TiDB Binlog 集群监控

使用 TiDB Ansible 成功部署 TiDB Binlog 集群后，可以进入 Grafana Web 界面（默认地址: http://grafana_ip:3000，默认账号：admin，密码：admin）查看 Pump 和 Drainer 的运行状态。

监控指标

Pump

Drainer

监控报警规则

本节介绍了 TiDB Binlog 组件的报警项及相应的报警规则。根据严重级别，报警项可分为三类，按照严重程度由高到低依次为：紧急级别 (Emergency)、重要级别 (Critical)、警告级别 (Warning)。

紧急级别报警项

紧急级别的报警通常由于服务停止或节点故障导致，此时需要马上进行人工干预操作。

binlog_pump_storage_error_count

• 报警规则：

  changes(binlog_pump_storage_error_count[1m]) > 0

• 规则描述：

  Pump 写 binlog 到本地存储时失败。

• 处理方法：

  确认 pump_storage_error 监控是否存在错误，查看 Pump 日志确认原因。

重要级别报警项

对于重要级别的报警，需要密切关注异常指标。

binlog_drainer_checkpoint_high_delay

• 报警规则：

  (time() - binlog_drainer_checkpoint_tso / 1000) > 3600

• 规则描述：

  Drainer 同步落后延迟超过 1 个小时。

• 处理方法：

  • 判断从 Pump 获取数据是否太慢：

    监控 Pump handle tso 可以看每个 Pump 最近一条消息的时间，是不是有延迟特别大的 Pump，确认对应 Pump 正常运行。

  • 根据 Drainer event 和 Drainer execute latency 来判断是否下游同步太慢：

    • 如果 Drainer execute time 过大，则检查到目标库网络带宽和延迟，以及目标库状态。
    • 如果 Drainer execute time 不大，Drainer event 过小，则增加 work count 和 batch 进行重试。

  • 如果上面都不满足或者操作后没有改观，则报备开发人员 support@pingcap.com 进行处理。

警告级别报警项

警告级别的报警是对某一问题或错误的提醒。

binlog_pump_write_binlog_rpc_duration_seconds_bucket

• 报警规则：

  histogram_quantile(0.9, rate(binlog_pump_rpc_duration_seconds_bucket{method="WriteBinlog"}[5m])) > 1

• 规则描述：

  Pump 处理 TiDB 写 Binlog 请求耗时过大。

• 处理方法：

  • 确认磁盘性能压力，通过 node exported 查看 disk performance 监控。
  • 如果 disk latency 和 util 都很低，那么报备开发人员 support@pingcap.com 进行处理。

binlog_pump_storage_write_binlog_duration_time_bucket

• 报警规则：

  histogram_quantile(0.9, rate(binlog_pump_storage_write_binlog_duration_time_bucket{type="batch"}[5m])) > 1

• 规则描述：

  Pump 写本地 binlog 到本地盘的耗时。

• 处理方法：

  确认 Pump 本地盘情况，进行修复。

binlog_pump_storage_available_size_less_than_20G

• 报警规则：

  binlog_pump_storage_storage_size_bytes{type="available"} < 20 * 1024 * 1024 * 1024

• 规则描述：

  Pump 剩余可用磁盘空间不足 20 G。

• 处理方法：

  监控确认 Pump 的 gc_tso 是否正常。如果不正常，调整 Pump 的 GC 时间配置或者下线对应 Pump。

binlog_drainer_checkpoint_tso_no_change_for_1m

• 报警规则：

  changes(binlog_drainer_checkpoint_tso[1m]) < 1

• 规则描述：

  Drainer 的 checkpoint 在 1 分钟内没有更新。

• 处理方法：

  确认所有非下线的 Pump 是否正常运行。

binlog_drainer_execute_duration_time_more_than_10s

• 报警规则：

  histogram_quantile(0.9, rate(binlog_drainer_execute_duration_time_bucket[1m])) > 10

• 规则描述：

  Drainer 同步到 TiDB 的事务耗时。如果这个值过大，会影响 Drainer 同步。

• 处理方法：

  • 查看 TiDB 集群的状态。
  • 查看 Drainer 日志或监控，如果是 DDL 操作导致了该问题，则忽略。