重要监控指标详解

使用 Ansible 部署 TiDB 集群时，一键部署监控系统 (Prometheus/Grafana)，监控架构请看 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，我们单独挑选出重要的 Metrics 放在 Overview 页面，方便日常运维人员观察集群组件(PD, TiDB, TiKV)使用状态以及集群使用状态 。

以下为 Overview Dashboard 监控说明：

说明

  • Services Port Status

    • Services Online：各服务在线节点数量

    • Services Offline：各服务 Down 掉节点数量

  • PD

    • Storage Capacity：TiDB 集群总可用数据库空间大小

    • Current Storage Size：TiDB 集群目前已用数据库空间大小

    • Number of Regions：当前集群的 Region 总量

    • Leader Balance Ratio：Leader 数量最多和最少节点相差的百分比，一般小于 5%，节点重启时会有比较大的波动

      • Region Balance Ratio：Region 数量最多和最少节点相差的百分比，一般小于 5%，新增/下线节点时相差比较大

      • Store Status：集群 TiKV 节点的状态

        • Up Stores：正常运行的 TiKV 节点数量

        • Disconnect Stores：短时间内通信异常的 TiKV 节点数量

        • LowSpace Stores：剩余可用空间小于 80% 的 TiKV 节点数量

        • Down Stores：停止工作的 TiKV 节点数量，如果大于 0，说明有节点不正常

        • Offline Stores：正在下线的 TiKV 节点数量（正在下线的 TiKV 节点还在提供服务）

        • Tombstone Stores：下线成功的 TiKV 节点数量

    • 99% completed_cmds_duration_seconds：单位时间内，99% 的 pd-server 请求执行时间小于监控曲线的值，一般 <= 5ms

    • handle_requests_duration_seconds：PD 发送请求的网络耗时

  • TiDB

    • Statement OPS：SQL 执行数量统计（包含 select、insert、update 等）

    • Duration：SQL 执行的时间

    • QPS By Instance：每个 TiDB 上的 QPS

    • Failed Query OPM：失败 SQL 的统计，例如语法错误、主键冲突等

    • Connection count：每个 TiDB 的连接数

    • Heap Memory Usage：每个 TiDB 使用的堆内存大小

    • Transaction OPS：事务执行数量统计

    • Transaction Duration：事务执行的时间

    • KV Cmd OPS：KV 命令执行数量统计

    • KV Cmd Duration 99：KV 命令执行的时间

    • PD TSO OPS：TiDB 从 PD 获取 TSO 的数量

    • PD TSO Wait Duration：TiDB 从 PD 获取 TS 的时间

    • TiClient Region Error OPS：TiKV 返回 Region 相关错误信息的数量

    • Lock Resolve OPS：事务冲突相关的数量

    • Load Schema Duration：TiDB 从 TiKV 获取 Schema 的时间

    • KV Backoff OPS：TiKV 返回错误信息的数量（事务冲突等）

  • TiKV

    • leader：各个 TiKV 节点上 Leader 的数量分布

    • region：各个 TiKV 节点上 Region 的数量分布

    • CPU：各个 TiKV 节点的 CPU 使用率

    • Memory：各个 TiKV 节点的内存使用量

    • store size：各个 TiKV 节点存储的数据量

    • cf size：集群不同 CF 存储的数据量

    • channel full：正常情况显示 No data，如果有了监控值，说明对应 TiKV 节点的消息处理不过来了

    • server report failures：正常情况显示 No data，如果出现了 Unreachable，说明 TiKV 之间通信有问题

    • scheduler pending commands：写入堆积的数量，偶尔出现峰值属于正常现象

    • coprocessor pending requests：正常情况监控为 0 或者数量很少

    • coprocessor executor count：不同类型的查询操作数量

    • coprocessor request duration：TiKV 中查询消耗的时间

    • raft store CPU：raftstore 线程的 CPU 使用率，目前为单线程，超过 80% 说明使用率很高

    • Coprocessor CPU：TiKV 查询线程的 CPU 使用率，和业务相关，复杂查询会使用大量的 CPU 资源

  • System Info

    • Vcores：CPU 核心数量

    • Memory：内存总大小

    • CPU Usage：CPU 使用率，最大为 100%

    • Load [1m]：1 分钟的负载情况

    • Memory Available：剩余内存大小

    • Network Traffic：网卡流量统计

    • TCP Retrans：网络监控，TCP 相关信息统计

    • IO Util：磁盘使用率，最高为 100%，一般到 80% - 90% 就需要考虑加节点

图例

overview