一个update语句引起大量gc等待和业务卡顿的案例

原创罗贵林 2020-07-10

5803

1. 故障现象

客户报2020年7月9号，8点30分左右业务卡顿异常，有几个 insert into 语句的gc等待比较严重，发生业务超时，需要紧急分析一下超时原因，并给出处理建议。

2. AWR分析

由于是业务卡顿分析，可以让客户配合出各节点实例的awr报告辅助分析，另一方面同时进行分析ASH信息：

可以看到gc等待排第一位，等待次数异常高。

可以看到gc等待主要是由3个insert into语句产生的。

3.诊断分析及建议

首先先备份ASH表，避免数据被刷出内存：

from gv$active_session_history
 where sample_time >=
       to_date('2020-07-09 08:00:00', 'yyyy-mm-dd hh24:mi:ss')
   and sample_time <
       to_date('2020-07-09 10:00:00', 'yyyy-mm-dd hh24:mi:ss')

复制

其次查询各实例按分为统计单位的等待次数趋势情况：

可以发现实例1并没有等待暴增的情况，而实例2在8：30时等待暴示，进一步查询实例2等待次数变化情况：

  from gv$active_session_history
 where sample_time >=
       to_date('2020-07-09 08:00:00', 'yyyy-mm-dd hh24:mi:ss')
   and sample_time <
       to_date('2020-07-09 10:00:00', 'yyyy-mm-dd hh24:mi:ss')
   and event is not null
   and inst_id=1
 group by event
 order by 2 desc; 

复制

可以看到确实是节点2的GC等待很严重。

进一步查询gc等待严重的sql语句是哪些：

可以看到这三个gc等待严重的SQL语句都是insert into语句，且是插入同一个表。这里和AWR的分析相吻合，进一步查询gc使用块类型占比，考虑如果被用于撤销块比例过多，则应用实例划分可以大大降低GC传输。

       trunc(data_requests / decode(tot_req,0,1), 2) * 100 data_per,  --data blocks
       trunc(undo_requests / decode(tot_req,0,1), 2) * 100 undo_per,  --undo blocks
       trunc(tx_requests / decode(tot_req,0,1), 2) * 100 tx_per,      --undo header blocks
       trunc(other_requests / decode(tot_req,0,1), 2) * 100 other_per --other blocks
  from (select inst_id,
               cr_requests + current_requests tot_req,
               data_requests,
               undo_requests,
               tx_requests,
               other_requests
          from gv$cr_block_server)
 order by inst_id;

复制

这里除了看到数据块的CR块GC传输比较多，也可以看到undo header的cr块传输占比也很大。进一步查询gc buffer busy acquire等待按块类型分类情况：

 (select *
    from (select /*+ materialize */
           inst_id,
           event,
           current_obj#,
           current_file#,
           current_block#,
           count(*) cnt
            from gv$active_session_history
           where event = 'gc buffer busy acquire'
           group by inst_id,
                    event,
                    current_obj#,
                    current_file#,
                    current_block#
          having count(*) > 5)
   where rownum < 101)
select *
  from (select inst_id,
               owner,
               object_name,
               object_type,
               current_file#,
               current_block#,
               cnt
          from ash_gc a, dba_objects o
         where (a.current_obj# = o.object_id(+))
           and a.current_obj# >= 1
        union
        select inst_id,
               '',
               '',
               'Undo Header/Undo block',
               current_file#,
               current_block#,
               cnt
          from ash_gc a
         where a.current_obj# = 0
        union
        select inst_id,
               '',
               '',
               'Undo Block',
               current_file#,
               current_block#,
               cnt
          from ash_gc a
         where a.current_obj# = -1)
 order by 7 desc


复制

可以看到Undo Header/Undo block的统计次数最大，最严重的GC等待来自undo上的数据块，验证了前面cr块的gc传输很大的情况。由于都是同一个表的gc传输，这时客户开发反馈，昨晚有业务处理

  set a.subpayway ='05' 
  where exists (select 1 from t1_20200708 b where a.bizfeedetid = a.bizfeedetid);

复制

但中间杀了没提交，写入表慢是否跟这个有关？
根据这个信息，怀疑是这个UPDATE语句的表数据量很大，执行非常慢才去杀掉的，客户回复可能是没有写好条件，这个SQL等于是更新了整张表，确实是中止了，进行异常回滚而没有正常提交。从SQL写法上（a.bizfeedetid = a.bizfeedetid）也可以看到恒等的错误，查看这个表数据量：

这个表不是分区表，数据量达到6亿多条，update全表根本无法完成。
分析gc buffer busy acquire等待事件：

这里可以知道gc buffer busy acquire等待需等待lgwr刷新未提交的变更到日志中，也就需要undo的回滚和一致性要求，根据以往的经验，如果如果lgwr写入慢，则会进一步加重在gc的等待，进一步查看lgwr 的 trace，发现写抖动严重：

节点1、节点2，也就是实例1、实例2的lgwr写入都存在写入延迟的问题，lgwr写入抖动很严重，2KB都要写516ms，lgwr写入慢，如果碰上大量的gc块获取，就会产生大量的gc等待，这里lgwr刷新需求和lgwr写入慢相应验证插入业务卡顿的故障现象。

继续查log file parallel write直方图：

同样验证log写入有比较严重的抖动现象。

可通过v$fast_start_transactions视图查看正在回滚的事务：

根据XID事务ID已经找不到对应事务了，只有之前完成的回滚。

查询到这条update只在节点1执行，且最后一次执行时间是在09：59分，此时已经11点了，没有查到回滚事务信息，说明已经完成了事务回滚，故障已自动恢复。这里客户反馈库这时latch: cache buffers chains等待严重，查询此时的等待链信息：

with ash as
 (select /*+ materialize*/
   *
    from gv$active_session_history t
   where sample_time >=
         to_date('2020-07-09 11:00:00', 'yyyy-mm-dd hh24:mi:ss')
     and sample_time <
         to_date('2020-07-09 12:00:00', 'yyyy-mm-dd hh24:mi:ss')),
chains as
 (select inst_id,
         blocking_session blocking_sid,
         blocking_session_serial#  blocking_serial,
         session_id,
         session_serial# session_serial,
         level lvl,
         sys_connect_by_path(inst_id||' '||session_id || ',' || session_serial# || ' ' ||
                             sql_id || ' ' || event,
                             ' <-by ') path,
         connect_by_isleaf isleaf
    from ash
   start with event in ('latch: cache buffers chains')
  connect by nocycle(prior blocking_session = session_id
                 and prior blocking_session_serial# = session_serial#
                 and prior sample_id = sample_id))
select inst_id,
       blocking_sid,
       blocking_serial,
       lpad(round(ratio_to_report(count(*)) over() * 100) || '%', 5, ' ') "%This",
       count(*) ash_time,
       path
  from chains
 where isleaf = 1
 group by inst_id,blocking_sid,blocking_serial, path
 order by inst_id,ash_time desc;

复制

依然是之前一个那个没有分区的6亿条记录表的一条insert语句，只是等待事件由gc变成cbc等待，根据以往处理经验，CBC的等待需要考虑BUFFER不够和访问热点的问题，需要从表结构、表参数、索引设计、索引参数等考虑优化。

客户反馈这个表是一些中间数据，分区标识不明显，所以一直没有进行分区，且对查询要求比较高，还会和三个同等大小的表关联。

针对这种情况，我们给出建议是创建成全局HASH分区表可能较合适的，索引也相应创建成分区索引，需要根据业务再讨论设计。可以先设置pctfree参数缓解CBC。

综合以上的分析，可以确认本次故障是由于开发一条update语句条件错误导致大量的undo事务回滚，使在另一实例上的相同表的几个业务上insert into语句产生大量的gc buffer busy acquire等待，加上lgwr写入抖动加剧了等待时长，最终引起了前台业务卡顿。

4.故障总结

一个update语句写法错误就导致了整个业务系统的务卡顿，说明对大表的DML/DDL操作需要更加慎重，大表操作更加容易导致故障发生，如果语句错误需要及时发现，更早时间介入处理，以避免长时间造成的业务卡顿。
针对本次故障，给予以下几个建议：
1.应用上要尽量避免这样的操作异常造成的大量回滚，针对大表的DML/DDL操作需要更加慎重。
2.为尽量避免GC等待，可以考虑进行应用划分，某个业务功能限制在一个节点中执行。
3.log file parallel write日志写入有严重的延迟，需要存储厂商配合进一步分析。
4.当前大表建议改造为全局HASH分区表可能更合适，索引也相应创建成分区索引，需要根据业务再讨论设计。可以先设置pctfree参数缓解CBC。

oracle