学习动态性能表 第十九篇--V$UNDOSTAT

简介: 学习动态性能表 第19篇--V$UNDOSTAT    本视图监控当前实例中undo空间以及事务如何运行。并统计undo空间开销,事务开销以及实例可用的查询长度。 V$UNDOSTAT中的常用列 l         Endtime:以10分钟为间隔的结束时间 l         U...
 

学习动态性能表

19--V$UNDOSTAT 

  本视图监控当前实例中undo空间以及事务如何运行。并统计undo空间开销,事务开销以及实例可用的查询长度。

V$UNDOSTAT中的常用列

l         Endtime:以10分钟为间隔的结束时间

l         UndoBlocksUsed:使用的undo块总数

l         TxnConcurrency:事务并发执行的最大数

l         TxnTotal:在时间段内事务执行总数

l         QueryLength:查询长度的最大值

l         ExtentsStolen:在时间段内undo区必须从一个undo段转到另一个的次数

l         SSTooOldError:在时间段内'Snapshot Too Old'错误发生的次数

l         UNDOTSN:这段时间内最后活动的undo表空间ID

  视图的第一行显示了当前时间段的统计,其它的每一条记录分别以每10分钟一个区间。24小时循环,一天最多144条记录。

示例:

1.本例显示undo空间从16:27到之前24小时内的各项统计。

SQL>select * from v$undostat;

End-Time UndoBlocks TxnConcrcy TxnTotal QueryLen ExtentsStolen SSTooOldError

-------- ---------- ---------- -------- -------- ------------- -------------

16:07          252          15       1511     25         2              0

16:00          752          16       1467    150         0             0

15:50          873          21       1954     45         4              0

15:40         1187          45       3210    633        20              1

15:30         1120          28       2498   1202         5              0

15:20          882         22       2002     55         0              0

在统计项收集过程中,undo消耗最高发生在15:30-15:40这个时间段。10分钟内有1187undo块被占用(基本上每秒钟2个块)。同时,最高事务并发也是在相同的时间段,45个事务被并发执行。执行的最长查询(1202)是在15:20-15:30之间,需要注意的是查询实际上是15:00-15:10段即开始并直到15:20这个时间段。

目录
相关文章
|
JSON Kubernetes API
深入理解Kubernetes配置:编写高效的YAML文件
深入理解Kubernetes配置:编写高效的YAML文件
|
监控 Oracle 关系型数据库
Flink CDC 系列 - 实时抽取 Oracle 数据,排雷和调优实践
分享对 Oracle 的实时数据捕获以及性能调优过程中的一些关键细节。
Flink CDC 系列 - 实时抽取 Oracle 数据,排雷和调优实践
|
SQL 存储 Java
Hive 中的 SerDe 详解
【8月更文挑战第31天】
908 1
|
SQL 数据库 开发者
SQL中的子查询:嵌套查询的深度解析
【8月更文挑战第31天】
1674 0
|
SQL 存储 Oracle
flink oracle cdc实时同步(超详细)
超详细讲解flink oracle cdc实时同步(含oracle安装配置等)
4791 0
|
数据可视化 算法
时序分解 | MATLAB实现基于SGMD辛几何模态分解的信号分解分量可视化
时序分解 | MATLAB实现基于SGMD辛几何模态分解的信号分解分量可视化
|
SQL 存储 Oracle
Oracle-临时表空间(组)解读
Oracle-临时表空间(组)解读
652 0
|
机器学习/深度学习 编解码 自然语言处理
Vision Transformer 必读系列之图像分类综述(二): Attention-based(中)
Transformer 结构是 Google 在 2017 年为解决机器翻译任务(例如英文翻译为中文)而提出,从题目中可以看出主要是靠 Attention 注意力机制,其最大特点是抛弃了传统的 CNN 和 RNN,整个网络结构完全是由 Attention 机制组成。为此需要先解释何为注意力机制,然后再分析模型结构。
1418 0
Vision Transformer 必读系列之图像分类综述(二): Attention-based(中)
浅析磁盘常见的性能指标及观测IO性能指标的命令(上)
磁盘性能指标说明 衡量磁盘性能常见的指标有: 使用率、饱和度、IOPS、吞吐量以及响应时间,具体说明如下: 使用率,是指磁盘处理 I/O 的时间百分比。过高的使用率(比如超过 80%),通常意味着磁盘 I/O 存