| title | category |
|---|---|
Overview 重要监控指标详解 |
monitoring |
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：
- Services Online：各服务在线节点数量
- Services Offline：各服务 Down 掉节点数量
- 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
- 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）
- 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
- 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
