Question

使用 TiDB Ansible 或 TiUP 部署 TiDB 集群时，一键部署监控系统 (Prometheus & Grafana)，监控架构参见 TiDB 监控框架概述。

目前 Grafana Dashboard 整体分为 PD、TiDB、TiKV、Node_exporter、Overview 等。

对于日常运维，我们通过观察 TiKV-Details 面板上的指标，可以了解 TiKV 当前的状态。根据 性能地图 可以检查集群的状态是否符合预期。

以下为 TiKV-Details 默认的监控信息：

Cluster

• Store size：每个 TiKV 实例的使用的存储空间的大小
• Available size：每个 TiKV 实例的可用的存储空间的大小
• Capacity size：每个 TiKV 实例的存储容量的大小
• CPU：每个 TiKV 实例 CPU 的使用率
• Memory：每个 TiKV 实例内存的使用情况
• IO utilization：每个 TiKV 实例 IO 的使用率
• MBps：每个 TiKV 实例写入和读取的数据量大小
• QPS：每个 TiKV 实例上各种命令的 QPS
• Errps：每个 TiKV 实例上 gRPC 消息失败的速率
• leader：每个 TiKV 实例 leader 的个数
• Region：每个 TiKV 实例 Region 的个数
• Uptime：自上次重启以来 TiKV 正常运行的时间

Errors

• Critical error：严重错误的数量
• Server is busy：各种会导致 TiKV 实例暂时不可用的事件个数，如 write stall，channel full 等，正常情况下应当为 0
• Server report failures：server 报错的消息个数，正常情况下应当为 0
• Raftstore error：每个 TiKV 实例上 raftstore 发生错误的个数
• Scheduler error：每个 TiKV 实例上 scheduler 发生错误的个数
• Coprocessor error：每个 TiKV 实例上 coprocessor 发生错误的个数
• gRPC message error：每个 TiKV 实例上 gRPC 消息发生错误的个数
• Leader drop：每个 TiKV 实例上 drop leader 的个数
• Leader missing：每个 TiKV 实例上 missing leader 的个数

Server

• CF size：每个列族的大小
• Store size：每个 TiKV 实例的使用的存储空间的大小
• Channel full：每个 TiKV 实例上 channel full 错误的数量，正常情况下应当为 0
• Active written leaders：各个 TiKV 实例中正在被写入的 Leader 的数量
• Approximate Region size：每个 Region 近似的大小
• Approximate Region size Histogram：每个 Region 近似大小的直方图
• Region average written keys：每个 TiKV 实例上所有 Region 的平均 key 写入个数
• Region average written bytes：每个 TiKV 实例上所有 Region 的平均写入大小

gRPC

• gRPC message count：每种 gRPC 请求的速度
• gRPC message failed：失败的 gRPC 请求的速度
• 99% gRPC message duration：99% gRPC 请求的执行时间小于该值
• Average gRPC message duration：gRPC 请求平均的执行时间
• gRPC batch size：TiDB 与 TiKV 之间 grpc 请求的 batch 大小
• raft message batch size：TiKV 与 TiKV 之间 raft 消息的 batch 大小

Thread CPU

• Raft store CPU：raftstore 线程的 CPU 使用率，通常应低于 80% * raftstore.store-pool-size
• Async apply CPU：async apply 线程的 CPU 使用率，通常应低于 90% * raftstore.apply-pool-size
• Scheduler worker CPU：scheduler worker 线程的 CPU 使用率，通常应低于 90% * storage.scheduler-worker-pool-size
• gRPC poll CPU：gRPC 线程的 CPU 使用率，通常应低于 80% * server.grpc-concurrency
• Unified read pool CPU：unified read pool 线程的 CPU 使用率
• Storage ReadPool CPU：storage read pool 线程的 CPU 使用率
• Coprocessor CPU：coprocessor 线程的 CPU 使用率
• RocksDB CPU：RocksDB 线程的 CPU 使用率
• Split check CPU：split check 线程的 CPU 使用率
• GC worker CPU：GC worker 线程的 CPU 使用率
• Snapshot worker CPU：snapshot worker 线程的 CPU 使用率

PD

• PD requests：TiKV 发送给 PD 的请求速度
• PD request duration (average)：TiKV 发送给 PD 的请求处理的平均时间
• PD heartbeats：发送给 PD 的心跳的速度
• PD validate peers：TiKV 发送给 PD 用于验证 TiKV 的 peer 有效的消息的速度

Raft IO

• Apply log duration：Raft apply 日志所花费的时间
• Apply log duration per server：每个 TiKV 实例上 Raft apply 日志所花费的时间
• Append log duration：Raft append 日志所花费的时间
• Append log duration per server：每个 TiKV 实例上 Raft append 日志所花费的时间
• Commit log duration：Raft commit 日志所花费的时间
• Commit log duration per server：每个 TiKV 实例上 Raft commit 日志所花费的时间

Raft process

• Ready handled：Raft 中不同 ready 类型的 ops
• 0.99 Duration of Raft store events：99% 的 raftstore 事件所花费的时间
• Process ready duration：处理 ready 所花费的时间
• Process ready duration per server：每个 TiKV 实例处理 ready 所花费的时间，99.99% 的情况下，应该小于 2s

Raft message

• Sent messages per server：每个 TiKV 实例发送 Raft 消息的 ops
• Flush messages per server：每个 TiKV 实例中 raft client 往外 flush Raft 消息的 ops
• Receive messages per server：每个 TiKV 实例接受 Raft 消息的 ops
• Messages：发送不同类型的 Raft 消息的 ops
• Vote：Raft 投票消息发送的 ops
• Raft dropped messages：每秒钟丢弃不同类型的 Raft 消息的个数

Raft propose

• Raft apply proposals per ready：在一个 batch 内，apply proposal 时每个 ready 中包含 proposal 的个数的直方图
• Raft read/write proposals：不同类型的 proposal 的 ops
• Raft read proposals per server：每个 TiKV 实例发起读 proposal 的 ops
• Raft write proposals per server：每个 TiKV 实例发起写 proposal 的 ops
• Propose wait duration：proposal 的等待时间的直方图
• Propose wait duration per server：每个 TiKV 实例上每个 proposal 的等待时间的直方图
• Apply wait duration：apply 的等待时间的直方图
• Apply wait duration per server：每个 TiKV 实例上每个 apply 的等待时间的直方图
• Raft log speed：peer propose 日志的平均速度

Raft admin

• Admin proposals：admin proposal 的 ops
• Admin apply：apply 命令的 ops
• Check split：split check 命令的 ops
• 99.99% Check split duration：99.99% 的情况下，split check 所需花费的时间

Local reader

• Local reader requests：所有请求的总数以及 local read 线程拒绝的请求数量

Unified Read Pool

• Time used by level：在 unified read pool 中每个级别使用的时间，级别 0 指小查询
• Level 0 chance：在 unified read pool 中调度的 level 0 任务的比例
• Running tasks：在 unified read pool 中并发运行的任务数量

Storage

• Storage command total：收到不同命令的 ops
• Storage async request error：异步请求出错的 ops
• Storage async snapshot duration：异步处理 snapshot 所花费的时间，99% 的情况下，应该小于 1s
• Storage async write duration：异步写所花费的时间，99% 的情况下，应该小于 1s

Scheduler

• Scheduler stage total：每种命令不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
• Scheduler writing bytes：每个 TiKV 实例正在处理的命令的写入字节数量
• Scheduler priority commands：不同优先级命令的 ops
• Scheduler pending commands：每个 TiKV 实例上 pending 命令的 ops

Scheduler - commit

• Scheduler stage total：commit 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
• Scheduler command duration：执行 commit 命令所需花费的时间，正常情况下，应该小于 1s
• Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
• Scheduler keys read：commit 命令读取 key 的个数
• Scheduler keys written：commit 命令写入 key 的个数
• Scheduler scan details：执行 commit 命令时，扫描每个 CF 中 key 的详细情况
• Scheduler scan details [lock]：执行 commit 命令时，扫描每个 lock CF 中 key 的详细情况
• Scheduler scan details [write]：执行 commit 命令时，扫描每个 write CF 中 key 的详细情况
• Scheduler scan details [default]：执行 commit 命令时，扫描每个 default CF 中 key 的详细情况

Scheduler - pessimistic_rollback

• Scheduler stage total：pessimistic_rollback 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
• Scheduler command duration：执行 pessimistic_rollback 命令所需花费的时间，正常情况下，应该小于 1s
• Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
• Scheduler keys read：pessimistic_rollback 命令读取 key 的个数
• Scheduler keys written：pessimistic_rollback 命令写入 key 的个数
• Scheduler scan details：执行 pessimistic_rollback 命令时，扫描每个 CF 中 key 的详细情况
• Scheduler scan details [lock]：执行 pessimistic_rollback 命令时，扫描每个 lock CF 中 key 的详细情况
• Scheduler scan details [write]：执行 pessimistic_rollback 命令时，扫描每个 write CF 中 key 的详细情况
• Scheduler scan details [default]：执行 pessimistic_rollback 命令时，扫描每个 default CF 中 key 的详细情况

Scheduler - prewrite

• Scheduler stage total：prewrite 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
• Scheduler command duration：执行 prewrite 命令所需花费的时间，正常情况下，应该小于 1s
• Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
• Scheduler keys read：prewrite 命令读取 key 的个数
• Scheduler keys written：prewrite 命令写入 key 的个数
• Scheduler scan details：执行 prewrite 命令时，扫描每个 CF 中 key 的详细情况
• Scheduler scan details [lock]：执行 prewrite 命令时，扫描每个 lock CF 中 key 的详细情况
• Scheduler scan details [write]：执行 prewrite 命令时，扫描每个 write CF 中 key 的详细情况
• Scheduler scan details [default]：执行 prewrite 命令时，扫描每个 default CF 中 key 的详细情况

Scheduler - rollback

• Scheduler stage total：rollback 中每个命令所处不同阶段的 ops，正常情况下，不会在短时间内出现大量的错误
• Scheduler command duration：执行 rollback 命令所需花费的时间，正常情况下，应该小于 1s
• Scheduler latch wait duration：由于 latch wait 造成的时间开销，正常情况下，应该小于 1s
• Scheduler keys read：rollback 命令读取 key 的个数
• Scheduler keys written：rollback 命令写入 key 的个数
• Scheduler scan details：执行 rollback 命令时，扫描每个 CF 中 key 的详细情况
• Scheduler scan details [lock]：执行 rollback 命令时，扫描每个 lock CF 中 key 的详细情况
• Scheduler scan details [write]：执行 rollback 命令时，扫描每个 write CF 中 key 的详细情况
• Scheduler scan details [default]：执行 rollback 命令时，扫描每个 default CF 中 key 的详细情况

GC

• MVCC versions：每个 key 的版本个数
• MVCC delete versions：GC 删除掉的每个 key 的版本个数
• GC tasks：由 gc_worker 处理的 GC 任务的个数
• GC tasks Duration：执行 GC 任务时所花费的时间
• GC keys (write CF)：在 GC 过程中，write CF 中 受影响的 key 的个数
• TiDB GC worker actions：TiDB GC worker 的不同 action 的个数
• TiDB GC seconds：TiDB 执行 GC 花费的时间
• GC speed：GC 每秒删除的 key 的数量
• TiKV AutoGC Working：Auto GC 管理器的工作状态
• ResolveLocks Progress：GC 第一阶段（ResolveLocks）的进度
• TiKV Auto GC Progress：GC 第二阶段的进度
• TiKV Auto GC SafePoint：TiKV GC 的 safe point 的数值，safe point 为当前 GC 的时间戳
• GC lifetime：TiDB 设置的 GC lifetime
• GC interval：TiDB 设置的 GC 间隔

Snapshot

• Rate snapshot message：发送 Raft snapshot 消息的速率
• 99% Handle snapshot duration：99% 的情况下，处理 snapshot 所需花费的时间
• Snapshot state count：不同状态的 snapshot 的个数
• 99.99% Snapshot size：99.99% 的 snapshot 的大小
• 99.99% Snapshot KV count：99.99% 的 snapshot 包含的 key 的个数

Task

• Worker handled tasks：worker 每秒钟处理的任务的数量
• Worker pending tasks：当前 worker 中，每秒钟 pending 和 running 的任务的数量，正常情况下，应该小于 1000
• FuturePool handled tasks：future pool 每秒钟处理的任务的数量
• FuturePool pending tasks：当前 future pool 中，每秒钟 pending 和 running 的任务的数量

Coprocessor Overview

• Request duration：从收到 coprocessor 请求到处理结束所消耗的总时间
• Total Requests：每种类型的总请求的 ops
• Handle duration：每分钟实际处理 coprocessor 请求所消耗的时间的直方图
• Total Request Errors：Coprocessor 每秒请求错误的数量，正常情况下，短时间内不应该有大量的错误
• Total KV Cursor Operations：各种类型的 KV cursor 操作的总数量的 ops，例如 select、index、analyze_table、analyze_index、checksum_table、checksum_index 等
• KV Cursor Operations：每秒各种类型的 KV cursor 操作的数量，以直方图形式显示
• Total RocksDB Perf Statistics：RocksDB 性能统计数据
• Total Response Size：coprocessor 回应的数据大小

Coprocessor Detail

• Handle duration：每秒钟实际处理 coprocessor 请求所消耗的时间的直方图
• 95% Handle duration by store：每秒钟中 95% 的情况下，每个 TiKV 实例处理 coprocessor 请求所花费的时间
• Wait duration：coprocessor 每秒钟内请求的等待时间，99.99% 的情况下，应该小于 10s
• 95% Wait duration by store：每秒钟 95% 的情况下，每个 TiKV 实例上 coprocessor 请求的等待时间
• Total DAG Requests：DAG 请求的总数量的 ops
• Total DAG Executors：DAG executor 的总数量的 ops
• Total Ops Details (Table Scan)：coprocessor 中请求为 select 的 scan 过程中每秒钟各种事件发生的次数
• Total Ops Details (Index Scan)：coprocessor 中请求为 index 的 scan 过程中每秒钟各种事件发生的次数
• Total Ops Details by CF (Table Scan)：coprocessor 中对于每个 CF 请求为 select 的 scan 过程中每秒钟各种事件发生的次数
• Total Ops Details by CF (Index Scan)：coprocessor 中对于每个 CF 请求为 index 的 scan 过程中每秒钟各种事件发生的次数

Threads

• Threads state：TiKV 线程的状态
• Threads IO：TiKV 各个线程的 I/O 流量
• Thread Voluntary Context Switches：TiKV 线程自主切换的次数
• Thread Nonvoluntary Context Switches：TiKV 线程被动切换的次数

RocksDB - kv/raft

• Get operations：get 操作的 ops
• Get duration：get 操作的耗时
• Seek operations：seek 操作的 ops
• Seek duration：seek 操作的耗时
• Write operations：write 操作的 ops
• Write duration：write 操作的耗时
• WAL sync operations：sync WAL 操作的 ops
• Write WAL duration：write 操作中写 WAL 的耗时
• WAL sync duration：sync WAL 操作的耗时
• Compaction operations：compaction 和 flush 操作的 ops
• Compaction duration：compaction 和 flush 操作的耗时
• SST read duration：读取 SST 所需的时间
• Write stall duration：由于 write stall 造成的时间开销，正常情况下应为 0
• Memtable size：每个 CF 的 memtable 的大小
• Memtable hit：memtable 的命中率
• Block cache size：block cache 的大小。如果将 shared block cache 禁用，即为每个 CF 的 block cache 的大小
• Block cache hit：block cache 的命中率
• Block cache flow：不同 block cache 操作的流量
• Block cache operations 不同 block cache 操作的个数
• Keys flow：不同操作造成的 key 的流量
• Total keys：每个 CF 中 key 的个数
• Read flow：不同读操作的流量
• Bytes / Read：每次读的大小
• Write flow：不同写操作的流量
• Bytes / Write：每次写的大小
• Compaction flow：compaction 相关的流量
• Compaction pending bytes：等待 compaction 的大小
• Read amplification：每个 TiKV 实例的读放大
• Compression ratio：每一层的压缩比
• Number of snapshots：每个 TiKV 的 snapshot 的数量
• Oldest snapshots duration：最旧的 snapshot 保留的时间
• Number files at each level：每一层的文件个数
• Ingest SST duration seconds：ingest SST 所花费的时间
• Stall conditions changed of each CF：每个 CF stall 的原因

Titan - All

• Blob file count：Titan blob 文件的数量
• Blob file size：Titan blob 文件总大小
• Live blob size：有效 blob record 的总大小
• Blob cache hit：Titan 的 blob cache 命中率
• Iter touched blob file count：单个 Iterator 所涉及到 blob 文件的数量
• Blob file discardable ratio distribution：blob 文件的失效 blob record 比例的分布情况
• Blob key size：Titan 中 blob key 的大小
• Blob value size：Titan 中 blob value 的大小
• Blob get operations：blob 的 get 操作的数量
• Blob get duration：blob 的 get 操作的耗时
• Blob iter operations：blob 的 iter 操作的耗时
• Blob seek duration：blob 的 seek 操作的耗时
• Blob next duration：blob 的 next 操作的耗时
• Blob prev duration：blob 的 prev 操作的耗时
• Blob keys flow：Titan blob 读写的 key 数量
• Blob bytes flow：Titan blob 读写的 bytes 数量
• Blob file read duration：blob 文件的读取耗时
• Blob file write duration：blob 文件的写入耗时
• Blob file sync operations：blob 文件 sync 次数
• Blob file sync duration：blob 文件 sync 耗时
• Blob GC action：Titan GC 细分动作的次数
• Blob GC duration：Titan GC 的耗时
• Blob GC keys flow：Titan GC 读写的 key 数量
• Blob GC bytes flow：Titan GC 读写的 bytes 数量
• Blob GC input file size：Titan GC 输入文件的大小
• Blob GC output file size：Titan GC 输出文件的大小
• Blob GC file count：Titan GC 涉及的 blob 文件数量

Lock manager

• Thread CPU：lock manager 的线程 CPU 使用率
• Handled tasks：lock manager 处理的任务数量
• Waiter lifetime duration：事务等待锁释放的时间
• Wait table：wait table 的状态信息，包括锁的数量和等锁事务的数量
• Deadlock detect duration：处理死锁检测请求的耗时
• Detect error：死锁检测遇到的错误数量，包含死锁的数量
• Deadlock detector leader：死锁检测器 leader 所在节点的信息

Memory

• Allocator Stats：内存分配器的统计信息

Backup

• Backup CPU：backup 的线程 CPU 使用率
• Range Size：backup range 的大小直方图
• Backup Duration：backup 的耗时
• Backup Flow：backup 总的字节大小
• Disk Throughput：实例磁盘的吞吐量
• Backup Range Duration：backup range 的耗时
• Backup Errors：backup 中发生的错误数量

Encryption

• Encryption data keys：正在使用的加密 data key 的总数量
• Encrypted files：被加密的文件数量
• Encryption initialized：显示加密是否被启用，1 代表已经启用
• Encryption meta files size：加密相关的元数据文件的大小
• Encrypt/decrypt data nanos：每次加密/解密数据的耗时的直方图
• Read/write encryption meta duration：每秒钟读写加密文件所耗费的时间

面板常见参数的解释

gRPC 消息类型

1. 使用事务型接口的命令：

   • kv_get：事务型的 get 命令，获取指定 ts 能读到的最新版本数据
   • kv_scan：扫描连续的一段数据
   • kv_prewrite：2PC 的第一阶段，预写入事务要提交的数据
   • kv_pessimistic_lock：对 key 加悲观锁，防止其他事务修改
   • kv_pessimistic_rollback：删除 key 上的悲观锁
   • kv_txn_heart_beat：更新悲观事务或大事务的 lock_ttl 以防止其被回滚
   • kv_check_txn_status：检查事务的状态
   • kv_commit：2PC 的第二阶段，提交 prewrite 阶段写入的数据
   • kv_cleanup：回滚一个事务（此命令将会在 4.0 中废除）
   • kv_batch_get：与 kv_get 类似，一次性获取批量 key 的 value
   • kv_batch_rollback：批量回滚多个预写的事务
   • kv_scan_lock：扫描所有版本号在 max_version 之前的锁，用于清理过期的事务
   • kv_resolve_lock：根据事务状态，提交或回滚事务的锁
   • kv_gc：触发垃圾回收
   • kv_delete_range：从 TiKV 中删除连续的一段数据

2. 非事务型的裸命令：

   • raw_get：获取 key 所对应的 value
   • raw_batch_get：获取一批 key 所对应的 value
   • raw_scan：扫描一段连续的数据
   • raw_batch_scan：扫描多段连续的数据
   • raw_put：写入一个 key/value 对
   • raw_batch_put：直接写入一批 key/value 对
   • raw_delete：删除一个 key/value 对
   • raw_batch_delete：删除一批 key/value 对
   • raw_delete_range：删除连续的一段区间