[[315820]]

繼《GaussDB T分布式集群這樣安裝部署不踩坑》，我們開始GaussDB T每日維護必做的事情。新的一天從開啟主機開始，把虛擬機打開后發(fā)現(xiàn)上次安裝的數(shù)據(jù)庫沒有自啟動，所有節(jié)點啟動的相關進程僅cm_agent進程：

這個時候我們先要拉起ETCD：

OK，ETCD成功拉起，接下來我們拉起整個集群：

集群拉起成功。

后面我們會將ETCD及集群自動拉起加入自啟動，下面開始回到開篇的主題，每日維護開始。

一、集群狀態(tài)檢查

第一件事當然是檢查集群各節(jié)點資源狀態(tài)情況啦，至于看啥，我們用一張圖來了解要點：

1、查看各節(jié)點資源是否是ON LINE，其中包括CM,CN,DN,ETCD等，如果不是，需進一步核查原因了。

2、查看各節(jié)點對比昨日是否涉及節(jié)點切換情況，查看節(jié)點對應的HOST即可。如有則異常，需進一步核查原因了。

二、檢查主機資源使用情況(所有主機)

1、主機目錄使用率

df -h

2、CPU、內存及IO使用情況

這個檢查的方法很多，這里使用了vmstat,iostat,free，請重點關注以下紅框標示的位置。

釋：id列代表的是CPU空閑率，free列代表的是空閑內存，單位為頁。

釋：rMB/s及wMB/s的是每秒讀寫情況，%util在統(tǒng)計時間內所有處理IO時間，除以總共統(tǒng)計時間。例如，如果統(tǒng)計間隔1秒，該設備有0.8秒在處理IO，而0.2秒閑置，那么該設備的%util = 0.8/1 = 80%，所以該參數(shù)暗示了設備的繁忙程度。如果該參數(shù)是100%表示設備已經(jīng)接近滿負荷運行了(當然如果是多磁盤，即使%util是100%，因為磁盤的并發(fā)能力，所以磁盤使用未必就到了瓶頸)。

釋：重點關注free及available。

注：本節(jié)資源檢查需與基線進行比對，如出入過大需進一步核查原因。

三、核查各節(jié)點數(shù)據(jù)庫狀態(tài)

確認CN及DN都處于open狀態(tài)，注意備DN是mount狀態(tài)。

四、表空間使用率檢查

當在進行使用率檢查之前，先說下表空間如何創(chuàng)建。

1、連接到cn

zsql omm/gaussdb_123@127.0.0.1:8000 –q

2、創(chuàng)建表空間

CREATE TABLESPACE tbs_test1 DATAFILE 'tbs_test1' size 100m SHARD;

注：創(chuàng)建表空間時，使用SHARD關鍵字則支持將創(chuàng)建表空間語句自動下發(fā)至CN和DN節(jié)點且僅支持使用相對路徑;若不使用SHARD關鍵字，則可使用絕對路徑，同時需要在所有CN和主DN節(jié)點上都創(chuàng)建這個表空間后，才能正常在這個表空間下創(chuàng)建表。

3、檢查數(shù)據(jù)文件，我們會發(fā)現(xiàn)在CN及DN都創(chuàng)建了對應的表空間及數(shù)據(jù)文件

注：連接主DN使用如下命令連接。

zsql / as sysdba -D /gaussdb/data/data_dn1 -q

4、檢查表空間的使用率

set line 300 
set pages 2000 
set timing off 
col tablespace_name for a25 
col sum_GB for a15 
col free_GB for a15 
col use_precent for a15 
select b.tablespace_name, 
       round(sum(b.bytes) / 1024 / 1024 / 1024, 0) sum_GB, 
       round(sum(nvl(a.bytes, 0)) / 1024 / 1024 / 1024, 0) free_GB, 
       round((sum(b.bytes) - sum(nvl(a.bytes, 0))) / sum(b.bytes), 4) * 100 use_precent, 
       count(*) 
  from (select tablespace_name, file_id, sum(bytes) bytes 
          from adm_free_space 
         group by tablespace_name, file_id) a, 
       adm_data_files b 
 where a.file_id(+) = b.file_id 
   and a.tablespace_name(+) = b.tablespace_name 
 group by b.tablespace_name 
having round((sum(b.bytes) - sum(nvl(a.bytes, 0))) / sum(b.bytes), 4) * 100 >= 0 
 order by 4 desc; 

注：表空間使用率檢查需在所有的主CN及主DN運行。

五、異常等待事件檢查

col event form a38

select event,count(*) from DV_SESSIONS where LOCK_WAIT = 'Y' group by event order by 2 desc;

注：在所有主DN核查是否存在異常等待事件。

如圖所示存在TX等待，我們可以通過以下SQL查看下鎖源在干啥：

select SID,SERIAL#,USERNAME,CURR_SCHEMA,CLIENT_IP,CLIENT_PORT,OSUSER,MACHINE,PROGRAM, 
STATUS,LOCK_WAIT,EVENT,MODULE,CURRENT_SQL from dv_sessions 
where sid in (select WAIT_SID from v$session where event like '%TX%'); 

如發(fā)現(xiàn)會話狀態(tài)是非活動且是應用程序連上來的，可以聯(lián)系應用核查是否正常，如可以kill我們可以運行ALTER SYSTEM KILL SESSION 'SID,SERIAL#'; 殺會話。

六、日志檢查

在數(shù)據(jù)庫運行過程中，會產生大量用于數(shù)據(jù)庫日常維護的運行、審計、 DEBUG、告警等日志。在數(shù)據(jù)庫發(fā)生故障時，可以使用這些日志進行問題定位和數(shù)據(jù)庫恢復的操作。

下面就常用的日志類型做下簡介：

1、運行日志

打印GaussDB T數(shù)據(jù)庫運行信息，如果數(shù)據(jù)庫出現(xiàn)故障，請查看zengine.rlog。

日志目錄：默認為“ $GSDB_DATA/log/run/zengine.rlog”或參數(shù)log_home對應的路徑run子目錄下，如果想修改其路徑重啟生效。

CN節(jié)點：

DN節(jié)點：

查看運行日志如下：

2、慢查詢日志

打印GaussDB 100數(shù)據(jù)庫執(zhí)行時間超過閾值(由LONGSQL_TIMEOUT參數(shù)控制)的SQL信息到zengine.lsql日志文件中。

日志目錄：默認為“ $GSDB_DATA/log/longsql/zengine.lsql”。

3、告警日志

打印GaussDB 100數(shù)據(jù)庫運行告警信息。如需了解告警信息，請查看zenith_alarm.log。

日志目錄：“ $GSDB_DATA/log/zenith_alarm.log”。

4、操作日志

記錄用戶通過ZSQL工具對GaussDB 100數(shù)據(jù)庫的操作信息。如果需要了解操作記錄，請查看zsql.olog。

日志目錄：“ $GSDB_DATA/log/oper/zsql.olog”。

5、TRACE日志

記錄數(shù)據(jù)庫會話死鎖的信息。如需查看會話死鎖信息，請查看zengine_00003_xxxxxx.trc。

日志目錄：“ $GSDB_DATA/trc/zengine_00003_xxxxxx.trc”。

常見錯誤碼：

GS-00716：Found %s deadlock in session (%u)

錯誤原因：不同會話中并發(fā)交叉操作了同一批數(shù)據(jù)，造成死鎖。

解決辦法：

• 查看trace log 或者 run log (根據(jù)數(shù)據(jù)庫版本不同，死鎖日志位置不同);
• 根據(jù)日志里記錄的具體信息，包括死鎖類型，SQL語句等，排查業(yè)務語句。

GS-00715：The snapshot was outdated.

錯誤原因：快照過舊。

解決辦法：

• 重新運行SQL;
• 將長時間運行的高耗SQL優(yōu)化或拆分。

GS-00713：No free undo page

錯誤原因：UNDO表空間不足。

解決辦法：

• 增大UNDO表空間大小;
• 將大事務kill釋放UNDO。

GS-00305：%s timeout

錯誤原因：網(wǎng)絡api超時。

解決辦法：

• 請確保主機網(wǎng)絡正常。

GS-00774：Failover in progress, can not be connected

錯誤原因：備機正在做failover時，主機的日志發(fā)送線程來連接備機。

解決辦法：

• 將主機停止掉，待備機升主后，將原主降備。

GS-00839：Flush redo file:%s, offset:%u, size:%lu failed

錯誤原因：寫redo日志文件的時候失敗了，一般是文件系統(tǒng)或者磁盤有問題。

解決辦法：

• 檢查操作系統(tǒng)或磁盤。

GaussDB T數(shù)據(jù)庫維護的工作很多，除了以上每日必做的事情之外，還有會話連接失敗、緩沖區(qū)刷盤失敗、CN/DN節(jié)點狀態(tài)異常、CM Server節(jié)點狀態(tài)異常、主備DN節(jié)點日志同步延遲過大等等問題核查。其中很多我們可以通過使用Database Manager分析處理告警或者使用自己開發(fā)腳本實現(xiàn)告警。

維護的目的是讓系統(tǒng)更穩(wěn)定，維護工作越簡單，維護人員就越不容易出錯。盡可能的把維護工作腳本化、工具化、自動化，將人員解放出來做更有價值的事情是我們的目標。路漫漫其修遠兮，一起加油吧!