[[396942]]

圖片來自 Pexels

通過日志發(fā)現(xiàn)，從凌晨 5：26 分開始到 5：56 任務(wù)執(zhí)行了三次，三次都因為 SQL 查詢超時而執(zhí)行失敗，而詭異的是，任務(wù)到凌晨 6：00 多就執(zhí)行成功了。

每天都是凌晨五點多失敗，凌晨六點執(zhí)行成功。

點開異常日志一看是這樣的：

總結(jié)來說就是 MySQL 查詢超時。像這種穩(wěn)定復(fù)現(xiàn)的 Bug，我原以為只需三分鐘能定位，沒有想到卻耗費了我半天的時間。

01排查之路

①Explain

看到超時 SQL，大多數(shù)人第一反應(yīng)就是這個 SQL 沒有走索引，我也不例外，我當(dāng)時的第一反應(yīng)就是這條 SQL 沒有走索引。

于是，我將日志里面的 SQL 復(fù)制了出來，脫敏處理一下大概是這樣的一條 SQL：

select * from table_a where status_updated_at >= ? and status_updated_at < ?

SQL 里面有兩個日期參數(shù)，這兩個起始日期是某種商品的可交易時間區(qū)間，相隔三到五天，我取了 17 天的時間間隔的保守值，Explain 了一下這條 SQL。

從圖上可以看到這條 SQL 的執(zhí)行還是走了索引的。走的是根據(jù) status_updated_at 字段建立的索引。執(zhí)行了一下也只耗時了 135 毫秒。

根據(jù) Explain 結(jié)果，我當(dāng)時的推斷是：這條 SQL 肯定走了索引，如果沒有走索引，那六點多鐘的查詢肯定也會超時，因為這個表的數(shù)據(jù)是千萬級別的。

為了驗證這一推斷，我找 DBA 幫我導(dǎo)出了一下凌晨 5 點到早上 7 點關(guān)于這個表的慢 SQL，DBA 告訴我那個時間段沒有關(guān)于這個表的慢 SQL。

這也進一步驗證了我說推斷：這條 SQL 走了索引，只是在五點多的時候因為一些神秘原因?qū)е铝顺瑫r。

接下來，需要做的就是找出這個神秘的原因。按照以往的經(jīng)驗，我認為有這幾點因素會導(dǎo)致查詢超時：

• MySQL 資源競爭
• 數(shù)據(jù)庫備份
• 網(wǎng)絡(luò)

②MySQL 資源競爭

首先，我通過監(jiān)控系統(tǒng)查看了那段時間 MySQL 的運行情況，連接數(shù)和 CPU 負載等指標(biāo)都非常正常。所以，因為 MySQL 負載導(dǎo)致超時首先就可以被排除。

那會不會是其他業(yè)務(wù)操作這個表影響的呢?首先，我們線上數(shù)據(jù)庫事務(wù)隔離級別設(shè)置的是 RR(可重復(fù)讀)，因為 MVCC 的存在，簡單的修改肯定是不會影響查詢至超時的。

要想影響唯一的可能性就是別的業(yè)務(wù)在 update 這個表數(shù)據(jù)的時候，更新條件沒有走索引，導(dǎo)致行鎖升級成表鎖，并且，這個操作要剛好在凌晨 5 點多執(zhí)行，且持續(xù)了半個小時。

這個條件非?？量?，我檢查了相關(guān)的代碼，問了相關(guān)負責(zé)人，并沒有這種情況，所有的更新都是根據(jù) Id 主鍵更新的。

關(guān)鍵是，如果更新 SQL 的更新條件沒有走索引，肯定會是一個慢 SQL 的，那么，我們在慢 SQL 日志文件里面就能找到它，實際上并沒有。

③備份

是不是因為凌晨 5 點多，數(shù)據(jù)庫在備份的原因呢?

• 首先備份鎖表不會鎖這么久，這個任務(wù)是前前后后半個小時都執(zhí)行失敗了。
• 其次我們是備份的從庫，并不是備份的主庫。
• 最后，我們的備份任務(wù)都不是凌晨五點執(zhí)行的。

所以，因為備份導(dǎo)致超時可以排除了。

④網(wǎng)絡(luò)

是不是網(wǎng)絡(luò)波動的原因呢?我找運維同學(xué)幫忙看了一下執(zhí)行任務(wù)的那臺機器那段時間的網(wǎng)絡(luò)情況，非常平緩沒有絲毫問題，機房也沒有出現(xiàn)什么網(wǎng)絡(luò)抖動的情況。

再者，如果是網(wǎng)絡(luò)問題，肯定會影響其他任務(wù)和業(yè)務(wù)的，事實上，從監(jiān)控系統(tǒng)中查看其他業(yè)務(wù)并沒有什么異常。

所以，因為網(wǎng)絡(luò)波動導(dǎo)致超時也可以排除了。

02轉(zhuǎn)機

我先后排除了索引、網(wǎng)絡(luò)、備份、業(yè)務(wù)競爭 MySQL 資源等因素，在腦海里模擬了 N 種情況，腦補了一條 SQL 整個執(zhí)行過程，想不到會有什么其他原因了。

這個事情變得詭異了起來，DBA 勸我暫時放棄，建議我把任務(wù)執(zhí)行時間延后，加一些監(jiān)控日志再觀察觀察。畢竟，又不是不能用。

放棄是不可能放棄的，我是一個鐵頭娃，遇到 Bug 不解決睡不著覺。

理清思路，從頭來過，我向 DBA 要了一份線上五點到六點的慢 SQL 的文件，自己重新找了一遍，還是沒有找到這個表相關(guān)的慢 SQL。

在我突然要放棄的時候，我突然發(fā)現(xiàn) SQL 日志記錄里面的時區(qū)都是標(biāo)準(zhǔn)時區(qū)的，而我那個任務(wù)執(zhí)行的時候是北京時間，要知道標(biāo)準(zhǔn)時區(qū)和北京時區(qū)是差了 8 個小時的!

好家伙!我都要想到量子力學(xué)了，結(jié)果發(fā)現(xiàn)時區(qū)沒對上?會不會是 DBA 找慢 SQL 的時候時間找錯了啊?

我將這個“重大發(fā)現(xiàn)”告訴了 DBA，DBA 幫我重新跑一份慢 SQL，好家伙，出現(xiàn)了我想要那個表的慢 SQL。

從日志上面可以看到，查詢的日期區(qū)間從 2020 年 9 月到 2021 年 4 月，時間跨度 7 個月。

MySQL 成本計算的時候認為區(qū)間太大，走索引還不如直接掃描全表，最終沒有走索引掃描了 1800W 條數(shù)據(jù)。

說好的時間區(qū)間最多七天呢?怎么變成了七個月?

趕緊定位代碼，定位發(fā)現(xiàn)底層在取時間區(qū)間時，調(diào)了一個 RPC 接口，這個接口預(yù)期返回的時間區(qū)間只有幾天，結(jié)果返回了七個月的時間區(qū)間。這段邏輯是 18 年上線的。

于是聯(lián)系提供這個 RPC 接口的相關(guān)人員，通過查找驗證確定這是底層數(shù)據(jù)的問題，應(yīng)該返回幾天結(jié)果返回了幾個月。

最后修復(fù)了相關(guān)數(shù)據(jù)，增加了相應(yīng)的校驗和監(jiān)控，重新發(fā)布系統(tǒng)，這個存在了兩年的 Bug 也就得以解決了。

這個故事到這里也就結(jié)束了。再回顧一下，還有幾個問題需要回答一下：

①不走索引，那為什么六點多執(zhí)行就沒有超時呢?

原因就是六點基本上沒有業(yè)務(wù)在調(diào)用 MySQL，那個時候的 MySQL 的資源是非常充足的，加上 MySQL 的機器也配置非常的高，所以這條 SQL 硬生生跑成功了。聽起來有點離譜，但確實是這樣的。

②為什么這個 Bug 在線上這么久了，現(xiàn)在才發(fā)現(xiàn)?

這個時間區(qū)間底層數(shù)據(jù)用的不多，目前只發(fā)現(xiàn)只有這個超時 SQL 任務(wù)在調(diào)用。

原來業(yè)務(wù)量沒有這么大，加上機器配置高，掃描整個表也花不了多久時間。凌晨五六點執(zhí)行，沒有對線上的服務(wù)造成影響。

任務(wù)失敗是很正常的，因為還依賴一些其他數(shù)據(jù)，其他數(shù)據(jù)提供的時間不確定，所以任務(wù)會一直跑直到成功。

03總結(jié)

復(fù)盤一下整個過程，對于這個查詢超時 SQL 問題的排查，我從索引、網(wǎng)絡(luò)、備份、業(yè)務(wù)競爭 MySQL 資源等方面一一分析，卻忽略了最重要的因素——執(zhí)行的到底是哪一條 SQL。

我想當(dāng)然的認為執(zhí)行的 SQL 就是我想象中的那樣并對此深信不疑，后面的努力也就成了徒勞。

這本是一個簡單的問題，我卻把他復(fù)雜化了，這是不應(yīng)該的。

這是一個典型的例子，業(yè)務(wù)量不大的時候埋下的坑，業(yè)務(wù)發(fā)展迅速的時候就暴露了，萬幸的是，沒有影響到核心交易系統(tǒng)，如果是核心交易系統(tǒng)的話，可能就會導(dǎo)致一次 P0 的事故。

雖然這個代碼不是我寫的，但我從中得到的教訓(xùn)就是「對線上環(huán)境要有敬畏之心，對依賴數(shù)據(jù)要有懷疑之心，對問題排查要有客觀之心」。

線上的環(huán)境極其復(fù)雜，有著各自版本遷移和業(yè)務(wù)變更遺留下來的數(shù)據(jù)，這些情況開發(fā)人員是無法全部考慮到的。

測試也很難覆蓋測試，帶著主觀的想法去寫代碼很容易導(dǎo)致 Bug，有些 Bug 在業(yè)務(wù)量還不大的時候不容易引起重視，但隨著業(yè)務(wù)的發(fā)展，這些欠下的債終究要還。

你可以保證你寫的邏輯沒有問題，但是你不能保證服務(wù)上游提供的數(shù)據(jù)都符合預(yù)期。

多想一下如果上游數(shù)據(jù)異常，自己寫的服務(wù)會不會出問題，多加一些數(shù)據(jù)校驗和報警會省去很多不必要的麻煩。

排查問題的時候，一定要客觀，不要帶著主觀感受相當(dāng)然的認為是這樣。本來就是因為主觀操作而導(dǎo)致的 Bug，你還想當(dāng)然的代入去查找問題，這當(dāng)然會加大排查問題的難度。

作者：CoderW

編輯：陶家龍

出處：轉(zhuǎn)載自公眾號CoderW(ID：MHXJ_0810)