量的 rocksdb snapshot 堆积，怀疑是 region snapshot 的生成导致的，建议用户删掉之前故障 TiKV 节点上的 pending peer，并重启集群20:10 - 20:30 技术支持同时对 profiling 信息排查，抓取火焰图，但因为抓取过程中出问题的函数没有运行，没有看到有用的信息

火焰图的查看方式：（源自：https://brendangregg.com/flamegraphs.html）y 轴表示调用栈，每一层都是一个函数。调用栈越深，火焰就越高，顶部就是正在执行的函数，下方都是它的父函数。x 轴表示抽样数，如果一个函数在 x 轴占据的宽度越宽，就表示它被抽到的次数多，即执行的时间长。注意，x 轴不代表时间，而是所有的调用栈合并后，按字母顺序排列的。火焰图就是看顶层的哪个函数占据的宽度最大。只要有 "平顶"（plateaus），就表示该函数可能存在性能问题。颜色没有特殊含义，因为火焰图表示的是 CPU 的繁忙程度，所以一般选择暖色调。从以上查看方式可以发现，这次抓取到的火焰图并没有一个大的 “平顶”，所有函数的宽度（执行时间长）都是不会太大。在这个阶段，没能直接从火焰图发现性能瓶颈是令人失望的。这时候客户对于恢复业务已经比较着急。21:10 通过删除 pod 的方式重启了某个 TiKV 节点之后，发现 io 并没有降下来21:10 - 21:50 客户继续尝试通过删除 pod 的方式重启 TiKV 节点21:50 再次抓取火焰图，发现 raftstore::store::snap::calc_checksum_and_size 函数处占用的大量的 CPU，确认根因

这次抓取到的火焰图发现一个明显的 “大平顶”，可以明显看到是 raftstore::store::snap::calc_checksum_and_size 函数。这个函数占用了大量的 CPU 执行时长，可以确定整体性能瓶颈就在这里函数相关的功能。到这一步，我们确定了根因，并且也可以根据根因确定恢复方案。22:04 采取操作：停止 TiKV pod，删除流量大的 TiKV 节点 snap 文件夹下所有 gen 文件。目前逐渐恢复中22:25 业务放量，QPS 恢复原先水平，说明操作有效22:30 集群完全恢复集群恢复耗时：19:56 - 22:30，共 2 小时 34 分（154 分）。确认根因，提出有效操作耗时：19:56 - 22:04，共 2 小时 8 分（128 分）。在这个案例中，如果我们能够有一个在故障前、中、后期，连续性地对集群进行性能分析的能力，我们就可以直接对比故障发生时刻和故障前的火焰图，快速发现占用 CPU 执行时间较多的函数，极大节约这个故障中发现问题根因的时间。因此，同样的案例，如果有 Continuous Profiling 功能：19:15 新节点上线19:15 - 19:32 上线的节点由于 OOM 反复重启，导致其他节点上 snapshot 文件积累，节点状态开始异常19:32 收到响应时间过长业务报警19:56 客户联系 PingCAP 技术支持，反映情况如下：集群响应延迟很高，一个 TiKV 节点加入集群后发生掉量，而后删除该节点，但其他 TiKV 节点出现 Disconnect Store 现象，同时发生大量 Leader 调度，集群响应延迟高，服务挂掉20:00 PingCAP 技术支持上线排查20:04 - 20:40 技术支持对多种指标进行排查，从 metrics 的 iotop 发现 raftstore 线程读 io 很高，通过监控发现有大量的 rocksdb snapshot 堆积，怀疑是 region snapshot 的生成导致的20:10 - 20:40 技术支持同时对 continuous profiling 信息排查，查看故障发生时刻的多个火焰图，与未发生故障的正常火焰图对比，发现 raftstore::store::snap::calc_checksum_and_size 函数占用的大量的 CPU，确认根因20:55 采取操作：停止 TiKV pod，删除流量大的 TiKV 节点 snap 文件夹下所有 gen 文件。目前逐渐恢复中21:16 业务放量，QPS 恢复原先水平，说明操作有效21:21 集群完全恢复集群恢复（预期）耗时：19:56 - 21:21，共 1 小时 25 分（85 分），相比下降 44.8%。确认根因，提出有效操作（预期）耗时：19:56 - 20:55，共 59 分，相比下降 53.9%。可以看到该功能可以极大缩短确定根因时间，尽可能帮助客户挽回因性能故障造成的业务停摆损失。“持续性能分析” 功能详解在刚刚发布的 TiDB 5.3 版本中，PingCAP 率先在数据库领域推出 “持续性能分析”（Continuous Profiling）功能（目前为实验特性），跨越分布式系统可观测性的鸿沟，为用户带来数据库源码水平的性能洞察，彻底解答每一个数据库问题。“持续性能分析”是一种从系统调用层面解读资源开销的方法，通过火焰图的形式帮助研发、运维人员定位性能问题的根因，无论过去现在皆可回溯。持续性能分析以低于 0.5% 的性能损耗实现了对数据库内部运行状态持续打快照（类似 CT 扫描），以火焰图的形式从系统调用层面解读资源开销，让原本黑盒的数据库变成白盒。在  TiDB Dashboard 上一键开启持续性能分析后，运维人员可以方便快速地定位性能问题的根因。