TiCDC 集群监控报警规则
本文介绍了 TiCDC 组件的报警项及相应的报警规则。根据严重级别，报警项按照严重程度由高到低依次为：重要级别 (Critical)、警告级别 (Warning)。
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。
cdc_checkpoint_high_delay
报警规则：
(time() - ticdc_processor_checkpoint_ts / 1000) > 600
规则描述：
TiCDC 某个同步任务延迟超过 10 分钟。
处理方法：
参考 TiCDC 同步任务出现中断的处理方法。
cdc_resolvedts_high_delay
报警规则：
(time() - ticdc_processor_resolved_ts / 1000) > 300
规则描述：
TiCDC 某个同步任务的 resolved ts 延迟超过 5 分钟。
处理方法：
该告警与同步任务中断类似，可参考 TiCDC 同步任务出现中断的处理方法。
ticdc_changefeed_failed
报警规则：
(max_over_time(ticdc_owner_status[1m]) == 2) > 0规则描述：
TiCDC 某个同步任务遇到无法自动恢复的错误，进入 failed 状态。
处理方法：
该告警与同步任务中断类似，可参考 TiCDC 同步任务出现中断的处理方法。
ticdc_processor_exit_with_error_count
报警规则：
changes(ticdc_processor_exit_with_error_count[1m]) > 0规则描述：
TiCDC 某个同步任务报错退出。
处理方法：
参考 TiCDC 同步任务出现中断的处理方法。
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。
cdc_multiple_owners
报警规则：
sum(rate(ticdc_owner_ownership_counter[30s])) >= 2规则描述：
TiCDC 集群有多个 owner。
处理方法：
收集 TiCDC 日志，定位原因。
ticdc_mounter_unmarshal_and_mount_time_more_than_1s
报警规则：
histogram_quantile(0.9, rate(ticdc_mounter_unmarshal_and_mount_bucket[1m])) * 1000 > 1000规则描述：
TiCDC 某一同步任务解码变更数据的耗时超过 1 秒。
处理方法：
收集 TiCDC 日志，定位原因。
cdc_sink_execute_duration_time_more_than_10s
报警规则：
histogram_quantile(0.9, rate(ticdc_sink_txn_exec_duration_bucket[1m])) > 10规则描述：
TiCDC 某一同步任务写下游执行时间超过 10 秒。
处理方法：
检查下游是否出现问题。
cdc_processor_checkpoint_tso_no_change_for_1m
报警规则：
changes(ticdc_processor_checkpoint_ts[1m]) < 1规则描述：
TiCDC 某一个同步任务进度超过 1 分钟没有推进。
处理方法：
参考 TiCDC 同步任务出现中断的处理方法。
ticdc_puller_entry_sorter_sort_bucket
报警规则：
histogram_quantile(0.9, rate(ticdc_puller_entry_sorter_sort_bucket{}[1m])) > 1规则描述：
TiCDC puller entry sorter 排序延迟太高。
处理方法：
收集 TiCDC 日志，定位原因。
ticdc_puller_entry_sorter_merge_bucket
报警规则：
histogram_quantile(0.9, rate(ticdc_puller_entry_sorter_merge_bucket{}[1m])) > 1规则描述：
TiCDC puller entry sorter merge 延迟太高。
处理方法：
收集 TiCDC 日志，定位原因。
tikv_cdc_min_resolved_ts_no_change_for_1m
报警规则：
changes(tikv_cdc_min_resolved_ts[1m]) < 1 and ON (instance) tikv_cdc_region_resolve_status{status="resolved"} > 0 and ON (instance) tikv_cdc_captured_region_total > 0规则描述：
TiKV CDC 模块最小的 resolved ts 1 分钟没推进。
处理方法：
收集 TiKV 日志，定位原因。
tikv_cdc_scan_duration_seconds_more_than_10min
报警规则：
histogram_quantile(0.9, rate(tikv_cdc_scan_duration_seconds_bucket{}[1m])) > 600规则描述：
TiKV CDC 模块的增量扫描耗时超过 10 分钟。
处理方法：
收集 TiCDC 监控和 TiKV 日志，定位原因。
ticdc_sink_mysql_execution_error
报警规则：
changes(ticdc_sink_mysql_execution_error[1m]) > 0规则描述：
TiCDC 某一同步任务写下游 MySQL 时遇到错误。
处理方法：
MySQL 报错的情况较多，参考 TiCDC 故障处理。
ticdc_memory_abnormal
报警规则：
go_memstats_heap_alloc_bytes{job="ticdc"} > 1e+10规则描述：
TiCDC 堆内存使用量超过 10 GiB。
处理方法：
收集 TiCDC 监控和 TiCDC 日志，定位原因。