バックアップと復元の監視とアラート

このドキュメントでは、監視コンポーネント、監視メトリック、一般的なアラートの展開方法など、バックアップおよび復元機能の監視とアラートについて説明します。

ログバックアップの監視

ログバックアップでは、プロメテウスを使用したモニタリングメトリックの収集がサポートされています。現在、すべての監視メトリックは TiKV に組み込まれています。

監視構成

TiUPを使用してデプロイされたクラスターの場合、Prometheus はモニタリングメトリックを自動的に収集します。
手動でデプロイされたクラスターの場合は、 TiDBクラスタモニタリングの展開の手順に従って、TiKV 関連のジョブを Prometheus 構成ファイルのscrape_configsセクションに追加します。

グラファナの構成

TiUPを使用してデプロイされたクラスターの場合、グラファナダッシュボードにはポイントインタイムリカバリ (PITR) パネルが含まれています。 TiKV-Details ダッシュボードのバックアップログパネルは PITR パネルです。
手動でデプロイされたクラスターの場合は、 Grafana ダッシュボードをインポートするを参照し、 tikv_details JSON ファイルを Grafana にアップロードします。次に、TiKV-Details ダッシュボードで[バックアップログ]パネルを見つけます。

モニタリング指標

メトリクス	タイプ	説明
tikv_log_backup_interal_actor_acting_duration_sec	ヒストグラム	すべての内部メッセージとイベントを処理する期間。 `message :: TaskType`
tikv_log_backup_initial_scan_reason	カウンター	初期スキャンがトリガーされる理由の統計。主な理由は、リーダーの異動またはリージョンのバージョン変更です。 `reason :: {"leader-changed", "region-changed", "retry"}`
tikv_log_backup_event_handle_duration_sec	ヒストグラム	KV イベントの処理期間。 `tikv_log_backup_on_event_duration_seconds`と比較すると、この指標には内部コンバージョンの期間も含まれます。 `stage :: {"to_stream_event", "save_to_temp_file"}`
tikv_log_backup_handle_kv_batch	ヒストグラム	Raftstoreによって送信された KV ペアバッチのサイズのリージョンレベルの統計。
tikv_log_backup_initial_scan_disk_read	カウンター	初期スキャン中にディスクから読み取られたデータのサイズ。 Linux では、この情報は procfs から取得されます。これは、ブロックデバイスから実際に読み取られたデータのサイズです。構成項目`initial-scan-rate-limit`は、このメトリックに適用されます。
tikv_log_backup_incremental_scan_bytes	ヒストグラム	初期スキャン中に実際に生成される KV ペアのサイズ。圧縮と読み取り増幅のため、この値は`tikv_log_backup_initial_scan_disk_read`の値とは異なる場合があります。
tikv_log_backup_skip_kv_count	カウンター	バックアップに役立たないため、ログのバックアップ中にスキップされたRaftイベントの数。
tikv_log_backup_errors	カウンター	ログのバックアップ中に再試行または無視できるエラー。 `type :: ErrorType`
tikv_log_backup_fatal_errors	カウンター	ログのバックアップ中に再試行または無視できないエラー。このタイプのエラーが発生すると、ログのバックアップは一時停止されます。 `type :: ErrorType`
tikv_log_backup_heap_memory	ゲージ	未消費で、ログバックアップ中の初期スキャンで検出されたイベントによって占有されるメモリ。
tikvlog_backup_on_event_duration秒	ヒストグラム	KV イベントを一時ファイルに保存する期間。 `stage :: {"write_to_tempfile", "syscall_write"}`
tikv_log_backup_store_checkpoint_ts	ゲージ	ストアレベルのチェックポイント TS (非推奨)。現在のストアによって登録されている GC セーフポイントに近いです。 `task :: string`
tidb_log_backup_last_checkpoint	ゲージ	グローバルチェックポイント TS。どの時点までのログデータがバックアップされているかの時点です。 `task :: string`
tikv_log_backup_flush_duration_sec	ヒストグラム	ローカル一時ファイルを外部storageに移動する期間。 `stage :: {"generate_metadata", "save_files", "clear_temp_files"}`
tikv_log_backup_flush_file_size	ヒストグラム	バックアップ中に生成されたファイルのサイズの統計。
tikv_log_backup_initial_scan_duration_sec	ヒストグラム	初期スキャンの全体的な期間の統計。
tikv_log_backup_skip_retry_observe	カウンター	ログのバックアップ中に無視できるエラーの統計、または再試行がスキップされる理由。 `reason :: {"region-absent", "not-leader", "stale-command"}`
tikv_log_backup_initial_scan_operations	カウンター	初期スキャン中の RocksDB 関連の操作の統計。 `cf :: {"default", "write", "lock"}, op :: RocksDBOP`
tikv_log_backup_enabled	カウンター	ログのバックアップを有効にするかどうか。値が`0`より大きい場合、ログのバックアップが有効になります。
tikv_log_backup_observed_region	ゲージ	リッスンされているリージョンの数。
tikv_log_backup_task_status	ゲージ	ログバックアップタスクのステータス。 `0`実行を意味します。 `1`一時停止を意味します。 `2`エラーを意味します。 `task :: string`
tikv_log_backup_pending_initial_scan	ゲージ	保留中の初期スキャンの統計。 `stage :: {"queuing", "executing"}`

ログバックアップアラート

アラート設定

現在、PITR には組み込みのアラート項目がありません。このセクションでは、PITR でアラート項目を構成する方法と、いくつかの推奨項目を紹介します。

PITR でアラート項目を構成するには、次の手順に従います。

Prometheus が配置されているノード上にアラートルールの構成ファイル (たとえば、 pitr.rules.yml ) を作成します。ファイルには、プロメテウスのドキュメント、以下の推奨アラート項目、設定サンプルに従ってアラートルールを記入します。
Prometheus 構成ファイルのrule_filesフィールドに、アラートルールファイルのパスを追加します。
SIGHUPシグナルを Prometheus プロセス ( kill -HUP pid ) に送信するか、HTTP POSTリクエストをhttp://prometheus-addr/-/reloadに送信します (HTTP リクエストを送信する前に、Prometheus の起動時に--web.enable-lifecycleパラメーターを追加します)。

推奨されるアラート項目は次のとおりです。

ログバックアップ実行RPO10m以上

警告項目: max(time() - tidb_log_backup_last_checkpoint / 262144000) by (task) / 60 > 10 and max(tidb_log_backup_last_checkpoint) by (task) > 0 and max(tikv_log_backup_task_status) by (task) == 0
警戒レベル：警告
説明: ログデータがstorageに 10 分を超えて保存されません。このアラート項目はリマインダーです。ほとんどの場合、ログのバックアップには影響しません。

このアラート項目の設定サンプルは以下のとおりです。

groups:
- name: PiTR
  rules:
  - alert: LogBackupRunningRPOMoreThan10m
    expr: max(time() - tidb_log_backup_last_checkpoint / 262144000) by (task) / 60 > 10 and max(tidb_log_backup_last_checkpoint) by (task) > 0 and max(tikv_log_backup_task_status) by (task) == 0
    labels:
      severity: warning
    annotations:
      summary: RPO of log backup is high
      message: RPO of the log backup task {{ $labels.task }} is more than 10m

ログバックアップ実行RPO30m以上

警告項目: max(time() - tidb_log_backup_last_checkpoint / 262144000) by (task) / 60 > 30 and max(tidb_log_backup_last_checkpoint) by (task) > 0 and max(tikv_log_backup_task_status) by (task) == 0
警告レベル: クリティカル
説明: ログデータはstorageに 30 分を超えて保存されません。このアラートは多くの場合、異常を示します。 TiKV ログを確認して原因を見つけることができます。

ログバックアップ一時停止2時間以上

警告項目: max(time() - tidb_log_backup_last_checkpoint / 262144000) by (task) / 3600 > 2 and max(tidb_log_backup_last_checkpoint) by (task) > 0 and max(tikv_log_backup_task_status) by (task) == 1
警戒レベル：警告
説明: ログバックアップタスクが 2 時間以上一時停止されています。このアラート項目はリマインダーであり、できるだけ早くbr log resumeを実行することが期待されます。

ログバックアップ一時停止12 時間以上

警告項目: max(time() - tidb_log_backup_last_checkpoint / 262144000) by (task) / 3600 > 12 and max(tidb_log_backup_last_checkpoint) by (task) > 0 and max(tikv_log_backup_task_status) by (task) == 1
警告レベル: クリティカル
説明: ログバックアップタスクが 12 時間以上一時停止されています。タスクを再開するには、できるだけ早くbr log resumeを実行する必要があります。ログタスクの一時停止が長すぎると、データが失われるリスクがあります。

ログバックアップ失敗

警告項目: max(tikv_log_backup_task_status) by (task) == 2 and max(tidb_log_backup_last_checkpoint) by (task) > 0
警告レベル: クリティカル
説明: ログバックアップタスクが失敗しました。失敗の理由を確認するには、 br log statusを実行する必要があります。必要に応じて、TiKV ログをさらに確認する必要があります。

LogBackupGCSafePointExceedsCheckpoint

警告項目: min(tidb_log_backup_last_checkpoint) by (instance) - max(tikv_gcworker_autogc_safe_point) by (instance) < 0
警告レベル: クリティカル
説明: 一部のデータはバックアップ前にガベージコレクションされました。これは、一部のデータが失われ、サービスに影響を与える可能性が非常に高いことを意味します。