Skip to content
Permalink
Branch: master
Find file Copy path
Find file Copy path
Fetching contributors…
Cannot retrieve contributors at this time
executable file 93 lines (61 sloc) 3.86 KB
title category
重要监控指标详解
monitoring

重要监控指标详解

使用 ansible 部署 tidb 集群时,一键部署监控系统 (prometheus/grafana),监控架构请看 TiDB 监控框架概述

目前 grafana dashboard 整体分为四个 dashboard,node_export,PD,TIDB,TIKV。 内容较多,主要在于尽快让 TIDB 开发确认问题。

对于日常运维,我们单独挑选出重要的 metrics 放在 overview 页面,方便日常运维人员观察集群组件(PD, TIDB, TIKV)使用状态以及集群使用状态 。

以下为 overview dashboard 说明:

说明

  • PD

    • Storage Capacity : tidb 集群总可用数据库空间大小

    • Current Storage Size : tidb 集群目前已用数据库空间大小

    • Store Status -- up store : tikv 正常节点数量

    • Store Status -- down store : tikv 异常节点数量

      如果大于0,证明有节点不正常

    • Store Status -- offline store : 手动执行下线操作tikv节点数量

    • Store Status -- Tombstone store : 下线成功的tikv节点数量

    • Current storage usage : tikv 集群存储空间占用率

      超过 80% 应考虑添加 tikv 节点

    • 99% completed_cmds_duration_seconds : 99% pd-server 请求完成时间

      小于 5ms

    • average completed_cmds_duration_seconds : pd-server 请求平均完成时间

      小于 50ms

    • leader balance ratio : leader ratio 最大的节点与最小的节点的差

      均衡状况下一般小于 5%,节点重启时会比较大

    • region balance ratio : region ratio 最大的节点与最小的节点的差

      均衡状况下一般小于 5%,新增/下线节点时会比较大

  • TiDB

    • handle_requests_duration_seconds : 请求PD获取TSO响应时间

      小于100ms

    • tidb server QPS : 集群的请求量

      和业务相关

    • connection count : 从业务服务器连接到数据库的连接数

      和业务相关。但是如果连接数发生跳变,需要查明原因。比如突然掉为0,可以检查网络是否中断;如果突然上涨,需要检查业务。

    • statement count : 单位时间内不同类型语句执行的数目

      这个和业务相关

    • Query Duration 99th percentile : 99% 的query时间

  • TiKV

    • 99% & 99.99% scheduler command duration : 99% & 99.99% 命令执行的时间

      99% 小于 50ms;99.99% 小于100ms

    • 95% & 99% storage async_request duration : 95% & 99% Raft 命令执行时间

      95% 小于 50ms;99% 小于100ms

    • server report failure message : 发送失败或者收到了错误的 message

      如果出现了大量的 unreachadble 的消息,表明系统网络出现了问题。如果有 store not match 这样的错误,表明收到了不属于这个集群发过来的消息

    • Vote : Raft vote 的频率

      通常这个值只会在发生 split 的时候有变动,如果长时间出现了 vote 偏高的情况,证明系统出现了严重的问题,有一些节点无法工作了

    • 95% & 99% coprocessor request duration : 95% & 99%  coprocessor 执行时间

      和业务相关,但通常不会出现持续高位的值

    • Pending task : 累积的任务数量

      除了 pd worker,其他任何偏高都属于异常

    • stall : RocksDB Stall 时间

      大于 0,表明 RocksDB 忙不过来,需要注意 IO 和 CPU 了

    • channel full : channel 满了,表明线程太忙无法处理

      如果大于 0,表明线程已经没法处理了

    • 95% send_message_duration_seconds : 95% 发送消息的时间

      小于50ms

    • leader/region : 每个tikv的leader/region数量

      和业务相关

图例

overview

You can’t perform that action at this time.