关于生产系统锁问题的排查

今天生产系统中的一个daemon出现了严重的数据处理延迟,客户需要我们立即给出处理的方案。在综合评估之后,为了不保证在线业务延迟,开发部门给出了临时的解决意见。先停掉了一个应用,然后重启之后那个daemon就没有问题了。
等我连上系统,这个问题已经不存在了,但是还是要提供一些更加详细的信息来进一步诊断这个问题。
首先来明确问题,这个daemon出现的数据处理延迟,很可能是锁造成的,从开发部门提供的临时解决方向也是如此。从他们的排查来看,表PUB_LOG中可能存在着锁等待。

因为时间已经过去一会了,使用awr报告查看等待事件。看到了很明显的row lock contention.

Event

Waits

Time(s)

Avg wait (ms)

% DB time

Wait Class

db file sequential read

7,686,909

10,052

1

44.39

User I/O

enq: TX - row lock contention

163

5,940

36442

26.23

Application


这个时候如果要进一步诊断这个等待事件,最好的工具就是ash了。
我们使用ash来查看对应的等待事件,然后可以从报告中得知blocking session的信息。这个可以和我们已经掌握的信息来互相印证。

Blocking Sid (Inst)

% Activity

Event Caused

% Event

User

Program

# Samples Active

XIDs

7485,35335( 1)

25.79

enq: TX - row lock contention

25.79

PRODUSER

JDBC Thin Client

2/60 [ 3%]

1


在问题发生的时间段内的active session情况如下。
Sid, Serial# % Activity Event % Event User Program # Samples Active XIDs
79,513,047 2.61 db file sequential read 2.08 CCBSFMDEV plsqldev.exe 47/60 [ 78%] 1
117,218,815 2.61 CPU + Wait for CPU 2.34 PRDAPPC JDBC Thin Client 53/60 [ 88%] 0
2430, 8909 2.61 db file sequential read 2.39 PRDAPPC JDBC Thin Client 54/60 [ 90%] 0

这个时候我们已经得知了session的信息。这个时候我们可以尝试使用脚本来查看一下锁的情况,如果对应的session还存在,我们可以基本定位客户端的信息了。
因为v$lock的信息也是实时变化的,在生产中我们也是采用了一定的时间频率来采集v$lock的数据。这些信息通过awr,ash也是不能完全定位的,额外的工具补充对于排查问题就显得尤为重要的。
以下是从监控存档中得到了关于session(7485,35335)的锁信息。

SID_SERIAL   ORACLE_USERN OBJECT_NAME               LOGON_TIM  SEC_WAIT   OSUSER    MACHINE      PROGRAM              STATE      STATUS     LOCK_ MODE_HELD
------------ ------------ ------------------------- --------- --------- ---------- ------------ -------------------- ---------- ---------- ----- ----------
7485,35335   PRODUSER       PUB_LOG                   09-DEC-14      18  mwrk01   fromClient1     JDBC Thin Client     WAITING    INACTIVE   DML   Row-X (SX)
7485,35335   PRODUSER       ACCOUNT                   09-DEC-14      18  mwrk01   fromClient2     JDBC Thin Client     WAITING    INACTIVE   DML   Row-X (SX)
7485,35335   PRODUSER       CUSTOMER                  09-DEC-14      20  lwrk01   fromClient2     sqlplus@ccbdbpr1 (TNS V1-V3) WAITING    ACTIVE     DML   Row-X (SX) 
7485,35335   PRODUSER       PUB_LOG                   09-DEC-14      18  mwrk01   fromClient2     JDBC Thin Client     WAITING    INACTIVE   DML   Row-X (SX)
7485,35335   PRODUSER       SUBSCRIBER                09-DEC-14      18  mwrk01   fromClient2     JDBC Thin Client     WAITING    INACTIVE   TO    Row-X (SX)
7485,35335   PRODUSER       ACCOUNT                   09-DEC-14      18  mwrk01   fromClient2     JDBC Thin Client     WAITING    INACTIVE   DML   Row-X (SX)
7485,35335   PRODUSER       SUBSCRIBER                09-DEC-14      18  mwrk01   fromClient2     JDBC Thin Client     WAITING    INACTIVE   TO    Row-X (SX)

有了这些信息,我们就可以很确定的是在那个时间点上存在着表PUB_LOG相关的锁。
但是光是确定了锁,问题又回到原点了,这个问题是怎么导致的呢。我们现在只是证明了这个问题是锁引起的。
还需要更多的信息来确定倒底是由哪些原因导致的。
这个时候还是需要通过awr来进一步来确定。
我们来看看数据库的负载情况。相比于10分钟的时间间隔来说,负载算是比较高的了。
Snap Id Snap Time Sessions Cursors/Session
Begin Snap: 22746 09-Dec-14 10:20:29 4510 6.0
End Snap: 22747 09-Dec-14 10:30:30 4523 5.9
Elapsed:   10.02 (mins)    
DB Time:   377.45 (mins)    

我们查看load profile的信息,可以很明显的看到executes和logical reads的值很高。尤其是executes部分,系统看起来应该很忙啊,但是“DB CPU(s)”的值不高。可见cpu的利用率也不高。很可能是由于IO问题导致的。
联系logical_reads和physical reads,相比于physical writes,数据库的负载基本都在于查询。从这个角度来说,和executes的值又是有关联的。

Per Second Per Transaction Per Exec Per Call
DB Time(s): 37.7 1.5 0.01 0.01
DB CPU(s): 8.8 0.3 0.00 0.00
Redo size: 836,276.6 32,374.8    
Logical reads: 1,686,403.9 65,285.8    
Block changes: 3,940.3 152.5    
Physical reads: 57,841.1 2,239.2    
Physical writes: 443.4 17.2    
User calls: 5,872.6 227.4    
Parses: 2,098.2 81.2    
Hard parses: 3.5 0.1    
W/A MB processed: 40.0 1.6    
Logons: 3.1 0.1    
Executes: 3,248.3 125.8    
Rollbacks: 0.7 0.0    
Transactions: 25.8      

我们来看看在问题发生的时间段,到底是哪些查询来运行,运行得这么频繁。
我们查看SQL ordered by Elapsed Time 这个章节,可以得到数据库负载的一个整体情况,看看是哪些sql语句的运行导致了整体的数据库负载.
结果抓取到的第1条语句就是一个update,是在ACCOUNT上的update,执行频率也挺高,10分钟之内执行了300次,基本2秒钟一次。

Elapsed Time (s)

Executions

Elapsed Time per Exec (s)

%Total

%CPU

%IO

SQL Id

SQL Module

SQL Text

5,916.37

300

19.72

26.12

0.00

0.00

dynpzk1qbkgyr

JDBC Thin Client

UPDATE ACCOUNT.......


通过load profile我们得知executes的频率过高,所以我们在awr中查看SQL ordered by Executions这个章节,可以得到运行频率极高的sql语句,基本上查询都是和subscriber,customer相关的。
执行频率都很高,差距都不大,当我看到第10几条记录的时候,找到了关于ACCOUNT的select语句,执行频率是很高的。

Executions

Rows Processed

Rows per Exec

Elapsed Time (s)

%CPU

%IO

SQL Id

SQL Module

SQL Text

43,436

43,415

1.00

16.25

30.07

70.72

a4zhz34w7dzpr

JDBC Thin Client

select .... from ACCOUNT .....


通过以上的两个部分,我们可以这么理解,系统负载较高大部分原因都是基于IO,因为cpu使用率并不高,而数据库读的指标很高。相关sql语句的执行频率也很高。这样极为频繁的访问,造成了数据库的负载很高。
而对于锁的问题。我们可以看到在问题发生的时间段,session(7485,35335) 也在进行PUB_LOG的DML操作,同时也在进行ACCOUNT的DML操作。
而PUB_LOG这个表是归属于专门的daemon的,这个daemon要处理数据的时候就会总是阻塞。这样就难怪数据处理的延迟了。
这样问题的基本清晰了,剩下的部分就是和开发做确认了。
后续开发反馈在代码中发现了潜在的问题,会做进一步的跟踪。
上一篇:iOS设备接入WiFi和3G网络安全性分析


下一篇:数据安全分析驱动的挑战