diff --git a/TOC.md b/TOC.md index 4ecd5e3daa85..93e3f726d498 100644 --- a/TOC.md +++ b/TOC.md @@ -85,6 +85,7 @@ + [TiFlash 报警规则与处理方法](/tiflash/tiflash-alert-rules.md) + 故障诊断 + [定位慢查询](/identify-slow-queries.md) + + [分析慢查询](/analyze-slow-queries.md) + [SQL 诊断](/information-schema/information-schema-sql-diagnostics.md) + [定位消耗系统资源多的查询](/identify-expensive-queries.md) + [SQL 语句统计](/statement-summary-tables.md) diff --git a/_index.md b/_index.md index b5bc3b46b0ce..802e9249ed65 100755 --- a/_index.md +++ b/_index.md @@ -80,6 +80,7 @@ TiDB 是 PingCAP 公司自主设计、研发的开源分布式关系型数据库 故障诊断 - [定位慢查询](/identify-slow-queries.md) +- [分析慢查询](/analyze-slow-queries.md) - [SQL 诊断](/information-schema/information-schema-sql-diagnostics.md) - [热点问题处理](/troubleshoot-hot-spot-issues.md) - [磁盘 I/O 过高](/troubleshoot-high-disk-io.md) diff --git a/analyze-slow-queries.md b/analyze-slow-queries.md new file mode 100644 index 000000000000..8006730511c5 --- /dev/null +++ b/analyze-slow-queries.md @@ -0,0 +1,253 @@ +--- +title: 分析慢查询 +summary: 学习如何定位和分析慢查询。 +--- + +# 分析慢查询 + +处理慢查询分为两步： + +1. 从大量查询中定位出哪一类查询比较慢 +2. 分析这类慢查询的原因 + +第一步可以通过 [慢日志](/identify-slow-queries.md)、[statement-summary](/statement-summary-tables.md) 方便地定位，推荐直接使用 [TiDB Dashboard](/dashboard/dashboard-overview.md)，它整合了这两个功能，且能方便直观地在浏览器中展示出来。本文聚焦第二步。 + +首先将慢查询归因成两大类： + +- 优化器问题：如选错索引，选错 Join 类型或顺序 +- 系统性问题：将非优化器问题都归结于此类，如：某个 TiKV 实例忙导致处理请求慢，Region 信息过期导致查询变慢 + +实际中，优化器问题可能造成系统性问题，如对于某类查询，优化器应使用索引，但却使用了全表扫，这可能导致这类 SQL 消耗大量资源，造成某些 KV 实例 CPU 飚高等，表现上看就是一个系统性问题，但本质是优化器问题。 + +分析优化器问题需要有判断执行计划是否合理的能力，而系统性问题的定位相对简单，因此面对慢查询推荐的分析过程如下： + +1. 定位查询瓶颈：即查询过程中耗时多的部分 +2. 分析系统性问题：根据瓶颈点，结合当时的监控/日志等信息，分析可能的原因 +3. 分析优化器问题：分析是否有更好的执行计划 + +接下来会分别介绍上面几点。 + +## 定位查询瓶颈 + +定位查询瓶颈需要对查询过程有一个大致理解，TiDB 处理查询过程的关键阶段都在 [performance-map](/media/performance-map.png) 图中了。 + +查询的耗时信息可以从下面几种方式获得： + +- [慢日志](/identify-slow-queries.md)（推荐直接在 [TiDB Dashboard](/dashboard/dashboard-overview.md) 中查看） +- [`explain analyze` 语句](/sql-statements/sql-statement-explain-analyze.md) + +他们的侧重点不同： + +- 慢日志记录了 SQL 从解析到返回，几乎所有阶段的耗时，较为全面（在 TiDB Dashboard 中可以直观地查询和分析慢日志）； +- `explain analyze` 可以拿到 SQL 实际执行中每个执行算子的耗时，对执行耗时有更细分的统计； + +总的来说，利用慢日志和 `explain analyze` 可以比较准确地定位查询的瓶颈点，帮助你判断这条 SQL 慢在哪个模块（TiDB/TiKV），慢在哪个阶段，下面会有一些例子。 + +另外在 4.0.3 之后，慢日志中的 `Plan` 字段也会包含 SQL 的执行信息，也就是 `explain analyze` 的结果，这样一来 SQL 的所有耗时信息都可以在慢日志中找到。 + +## 分析系统性问题 + +对于系统性问题，我们根据执行阶段，分成三个大类： + +1. TiKV 处理慢：如 coprocessor 处理数据慢 +2. TiDB 执行慢：主要指执行阶段，如某个 Join 算子处理数据慢 +3. 其他关键阶段慢：如取时间戳慢 + +拿到一个慢查询，我们应该先根据已有信息判断大致是哪个大类，再具体分析。 + +### TiKV 处理慢 + +如果是 TiKV 处理慢，可以很明显的通过 `explain analyze` 中看出来，如下面这个例子，可以看到 `StreamAgg_8` 和 `TableFullScan_15` 这两个 `tikv-task` （在 `task` 列可以看出这两个任务类型是 `cop[tikv]`） 花费了 `170ms`，而 TiDB 部分的算子耗时，减去这 `170ms` 后，耗时占比非常小，说明瓶颈在 TiKV。 + +```sql ++----------------------------+---------+---------+-----------+---------------+------------------------------------------------------------------------------+---------------------------------+-----------+------+ +| id | estRows | actRows | task | access object | execution info | operator info | memory | disk | ++----------------------------+---------+---------+-----------+---------------+------------------------------------------------------------------------------+---------------------------------+-----------+------+ +| StreamAgg_16 | 1.00 | 1 | root | | time:170.08572ms, loops:2 | funcs:count(Column#5)->Column#3 | 372 Bytes | N/A | +| └─TableReader_17 | 1.00 | 1 | root | | time:170.080369ms, loops:2, rpc num: 1, rpc time:17.023347ms, proc keys:28672 | data:StreamAgg_8 | 202 Bytes | N/A | +| └─StreamAgg_8 | 1.00 | 1 | cop[tikv] | | time:170ms, loops:29 | funcs:count(1)->Column#5 | N/A | N/A | +| └─TableFullScan_15 | 7.00 | 28672 | cop[tikv] | table:t | time:170ms, loops:29 | keep order:false, stats:pseudo | N/A | N/A | ++----------------------------+---------+---------+-----------+---------------+------------------------------------------------------------------------------+---------------------------------+-----------+------ +``` + +另外在慢日志中，`Cop_process` 和 `Cop_wait` 字段也可以帮助判断，如下面这个例子，查询整个耗时是 180.85ms 左右，而最大的那个 `coptask` 就消耗了 `171ms`，可以说明对这个查询而言，瓶颈在 TiKV 侧。 + +慢日志中的各个字段的说明可以参考慢查询日志中的[字段含义说明](/identify-slow-queries.md#字段含义说明) + +```log +# Query_time: 0.18085 +... +# Num_cop_tasks: 1 +# Cop_process: Avg_time: 170ms P90_time: 170ms Max_time: 170ms Max_addr: 10.6.131.78 +# Cop_wait: Avg_time: 1ms P90_time: 1ms Max_time: 1ms Max_Addr: 10.6.131.78 +``` + +根据上述方式判断是 TiKV 慢后，可以依次排查 TiKV 慢的原因。 + +#### TiKV 实例忙 + +一条 SQL 可能会去从多个 TiKV 上拿数据，如果某个 TiKV 响应慢，可能拖慢整个 SQL 的处理速度。 + +慢日志中的 `Cop_wait` 可以帮忙判断这个问题： + +```log +# Cop_wait: Avg_time: 1ms P90_time: 2ms Max_time: 110ms Max_Addr: 10.6.131.78 +``` + +如上图，发给 `10.6.131.78` 的一个 `cop-task` 等待了 110ms 才被执行，可以判断是当时该实例忙，此时可以打开当时的 CPU 监控辅助判断。 + +#### 过期 key 多 + +如果 TiKV 上过期的数据比较多，在扫描的时候则需要处理这些不必要的数据，影响处理速度。 + +这可以通过 `Total_keys` 和 `Processed_keys` 判断，如果两者相差较大，则说明旧版本的 key 太多： + +``` +... +# Total_keys: 2215187529 Processed_keys: 1108056368 +... +``` + +### 其他关键阶段慢 + +#### 取 TS 慢 + +可以对比慢日志中的 `Wait_TS` 和 `Query_time` ，因为 TS 有预取操作，通常来说 `Wait_TS` 应该很低。 + +``` +# Query_time: 0.0300000 +... +# Wait_TS: 0.02500000 +``` + +#### Region 信息过期 + +TiDB 侧 Region 信息可能过期，此时 TiKV 可能返回 `regionMiss` 的错误，然后 TiDB 会从 PD 去重新获取 Region 信息，这些信息会被反应在 `Cop_backoff` 信息内，失败的次数和总耗时都会被记录下来。 + +``` +# Cop_backoff_regionMiss_total_times: 200 Cop_backoff_regionMiss_total_time: 0.2 Cop_backoff_regionMiss_max_time: 0.2 Cop_backoff_regionMiss_max_addr: 127.0.0.1 Cop_backoff_regionMiss_avg_time: 0.2 Cop_backoff_regionMiss_p90_time: 0.2 +# Cop_backoff_rpcPD_total_times: 200 Cop_backoff_rpcPD_total_time: 0.2 Cop_backoff_rpcPD_max_time: 0.2 Cop_backoff_rpcPD_max_addr: 127.0.0.1 Cop_backoff_rpcPD_avg_time: 0.2 Cop_backoff_rpcPD_p90_time: 0.2 +``` + +#### 子查询被提前执行 + +对于带有非关联子查询的语句，子查询部分可能被提前执行，如：`select * from t1 there a = (select max(a) from t2)` ，`select max(a) from t2` 部分可能在优化阶段被提前执行，这种查询用 `explain analyze` 看不到对应的耗时，如下： + +```sql +mysql> explain analyze select count(*) from t where a=(select max(t1.a) from t t1, t t2 where t1.a=t2.a); ++------------------------------+----------+---------+-----------+---------------+--------------------------+----------------------------------+-----------+------+ +| id | estRows | actRows | task | access object | execution info | operator info | memory | disk | ++------------------------------+----------+---------+-----------+---------------+--------------------------+----------------------------------+-----------+------+ +| StreamAgg_59 | 1.00 | 1 | root | | time:4.69267ms, loops:2 | funcs:count(Column#10)->Column#8 | 372 Bytes | N/A | +| └─TableReader_60 | 1.00 | 1 | root | | time:4.690428ms, loops:2 | data:StreamAgg_48 | 141 Bytes | N/A | +| └─StreamAgg_48 | 1.00 | | cop[tikv] | | time:0ns, loops:0 | funcs:count(1)->Column#10 | N/A | N/A | +| └─Selection_58 | 16384.00 | | cop[tikv] | | time:0ns, loops:0 | eq(test.t.a, 1) | N/A | N/A | +| └─TableFullScan_57 | 16384.00 | -1 | cop[tikv] | table:t | time:0s, loops:0 | keep order:false | N/A | N/A | ++------------------------------+----------+---------+-----------+---------------+--------------------------+----------------------------------+-----------+------+ +5 rows in set (7.77 sec) +``` + +不过可以从慢日志中排查这种情况： + +``` +# Query_time: 7.770634843 +... +# Rewrite_time: 7.765673663 Preproc_subqueries: 1 Preproc_subqueries_time: 7.765231874 +``` + +可以看到有 1 个子查询被提前执行，花费了 `7.76s`。 + +### TiDB 执行慢 + +这里我们假设 TiDB 的执行计划正确（不正确的情况在[分析优化器问题](#分析优化器问题)这一节中说明），但是执行上很慢； + +解决这类问题主要靠调整参数或利用 hint，并结合 `explain analyze` 对 SQL 进行调整。 + +#### 并发太低 + +如果发现瓶颈在有并发的算子上，可以通过调整并发度来尝试提速，如下面的执行计划中： + +```sql +mysql> explain analyze select sum(t1.a) from t t1, t t2 where t1.a=t2.a; ++----------------------------------+--------------+-----------+-----------+---------------+-------------------------------------------------------------------------------------+------------------------------------------------+------------------+---------+ +| id | estRows | actRows | task | access object | execution info | operator info | memory | disk | ++----------------------------------+--------------+-----------+-----------+---------------+-------------------------------------------------------------------------------------+------------------------------------------------+------------------+---------+ +| HashAgg_11 | 1.00 | 1 | root | | time:9.666832189s, loops:2, PartialConcurrency:4, FinalConcurrency:4 | funcs:sum(Column#6)->Column#5 | 322.125 KB | N/A | +| └─Projection_24 | 268435456.00 | 268435456 | root | | time:9.098644711s, loops:262145, Concurrency:4 | cast(test.t.a, decimal(65,0) BINARY)->Column#6 | 199 KB | N/A | +| └─HashJoin_14 | 268435456.00 | 268435456 | root | | time:6.616773501s, loops:262145, Concurrency:5, probe collision:0, build:881.404µs | inner join, equal:[eq(test.t.a, test.t.a)] | 131.75 KB | 0 Bytes | +| ├─TableReader_21(Build) | 16384.00 | 16384 | root | | time:6.553717ms, loops:17 | data:Selection_20 | 33.6318359375 KB | N/A | +| │ └─Selection_20 | 16384.00 | | cop[tikv] | | time:0ns, loops:0 | not(isnull(test.t.a)) | N/A | N/A | +| │ └─TableFullScan_19 | 16384.00 | -1 | cop[tikv] | table:t2 | time:0s, loops:0 | keep order:false | N/A | N/A | +| └─TableReader_18(Probe) | 16384.00 | 16384 | root | | time:6.880923ms, loops:17 | data:Selection_17 | 33.6318359375 KB | N/A | +| └─Selection_17 | 16384.00 | | cop[tikv] | | time:0ns, loops:0 | not(isnull(test.t.a)) | N/A | N/A | +| └─TableFullScan_16 | 16384.00 | -1 | cop[tikv] | table:t1 | time:0s, loops:0 | keep order:false | N/A | N/A | ++----------------------------------+--------------+-----------+-----------+---------------+-------------------------------------------------------------------------------------+------------------------------------------------+------------------+---------+ +9 rows in set (9.67 sec) +``` + +发现耗时主要在 `HashJoin_14` 和 `Projection_24`，可以酌情通过 SQL 变量来提高他们的并发度进行提速。 + +[system-variables](/system-variables.md) 中有所有的系统变量，如想提高 `HashJoin_14` 的并发度，则可以修改变量 `tidb_hash_join_concurrency`。 + +#### 产生了落盘 + +执行慢的另一个原因是执行过程中，因为到达内存限制，产生了落盘，这点在执行计划和慢日志中都能看到： + +```sql ++-------------------------+-----------+---------+-----------+---------------+------------------------------+----------------------+-----------------------+----------------+ +| id | estRows | actRows | task | access object | execution info | operator info | memory | disk | ++-------------------------+-----------+---------+-----------+---------------+------------------------------+----------------------+-----------------------+----------------+ +| Sort_4 | 462144.00 | 462144 | root | | time:2.02848898s, loops:453 | test.t.a | 149.68795776367188 MB | 219.3203125 MB | +| └─TableReader_8 | 462144.00 | 462144 | root | | time:616.211272ms, loops:453 | data:TableFullScan_7 | 197.49601364135742 MB | N/A | +| └─TableFullScan_7 | 462144.00 | -1 | cop[tikv] | table:t | time:0s, loops:0 | keep order:false | N/A | N/A | ++-------------------------+-----------+---------+-----------+---------------+------------------------------+----------------------+-----------------------+----------------+ +``` + +``` +... +# Disk_max: 229974016 +... +``` + +#### 做了笛卡尔积的 Join + +做笛卡尔积的 Join 会产生 `左边孩子行数 * 右边孩子行数` 这么多数据，效率较低，应该尽量避免； + +目前对于产生笛卡尔积的 Join 会在执行计划中显示的标明 `CARTESIAN`，如下： + +```sql +mysql> explain select * from t t1, t t2 where t1.a>t2.a; ++------------------------------+-------------+-----------+---------------+---------------------------------------------------------+ +| id | estRows | task | access object | operator info | ++------------------------------+-------------+-----------+---------------+---------------------------------------------------------+ +| HashJoin_8 | 99800100.00 | root | | CARTESIAN inner join, other cond:gt(test.t.a, test.t.a) | +| ├─TableReader_15(Build) | 9990.00 | root | | data:Selection_14 | +| │ └─Selection_14 | 9990.00 | cop[tikv] | | not(isnull(test.t.a)) | +| │ └─TableFullScan_13 | 10000.00 | cop[tikv] | table:t2 | keep order:false, stats:pseudo | +| └─TableReader_12(Probe) | 9990.00 | root | | data:Selection_11 | +| └─Selection_11 | 9990.00 | cop[tikv] | | not(isnull(test.t.a)) | +| └─TableFullScan_10 | 10000.00 | cop[tikv] | table:t1 | keep order:false, stats:pseudo | ++------------------------------+-------------+-----------+---------------+---------------------------------------------------------+ +``` + +## 分析优化器问题 + +分析优化问题需要有判断执行计划是否合理的能力，这需要对优化过程和各算子有一定了解。 + +下面是一组例子，假设表结构为 `create table t (id int, a int, b int, c int, primary key(id), key(a), key(b, c))`： + +1. `select * from t`: 没有过滤条件，会扫全表，所以会用 `TableFullScan` 算子读取数据； +2. `select a from t where a=2`：有过滤条件且只读索引列，所以会用 `IndexReader` 算子读取数据； +3. `select * from t where a=2`：在 `a` 有过滤条件，但索引 `a` 不能完全覆盖需要读取的内容，因此会采用 `IndexLookup`； +4. `select b from t where c=3`：多列索引没有前缀条件就用不上，所以会用 `IndexFullScan`； +5. ... + +上面举例了数据读入相关的算子，在 [理解 TiDB 执行计划](/query-execution-plan.md) 中描述了更多算子的情况； + +另外阅读 [SQL 性能调优](/sql-tuning-overview.md) 整个小节能增加你对 TiDB 优化器的了解，帮助判断执行计划是否合理。 + +由于大多数优化器问题在 [SQL 性能调优](/sql-tuning-overview.md) 已经有解释，这里就直接列举出来跳转过去： + +1. [索引选择错误](/wrong-index-solution.md) +2. [Join 顺序错误](/join-reorder.md) +3. [表达式未下推](/blacklist-control-plan.md) diff --git a/media/performance-map.png b/media/performance-map.png new file mode 100644 index 000000000000..fd87f49364de Binary files /dev/null and b/media/performance-map.png differ