TiCDC 集群监控报警规则

本文介绍了 TiCDC 组件的报警项及相应的报警规则。根据严重级别,报警项按照严重程度由高到低依次为:重要级别 (Critical)、警告级别 (Warning)。

重要级别报警项

对于重要级别的报警,需要密切关注异常指标。

cdc_checkpoint_high_delay

  • 报警规则:

    (time() - ticdc_owner_checkpoint_ts / 1000) > 600

  • 规则描述:

    TiCDC 某个同步任务延迟超过 10 分钟。

  • 处理方法:

    参考 TiCDC 同步任务出现中断的处理方法。

cdc_resolvedts_high_delay

  • 报警规则:

    (time() - ticdc_owner_resolved_ts / 1000) > 300

  • 规则描述:

    TiCDC 某个同步任务的 resolved ts 延迟超过 5 分钟。

  • 处理方法:

    该告警与同步任务中断类似,可参考 TiCDC 同步任务出现中断的处理方法。

ticdc_changefeed_failed

  • 报警规则:

    (max_over_time(ticdc_owner_status[1m]) == 2) > 0

  • 规则描述:

    TiCDC 某个同步任务遇到无法自动恢复的错误,进入 failed 状态。

  • 处理方法:

    该告警与同步任务中断类似,可参考 TiCDC 同步任务出现中断的处理方法。

ticdc_processor_exit_with_error_count

  • 报警规则:

    changes(ticdc_processor_exit_with_error_count[1m]) > 0

  • 规则描述:

    TiCDC 某个同步任务报错退出。

  • 处理方法:

    参考 TiCDC 同步任务出现中断的处理方法。

警告级别报警项

警告级别的报警是对某一问题或错误的提醒。

cdc_multiple_owners

  • 报警规则:

    sum(rate(ticdc_owner_ownership_counter[30s])) >= 2

  • 规则描述:

    TiCDC 集群有多个 owner。

  • 处理方法:

    收集 TiCDC 日志,定位原因。

cdc_sink_flush_duration_time_more_than_10s

  • 报警规则:

    histogram_quantile(0.9, rate(ticdc_sink_txn_worker_flush_duration[1m])) > 10

  • 规则描述:

    TiCDC 某一同步任务写下游执行时间超过 10 秒。

  • 处理方法:

    检查下游是否出现问题。

cdc_processor_checkpoint_tso_no_change_for_1m

  • 报警规则:

    changes(ticdc_processor_checkpoint_ts[1m]) < 1

  • 规则描述:

    TiCDC 某一个同步任务进度超过 1 分钟没有推进。

  • 处理方法:

    参考 TiCDC 同步任务出现中断的处理方法。

ticdc_puller_entry_sorter_sort_bucket

  • 报警规则:

    histogram_quantile(0.9, rate(ticdc_puller_entry_sorter_sort_bucket{}[1m])) > 1

  • 规则描述:

    TiCDC puller entry sorter 排序延迟太高。

  • 处理方法:

    收集 TiCDC 日志,定位原因。

ticdc_puller_entry_sorter_merge_bucket

  • 报警规则:

    histogram_quantile(0.9, rate(ticdc_puller_entry_sorter_merge_bucket{}[1m])) > 1

  • 规则描述:

    TiCDC puller entry sorter merge 延迟太高。

  • 处理方法:

    收集 TiCDC 日志,定位原因。

tikv_cdc_min_resolved_ts_no_change_for_1m

  • 报警规则:

    changes(tikv_cdc_min_resolved_ts[1m]) < 1 and ON (instance) tikv_cdc_region_resolve_status{status="resolved"} > 0 and ON (instance) tikv_cdc_captured_region_total > 0

  • 规则描述:

    TiKV CDC 模块最小的 resolved ts 1 分钟没推进。

  • 处理方法:

    收集 TiKV 日志,定位原因。

tikv_cdc_scan_duration_seconds_more_than_10min

  • 报警规则:

    histogram_quantile(0.9, rate(tikv_cdc_scan_duration_seconds_bucket{}[1m])) > 600

  • 规则描述:

    TiKV CDC 模块的增量扫描耗时超过 10 分钟。

  • 处理方法:

    收集 TiCDC 监控和 TiKV 日志,定位原因。

ticdc_sink_mysql_execution_error

  • 报警规则:

    changes(ticdc_sink_mysql_execution_error[1m]) > 0

  • 规则描述:

    TiCDC 某一同步任务写下游 MySQL 时遇到错误。

  • 处理方法:

    MySQL 报错的情况较多,参考 TiCDC 故障处理

ticdc_memory_abnormal

  • 报警规则:

    go_memstats_heap_alloc_bytes{job="ticdc"} > 1e+10

  • 规则描述:

    TiCDC 堆内存使用量超过 10 GiB。

  • 处理方法:

    收集 TiCDC 日志,定位原因。