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 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_PING、COM_SLEEP、COM_STMT_FETCH、COM_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 SELECT、INSERT、UPDATE 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，对每秒钟执行 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 实例执行 SQL 语句发生的错误按照错误类型统计（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 TiDB 配置文件中 committer-concurrency 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。

• 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

  • 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

• 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。