如何高效利用 Grafana 监控分析 TiDB 指标

做者介绍：李坤，PingCAP 互联网架构师，TUG Ambassador，前美团、去哪儿数据库专家。

1、概述

使用 TiDB Ansible 部署 TiDB 集群，会同时部署一套 Grafana + Prometheus 的监控平台，这套监控用来收集和展现 TiDB 集群各个组件和机器的 metric 信息，这些 metric 信息很是丰富，能够帮助使用者分析 TiDB 集群的状态以及 Trouble shooting。随着使用经验的增多，咱们积累了一些监控使用上的技巧，在这里分享给你们。

2、监控架构

Prometheus 是一个拥有多维度数据模型的、灵活的查询语句的时序数据库。Grafana 是一个开源的 metric 分析及可视化系统。

图 1 TiDB 监控总体架构

从 TiDB 2.1.3 版本开始，监控采用 pull 的方式，而以前采用的是 push 的方式，这是一个很是好的调整，它解决了几个问题：

• 以前若是 Prometheus 须要迁移，须要重启整个集群，由于组件要调整 push 的目标地址。

• 如今能够部署 2 套 Prometheus，防止监控的单点，由于 pull 的 source 端是能够多个。

• 去掉了 PushGateWay 这个单点组件。

3、监控数据的来源与展现

TiDB 的 3 个核心组件（TiDB，TiKV，PD）能够经过 http 接口来获取 metric 数据，这些指标都是从程序代码中统计上传的，端口以下：

组件	端口
tidb-server	10080
tikv-server	20181
pd-server	2379

用 tidb-server 举例，咱们经过 http 接口，看一个 statement QPS 的 metric：

# 能够看到实时 qps 的数据，区分不一样的 type，value 是 counter 类型的累计值（科学计数法）
curl http://__tidb_ip__:10080/metrics |grep tidb_executor_statement_total
tidb_executor_statement_total{type="Delete"} 520197
tidb_executor_statement_total{type="Explain"} 1
tidb_executor_statement_total{type="Insert"} 7.20799402e+08
tidb_executor_statement_total{type="Select"} 2.64983586e+08
tidb_executor_statement_total{type="Set"} 2.399075e+06
tidb_executor_statement_total{type="Show"} 500531
tidb_executor_statement_total{type="Use"} 466016
复制代码

这个数据会在 Prometheus 存储下来，而后在 Grafana 展现，咱们在面板上点击右键会出现 Edit 按钮（或直接按 e），以下图所示：

图 2 metric 面板的编辑入口

咱们能够在 Metric 面板上，看到利用该 metric 的 query 表达式。

面板上一些细节的含义：

1. rate[1m]：表示 1 分钟的增加速率，只能用于 counter 类型的数据。

2. sum：表示 value 求和。

3. by type：表示将求和后的数据按 metric 的原始值中的 type 进行分组。

4. Legend format：表示指标名称的格式。

5. Resolution：默认打点步长是 15s，Resolution 表示是否分解。

图 3 metric 面板中的表达式

Prometheus 支持不少表达式与函数，更多表达式请参考 官网页面。

4、Grafana 使用技巧

技巧 1：查看全部维度并编辑表达式

如上一小节的例子，是按照 type 进行分组，是否还能用其余维度分组？如何能快速得知还有哪些维度呢？这里推荐的技巧是，在 query 的表达式上只用指标名称，不作任何计算，format 也留空，这样就能显示出原始的 metric 数据，好比下图能看到有 3 个维度（instance、job、type）。

图 4 编辑表达式并查看全部维度

获得 instance 这个维度后，咱们调整表达式，在原有的 type 后面加上 instance 这个维度，调整 legend format 格式增长 {{instance}}，就能够看到每一个 tidb-server 上执行的不一样类型 SQL 的 QPS 了。以下图：

图 5 给表达式增长一个 instance 维度

技巧 2：调整 Y 轴标尺的计算方式

以 query duration 指标为例，默认的比例尺采用 2 的对数计算，显示上会将差距缩小。为了观察明显的变化，能够将比例尺改成线性，经过下面两张图，能够看到显示上的区别，明显的发现那个时刻有个 SQL 运行较慢。

固然也不是全部场景都适合用线性，好比观察 1 个月的性能趋势，用线性可能就会有不少噪点，很差观察。

图 6 标尺默认的比例尺为 2 的对数

图 7 调整标尺的比例尺为线性

提示：咱们能够结合技巧 1，发现这里还有一个 sql_type 的维度，能够马上分析出是 select 慢仍是 update 慢，而且能够分析出是在哪一个 instance 上慢。

技巧 3：调整 Y 轴基线，放大变化

有一种状况：已经用了线性显示，仍是看不出变化趋势。好比下图中，咱们在扩容后想观察 Store size 的实时变化效果，因为基数较大，微弱的变化观察不到。 这时咱们能够将 Y 轴最小值从 0 改成 auto，将上部放大，观察下面两张图的区别，能够观察到数据已开始迁移了。

图 8 基线默认为 0

图 9 调整基线为 auto

技巧 4：标尺联动

在 Setting 面板中，有 Graph Tooltip 的设置，默认使用 Default。

图 10 图形展现工具

咱们调整为 Shared crosshair 和 Shared Tooltip 分别试一下效果： 能够看到标尺能够联动展现了，方便排查问题时，确认 2 个指标的关联性。

图 11 调整图形展现工具为 Shared crosshair

图 12 调整图形展现工具为 Shared Tooltip

技巧 5：调整过滤项

PD 的 Dashboard，只展现当前 leader 的 metric 信息，有时候会想看一下历史上 pd-leader 当时的情况，可是 instance 下拉列表中不存在这个成员了，咱们也能够手动输入 ip:2379 来看到当时的数据。

图 13 手动输入并查看 metric

技巧 6：巧用 Avg 函数

一般默认图例中只有 Max 和 Current，但有时指标波动较大时，咱们能够增长 Avg 等其余汇总函数的图例，能够看一段时间的总体趋势。

图 14 增长 Avg 等汇总函数

图 15 增长 Avg 函数

技巧 7：使用 Prometheus 的 API 接口得到表达式的结果

Grafana 经过 Prometheus 的接口获取数据，咱们也能够用该接口获取数据，这个用法能够扩散出不少功能：

• 自动化平台获取集群规模、状态等信息。

• 对表达式稍加改动给报表提供数据，如统计天天的 QPS 总量、天天的 QPS 峰值、天天响应时间的汇总。

• 将重要的指标进行按期健康巡检。

图 16 Prometheus 的 API 接口

curl -u user:pass 'http://__grafana_ip__:3000/api/datasources/proxy/1/api/v1/query_range?query=sum(tikv_engine_size_bytes%7Binstancexxxxxxxxx20181%22%7D)%20by%20(instance)&start=1565879269&end=1565882869&step=30' |python -m json.tool
{
    "data": {
        "result": [
            {
                "metric": {
                    "instance": "xxxxxxxxxx:20181"
                },
                "values": [
                    [
                        1565879269,
                        "1006046235280"
                    ],
                    [
                        1565879299,
                        "1006057877794"
                    ],
                    [
                        1565879329,
                        "1006021550039"
                    ],
                    [
                        1565879359,
                        "1006021550039"
                    ],
                    [
                        1565882869,
                        "1006132630123"
                    ]
                ]
            }
        ],
        "resultType": "matrix"
    },
    "status": "success"
}
复制代码

5、总结

Grafana + Prometheus 是一套很是强大的组合，用好他们能够为咱们的分析节省不少时间，提升效率，更重要的是能增长发现问题的可能性。在运维 TiDB 集群时，尤为数据量大的时候，这套工具能派上大用场。这里抛砖引玉，也但愿你们也能提供一些技巧，一块儿共同窗习。

阅读原文：pingcap.com/blog-cn/use…