PD 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，我们通过观察 PD 面板上的 Metrics，可以了解 PD 当前的状态。

以下为 PD Dashboard 监控说明：

Cluster

• PD role：当前 PD 的角色
• 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
• Normal stores：处于正常状态的节点数目
• Abnormal stores：处于异常状态的节点数目，正常情况应当为 0
• Current storage usage：TiDB 集群存储空间的使用率
• Current peer count：当前集群 peer 的总量
• Metadata information：记录集群 ID，时间戳和生成的 ID
• Region label isolation level：不同 label 所在的 level 的 Region 数量
• Region health：每个 Region 的状态，通常情况下，pending 的 peer 应该少于 100，miss 的 peer 不能一直大于 0

Balance

• Store capacity：每个 TiKV 实例的总的空间大小
• Store available：每个 TiKV 实例的可用空间大小
• Store used：每个 TiKV 实例的已使用空间大小
• Size amplification：每个 TiKV 实例的空间放大比率
• Size available ratio：每个 TiKV 实例的可用空间比率
• Store leader score：每个 TiKV 实例的 leader 分数
• Store Region score：每个 TiKV 实例的 Region 分数
• Store leader size：每个 TiKV 实例上所有 leader 的大小
• Store Region size：每个 TiKV 实例上所有 Region 的大小
• Store leader count：每个 TiKV 实例上所有 leader 的数量
• Store Region count：每个 TiKV 实例上所有 Region 的数量

HotRegion

• Hot write Region’s leader distribution：每个 TiKV 实例上是写入热点的 leader 的数量
• Hot write Region’s peer distribution：每个 TiKV 实例上是写入热点的 peer 的数量
• Hot write Region’s leader written bytes：每个 TiKV 实例上热点的 leader 的写入大小
• Hot write Region’s peer written bytes：每个 TiKV 实例上热点的 peer 的写入大小
• Hot read Region’s leader distribution：每个 TiKV 实例上是读取热点的 leader 的数量
• Hot read Region’s peer distribution：每个 TiKV 实例上是读取热点的 peer 的数量
• Hot read Region’s leader read bytes：每个 TiKV 实例上热点的 leader 的读取大小
• Hot read Region’s peer read bytes：每个 TiKV 实例上热点的 peer 的读取大小

Scheduler

• Scheduler is running：所有正在运行的 scheduler
• Balance leader movement：leader 移动的详细情况
• Balance Region movement：Region 移动的详细情况
• Balance leader event：balance leader 的事件数量
• Balance Region event：balance Region 的事件数量
• Balance leader scheduler：balance-leader scheduler 的状态
• Balance Region scheduler：balance-region scheduler 的状态
• Namespace checker：namespace checker 的状态
• Replica checker：replica checker 的状态
• Region merge checker：merge checker 的状态

Operator

• Schedule operator create：新创建的不同 operator 的数量
• Schedule operator check：已检查的 operator 的数量，主要检查是否当前步骤已经执行完成，如果是，则执行下一个步骤
• Schedule operator finish：已完成的 operator 的数量
• Schedule operator timeout：已超时的 operator 的数量
• Schedule operator replaced or canceled：已取消或者被替换的 operator 的数量
• Schedule operators count by state：不同状态的 operator 的数量
• 99% Operator finish duration：已完成的 operator 中，99% 所需花费的时间
• 50% Operator finish duration：已完成的 operator 中，50% 所需花费的时间
• 99% Operator step duration：已完成的 operator 的步骤中，99% 所需花费的时间
• 50% Operator step duration：已完成的 operator 的步骤中，50% 所需花费的时间

gRPC

• Completed commands rate：gRPC 命令的完成速率
• 99% Completed commands duration：99% 的情况下，命令的完成时间

etcd

• Handle transactions count：etcd 的事务个数
• 99% Handle transactions duration：99% 的情况下，处理 etcd 事务所需花费的时间
• 99% WAL fsync duration：99% 的情况下，持久化 WAL 所需花费的时间，这个值通常应该小于 1s
• 99% Peer round trip time seconds：99% 的情况下，etcd 的网络延时，这个值通常应该小于 1s
• etcd disk WAL fsync rate：etcd 持久化 WAL 的速率
• Raft term：当前 Raft 的 term
• Raft committed index：最后一次 commit 的 Raft index
• Raft applied index：最后一次 apply 的 Raft index

TiDB

• Handle requests count：TiDB 的请求数量
• Handle requests duration：每个请求所花费的时间，99% 的情况下，应该小于 100ms

Heartbeat

• Region heartbeat report：TiKV 向 PD 发送的心跳个数
• Region heartbeat report error：TiKV 向 PD 发送的异常的心跳个数
• Region heartbeat report active：TiKV 向 PD 发送的正常的心跳个数
• Region schedule push：PD 向 TiKV 发送的调度命令的个数
• 99% Region heartbeat latency：99% 的情况下，心跳的延迟