TiDB
社区
联系我们
​

TiKV 监控指标详解

使用 TiUP 部署 TiDB 集群时，一键部署监控系统 (Prometheus & Grafana)，监控架构参见 TiDB 监控框架概述。

目前 Grafana Dashboard 整体分为 PD、TiDB、TiKV、Node_exporter、Overview、Performance_overview 等。

TiKV-Details 面板

对于日常运维，通过观察 TiKV-Details 面板上的指标，可以了解 TiKV 当前的状态。根据性能地图可以检查集群的状态是否符合预期。

以下为 TiKV-Details 默认的监控信息：

Cluster

  • Store size：每个 TiKV 实例的使用的存储空间的大小
  • Available size：每个 TiKV 实例的可用的存储空间的大小
  • Capacity size：每个 TiKV 实例的存储容量的大小
  • CPU：每个 TiKV 实例 CPU 的使用率
  • Memory：每个 TiKV 实例内存的使用情况
  • IO utilization：每个 TiKV 实例 IO 的使用率
  • MBps：每个 TiKV 实例写入和读取的数据量大小
  • QPS：每个 TiKV 实例上各种命令的 QPS
  • Errps：每个 TiKV 实例上 gRPC 消息失败的速率
  • leader：每个 TiKV 实例 leader 的个数
  • Region：每个 TiKV 实例 Region 的个数
  • Uptime：自上次重启以来 TiKV 正常运行的时间

TiKV Dashboard - Cluster metrics

Errors

  • Critical error：严重错误的数量
  • Server is busy：各种会导致 TiKV 实例暂时不可用的事件个数，如 write stall，channel full 等，正常情况下应当为 0
  • Server report failures：server 报错的消息个数，正常情况下应当为 0
  • Raftstore error：每个 TiKV 实例上 raftstore 发生错误的个数
  • Scheduler error：每个 TiKV 实例上 scheduler 发生错误的个数
  • Coprocessor error：每个 TiKV 实例上 coprocessor 发生错误的个数
  • gRPC message error：每个 TiKV 实例上 gRPC 消息发生错误的个数
  • Leader drop：每个 TiKV 实例上 drop leader 的个数
  • Leader missing：每个 TiKV 实例上 missing leader 的个数
  • Log Replication Rejected：每个 TiKV 实例上由于内存不足而拒绝 logappend 消息的个数

TiKV Dashboard - Errors metrics

Server

  • CF size：每个列族的大小
  • Store size：每个 TiKV 实例的使用的存储空间的大小
  • Channel full：每个 TiKV 实例上 channel full 错误的数量，正常情况下应当为 0
  • Active written leaders：各个 TiKV 实例中正在被写入的 Leader 的数量
  • Approximate Region size：每个 Region 近似的大小
  • Approximate Region size Histogram：每个 Region 近似大小的直方图
  • Region average written keys：每个 TiKV 实例上所有 Region 的平均 key 写入个数
  • Region average written bytes：每个 TiKV 实例上所有 Region 的平均写入大小

TiKV Dashboard - Server metrics

gRPC

  • gRPC message count：每种 gRPC 请求的速度
  • gRPC message failed：失败的 gRPC 请求的速度
  • 99% gRPC message duration：99% gRPC 请求的执行时间小于该值
  • Average gRPC message duration：gRPC 请求平均的执行时间
  • gRPC batch size：TiDB 与 TiKV 之间 grpc 请求的 batch 大小
  • raft message batch size：TiKV 与 TiKV 之间 raft 消息的 batch 大小

Thread CPU

  • Raft store CPU：raftstore 线程的 CPU 使用率，通常应低于 80% * raftstore.store-pool-size
  • Async apply CPU：async apply 线程的 CPU 使用率，通常应低于 90% * raftstore.apply-pool-size
  • Scheduler worker CPU：scheduler worker 线程的 CPU 使用率，通常应低于 90% * storage.scheduler-worker-pool-size
  • gRPC poll CPU：gRPC 线程的 CPU 使用率，通常应低于 80% * server.grpc-concurrency
  • Unified read pool CPU：unified read pool 线程的 CPU 使用率
  • Storage ReadPool CPU：storage read pool 线程的 CPU 使用率
  • Coprocessor CPU：coprocessor 线程的 CPU 使用率
  • RocksDB CPU：RocksDB 线程的 CPU 使用率
  • GC worker CPU：GC worker 线程的 CPU 使用率
  • BackGround worker CPU：background worker 线程的 CPU 使用率

PD

  • PD requests：TiKV 发送给 PD 的请求速度
  • PD request duration (average)：TiKV 发送给 PD 的请求处理的平均时间
  • PD heartbeats：发送给 PD 的心跳的速度
  • PD validate peers：TiKV 发送给 PD 用于验证 TiKV 的 peer 有效的消息的速度

Raft IO

  • Apply log duration：Raft apply 日志所花费的时间
  • Apply log duration per server：每个 TiKV 实例上 Raft apply 日志所花费的时间
  • Append log duration：Raft append 日志所花费的时间
  • Append log duration per server：每个 TiKV 实例上 Raft append 日志所花费的时间
  • Commit log duration：Raft commit 日志所花费的时间
  • Commit log duration per server：每个 TiKV 实例上 Raft commit 日志所花费的时间

TiKV Dashboard - Raft IO metrics

Raft process

  • Ready handled：Raft 中不同 ready 类型的 ops
    • count: 批量处理 ready 的 ops
    • has_ready_region: 获得 ready 的 Region 的 ops
    • pending_region: 被检查是否获得 ready 的 Region 的 ops，v3.0.0 后废弃
    • message: ready 内待发送 message 的 ops
    • append: ready 内 Raft log entry 的 ops
    • commit: ready 内 committed Raft log entry 的 ops
    • snapshot: 携带 snapshot 的 ready 的 ops
  • 0.99 Duration of Raft store events：99% 的 raftstore 事件所花费的时间
  • Process ready duration：处理 ready 所花费的时间
  • Process ready duration per server：每个 TiKV 实例处理 ready 所花费的时间，99.99% 的情况下，应该小于 2s

TiKV Dashboard - Raft process metrics

Raft message

  • Sent messages per server：每个 TiKV 实例发送 Raft 消息的 ops
  • Flush messages per server：每个 TiKV 实例中 raft client 往外 flush Raft 消息的 ops
  • Receive messages per server：每个 TiKV 实例接受 Raft 消息的 ops
  • Messages：发送不同类型的 Raft 消息的 ops
  • Vote：Raft 投票消息发送的 ops
  • Raft dropped messages：每秒钟丢弃不同类型的 Raft 消息的个数

TiKV Dashboard - Raft message metrics

Raft propose

  • Raft apply proposals per ready：在一个 batch 内，apply proposal 时每个 ready 中包含 proposal 的个数的直方图
  • Raft read/write proposals：不同类型的 proposal 的 ops
  • Raft read proposals per server：每个 TiKV 实例发起读 proposal 的 ops
  • Raft write proposals per server：每个 TiKV 实例发起写 proposal 的 ops
  • Propose wait duration：proposal 的等待时间的直方图
  • Propose wait duration per server：每个 TiKV 实例上每个 proposal 的等待时间的直方图
  • Apply wait duration：apply 的等待时间的直方图
  • Apply wait duration per server：每个 TiKV 实例上每个 apply 的等待时间的直方图
  • Raft log speed：peer propose 日志的平均速度

TiKV Dashboard - Raft propose metrics

Raft admin

  • Admin proposals：admin proposal 的 ops
  • Admin apply：apply 命令的 ops
  • Check split：split check 命令的 ops
  • 99.99% Check split duration：99.99% 的情况下，split check 所需花费的时间

TiKV Dashboard - Raft admin metrics

Local reader

  • Local reader requests：所有请求的总数以及 local read 线程拒绝的请求数量

TiKV Dashboard - Local reader metrics

Unified Read Pool

  • Time used by level：在 unified read pool 中每个级别使用的时间，级别 0 指小查询
  • Level 0 chance：在 unified read pool 中调度的 level 0 任务的比例
  • Running tasks：在 unified read pool 中并发运行的任务数量

Storage

  • Storage command total：收到不同命令的 ops
  • Storage async request error：异步请求出错的 ops
  • Storage async snapshot duration：异步处理 snapshot 所花费的时间，99% 的情况下，应该小于 1s
  • Storage async write duration：异步写所花费的时间，99% 的情况下，应该小于 1s

TiKV Dashboard - Storage metrics

Scheduler

  • Scheduler stage total：每种命令不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
  • Scheduler writing bytes：每个 TiKV 实例正在处理的命令的写入字节数量
  • Scheduler priority commands：不同优先级命令的 ops
  • Scheduler pending commands：每个 TiKV 实例上 pending 命令的 ops

TiKV Dashboard - Scheduler metrics

Scheduler - commit

  • Scheduler stage total：commit 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
  • Scheduler command duration：执行 commit 命令所需花费的时间，正常情况下，应该小于 1s
  • Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
  • Scheduler keys read：commit 命令读取 key 的个数
  • Scheduler keys written：commit 命令写入 key 的个数
  • Scheduler scan details：执行 commit 命令时，扫描每个 CF 中 key 的详细情况
  • Scheduler scan details [lock]：执行 commit 命令时，扫描每个 lock CF 中 key 的详细情况
  • Scheduler scan details [write]：执行 commit 命令时，扫描每个 write CF 中 key 的详细情况
  • Scheduler scan details [default]：执行 commit 命令时，扫描每个 default CF 中 key 的详细情况

TiKV Dashboard - Scheduler commit metrics

Scheduler - pessimistic_rollback

  • Scheduler stage total：pessimistic_rollback 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
  • Scheduler command duration：执行 pessimistic_rollback 命令所需花费的时间，正常情况下，应该小于 1s
  • Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
  • Scheduler keys read：pessimistic_rollback 命令读取 key 的个数
  • Scheduler keys written：pessimistic_rollback 命令写入 key 的个数
  • Scheduler scan details：执行 pessimistic_rollback 命令时，扫描每个 CF 中 key 的详细情况
  • Scheduler scan details [lock]：执行 pessimistic_rollback 命令时，扫描每个 lock CF 中 key 的详细情况
  • Scheduler scan details [write]：执行 pessimistic_rollback 命令时，扫描每个 write CF 中 key 的详细情况
  • Scheduler scan details [default]：执行 pessimistic_rollback 命令时，扫描每个 default CF 中 key 的详细情况

Scheduler - prewrite

  • Scheduler stage total：prewrite 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
  • Scheduler command duration：执行 prewrite 命令所需花费的时间，正常情况下，应该小于 1s
  • Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
  • Scheduler keys read：prewrite 命令读取 key 的个数
  • Scheduler keys written：prewrite 命令写入 key 的个数
  • Scheduler scan details：执行 prewrite 命令时，扫描每个 CF 中 key 的详细情况
  • Scheduler scan details [lock]：执行 prewrite 命令时，扫描每个 lock CF 中 key 的详细情况
  • Scheduler scan details [write]：执行 prewrite 命令时，扫描每个 write CF 中 key 的详细情况
  • Scheduler scan details [default]：执行 prewrite 命令时，扫描每个 default CF 中 key 的详细情况

Scheduler - rollback

  • Scheduler stage total：rollback 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
  • Scheduler command duration：执行 rollback 命令所需花费的时间，正常情况下，应该小于 1s
  • Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
  • Scheduler keys read：rollback 命令读取 key 的个数
  • Scheduler keys written：rollback 命令写入 key 的个数
  • Scheduler scan details：执行 rollback 命令时，扫描每个 CF 中 key 的详细情况
  • Scheduler scan details [lock]：执行 rollback 命令时，扫描每个 lock CF 中 key 的详细情况
  • Scheduler scan details [write]：执行 rollback 命令时，扫描每个 write CF 中 key 的详细情况
  • Scheduler scan details [default]：执行 rollback 命令时，扫描每个 default CF 中 key 的详细情况

GC

  • GC tasks：由 gc_worker 处理的 GC 任务的个数
  • GC tasks Duration：执行 GC 任务时所花费的时间
  • TiDB GC seconds：TiDB 执行 GC 花费的时间
  • TiDB GC worker actions：TiDB GC worker 的不同 action 的个数
  • TiKV AutoGC Working：Auto GC 管理器的工作状态
  • ResolveLocks Progress：GC 第一阶段 (ResolveLocks) 的进度
  • TiKV Auto GC Progress：GC 第二阶段的进度
  • GC speed：GC 每秒删除的 key 的数量
  • TiKV Auto GC SafePoint：TiKV GC 的 safe point 的数值，safe point 为当前 GC 的时间戳
  • GC lifetime：TiDB 设置的 GC lifetime
  • GC interval：TiDB 设置的 GC 间隔
  • GC in Compaction Filter：write CF 的 Compaction Filter 中已过滤版本的数量

Snapshot

  • Rate snapshot message：发送 Raft snapshot 消息的速率
  • 99% Handle snapshot duration：99% 的情况下，处理 snapshot 所需花费的时间
  • Snapshot state count：不同状态的 snapshot 的个数
  • 99.99% Snapshot size：99.99% 的 snapshot 的大小
  • 99.99% Snapshot KV count：99.99% 的 snapshot 包含的 key 的个数

Task

  • Worker handled tasks：worker 每秒钟处理的任务的数量
  • Worker pending tasks：当前 worker 中，每秒钟 pending 和 running 的任务的数量，正常情况下，应该小于 1000
  • FuturePool handled tasks：future pool 每秒钟处理的任务的数量
  • FuturePool pending tasks：当前 future pool 中，每秒钟 pending 和 running 的任务的数量

Coprocessor Overview

  • Request duration：从收到 coprocessor 请求到处理结束所消耗的总时间
  • Total Requests：每种类型的总请求的 ops
  • Handle duration：每分钟实际处理 coprocessor 请求所消耗的时间的直方图
  • Total Request Errors：Coprocessor 每秒请求错误的数量，正常情况下，短时间内不应该有大量的错误
  • Total KV Cursor Operations：各种类型的 KV cursor 操作的总数量的 ops，例如 select、index、analyze_table、analyze_index、checksum_table、checksum_index 等
  • KV Cursor Operations：每秒各种类型的 KV cursor 操作的数量，以直方图形式显示
  • Total RocksDB Perf Statistics：RocksDB 性能统计数据
  • Total Response Size：coprocessor 回应的数据大小

Coprocessor Detail

  • Handle duration：每秒钟实际处理 coprocessor 请求所消耗的时间的直方图
  • 95% Handle duration by store：每秒钟中 95% 的情况下，每个 TiKV 实例处理 coprocessor 请求所花费的时间
  • Wait duration：coprocessor 每秒钟内请求的等待时间，99.99% 的情况下，应该小于 10s
  • 95% Wait duration by store：每秒钟 95% 的情况下，每个 TiKV 实例上 coprocessor 请求的等待时间
  • Total DAG Requests：DAG 请求的总数量的 ops
  • Total DAG Executors：DAG executor 的总数量的 ops
  • Total Ops Details (Table Scan)：coprocessor 中请求为 select 的 scan 过程中每秒钟各种事件发生的次数
  • Total Ops Details (Index Scan)：coprocessor 中请求为 index 的 scan 过程中每秒钟各种事件发生的次数
  • Total Ops Details by CF (Table Scan)：coprocessor 中对于每个 CF 请求为 select 的 scan 过程中每秒钟各种事件发生的次数
  • Total Ops Details by CF (Index Scan)：coprocessor 中对于每个 CF 请求为 index 的 scan 过程中每秒钟各种事件发生的次数

Threads

  • Threads state：TiKV 线程的状态
  • Threads IO：TiKV 各个线程的 I/O 流量
  • Thread Voluntary Context Switches：TiKV 线程自主切换的次数
  • Thread Nonvoluntary Context Switches：TiKV 线程被动切换的次数

RocksDB - kv/raft

  • Get operations：get 操作的 ops
  • Get duration：get 操作的耗时
  • Seek operations：seek 操作的 ops
  • Seek duration：seek 操作的耗时
  • Write operations：write 操作的 ops
  • Write duration：write 操作的耗时
  • WAL sync operations：sync WAL 操作的 ops
  • Write WAL duration：write 操作中写 WAL 的耗时
  • WAL sync duration：sync WAL 操作的耗时
  • Compaction operations：compaction 和 flush 操作的 ops
  • Compaction duration：compaction 和 flush 操作的耗时
  • SST read duration：读取 SST 所需的时间
  • Write stall duration：由于 write stall 造成的时间开销，正常情况下应为 0
  • Memtable size：每个 CF 的 memtable 的大小
  • Memtable hit：memtable 的命中率
  • Block cache size：block cache 的大小。如果将 shared block cache 禁用，即为每个 CF 的 block cache 的大小
  • Block cache hit：block cache 的命中率
  • Block cache flow：不同 block cache 操作的流量
  • Block cache operations 不同 block cache 操作的个数
  • Keys flow：不同操作造成的 key 的流量
  • Total keys：每个 CF 中 key 的个数
  • Read flow：不同读操作的流量
  • Bytes/Read：每次读的大小
  • Write flow：不同写操作的流量
  • Bytes/Write：每次写的大小
  • Compaction flow：compaction 相关的流量
  • Compaction pending bytes：等待 compaction 的大小
  • Read amplification：每个 TiKV 实例的读放大
  • Compression ratio：每一层的压缩比
  • Number of snapshots：每个 TiKV 的 snapshot 的数量
  • Oldest snapshots duration：最旧的 snapshot 保留的时间
  • Number files at each level：每一层的文件个数
  • Ingest SST duration seconds：ingest SST 所花费的时间
  • Stall conditions changed of each CF：每个 CF stall 的原因

Titan - All

  • Blob file count：Titan blob 文件的数量
  • Blob file size：Titan blob 文件总大小
  • Live blob size：有效 blob record 的总大小
  • Blob cache hit：Titan 的 blob cache 命中率
  • Iter touched blob file count：单个 Iterator 所涉及到 blob 文件的数量
  • Blob file discardable ratio distribution：blob 文件的失效 blob record 比例的分布情况
  • Blob key size：Titan 中 blob key 的大小
  • Blob value size：Titan 中 blob value 的大小
  • Blob get operations：blob 的 get 操作的数量
  • Blob get duration：blob 的 get 操作的耗时
  • Blob iter operations：blob 的 iter 操作的耗时
  • Blob seek duration：blob 的 seek 操作的耗时
  • Blob next duration：blob 的 next 操作的耗时
  • Blob prev duration：blob 的 prev 操作的耗时
  • Blob keys flow：Titan blob 读写的 key 数量
  • Blob bytes flow：Titan blob 读写的 bytes 数量
  • Blob file read duration：blob 文件的读取耗时
  • Blob file write duration：blob 文件的写入耗时
  • Blob file sync operations：blob 文件 sync 次数
  • Blob file sync duration：blob 文件 sync 耗时
  • Blob GC action：Titan GC 细分动作的次数
  • Blob GC duration：Titan GC 的耗时
  • Blob GC keys flow：Titan GC 读写的 key 数量
  • Blob GC bytes flow：Titan GC 读写的 bytes 数量
  • Blob GC input file size：Titan GC 输入文件的大小
  • Blob GC output file size：Titan GC 输出文件的大小
  • Blob GC file count：Titan GC 涉及的 blob 文件数量

Pessimistic Locking

  • Lock Manager Thread CPU：lock manager 的线程 CPU 使用率
  • Lock Manager Handled tasks：lock manager 处理的任务数量
  • Waiter lifetime duration：事务等待锁释放的时间
  • Wait table：wait table 的状态信息，包括锁的数量和等锁事务的数量
  • Deadlock detect duration：处理死锁检测请求的耗时
  • Detect error：死锁检测遇到的错误数量，包含死锁的数量
  • Deadlock detector leader：死锁检测器 leader 所在节点的信息
  • Total pessimistic locks memory size：内存悲观锁占用内存的总大小
  • In-memory pessimistic locking result：将悲观锁仅保存到内存的结果，其中 full 表示因为超过内存限制而无法将悲观锁保存至内存的次数

Memory

  • Allocator Stats：内存分配器的统计信息

Backup

  • Backup CPU：backup 的线程 CPU 使用率
  • Range Size：backup range 的大小直方图
  • Backup Duration：backup 的耗时
  • Backup Flow：backup 总的字节大小
  • Disk Throughput：实例磁盘的吞吐量
  • Backup Range Duration：backup range 的耗时
  • Backup Errors：backup 中发生的错误数量

Encryption

  • Encryption data keys：正在使用的加密 data key 的总数量
  • Encrypted files：被加密的文件数量
  • Encryption initialized：显示加密是否被启用，1 代表已经启用
  • Encryption meta files size：加密相关的元数据文件的大小
  • Encrypt/decrypt data nanos：每次加密/解密数据的耗时的直方图
  • Read/write encryption meta duration：每秒钟读写加密文件所耗费的时间

面板常见参数的解释

gRPC 消息类型

  1. 使用事务型接口的命令：

    • kv_get：事务型的 get 命令，获取指定 ts 能读到的最新版本数据
    • kv_scan：扫描连续的一段数据
    • kv_prewrite：2PC 的第一阶段，预写入事务要提交的数据
    • kv_pessimistic_lock：对 key 加悲观锁，防止其他事务修改
    • kv_pessimistic_rollback：删除 key 上的悲观锁
    • kv_txn_heart_beat：更新悲观事务或大事务的 lock_ttl 以防止其被回滚
    • kv_check_txn_status：检查事务的状态
    • kv_commit：2PC 的第二阶段，提交 prewrite 阶段写入的数据
    • kv_cleanup：回滚一个事务（此命令将会在 4.0 中废除）
    • kv_batch_get：与 kv_get 类似，一次性获取批量 key 的 value
    • kv_batch_rollback：批量回滚多个预写的事务
    • kv_scan_lock：扫描所有版本号在 max_version 之前的锁，用于清理过期的事务
    • kv_resolve_lock：根据事务状态，提交或回滚事务的锁
    • kv_gc：触发垃圾回收
    • kv_delete_range：从 TiKV 中删除连续的一段数据

  2. 非事务型的裸命令：

    • raw_get：获取 key 所对应的 value
    • raw_batch_get：获取一批 key 所对应的 value
    • raw_scan：扫描一段连续的数据
    • raw_batch_scan：扫描多段连续的数据
    • raw_put：写入一个 key/value 对
    • raw_batch_put：直接写入一批 key/value 对
    • raw_delete：删除一个 key/value 对
    • raw_batch_delete：删除一批 key/value 对
    • raw_delete_range：删除连续的一段区间

TiKV-FastTune 面板

当 TiKV 出现 QPS 抖动、延迟抖动、延迟增加趋势等性能问题时，你可以查看 TiKV-FastTune 面板。TiKV-FastTune 包括多组子面板，可帮助你诊断性能问题，尤其适用于集群中写入负载较大的场景。

当出现写入相关的性能问题时，可以先在 Grafana 中查看 TiDB 相关的面板。如果问题出在存储端，打开 TiKV-FastTune 面板，浏览并检查上面的每个指标。

在 TiKV-FastTune 的面板中，指标标题描述了性能问题的可能成因。要验证成因是否正确，你需要检查具体的图表曲线。

左边 Y 轴表示存储端的 write-RPC QPS，右边 Y 轴上的一组图是倒置绘制的。如果左边 Y 轴的曲线形状与右边的形状匹配，则指标标题描述的问题成因是正确的。

有关该面板的具体监控项以及解释，参考 TiKV-FastTune 用户手册（英文）。

文档内容是否有帮助？

下载 PDF文档反馈社区交流