PostgreSQL的"天气预报" - 如何预测Freeze IO风暴

本文涉及的产品
RDS PostgreSQL Serverless,0.5-4RCU 50GB 3个月
推荐场景:
对影评进行热评分析
云数据库 RDS MySQL,集群系列 2核4GB
推荐场景:
搭建个人博客
RDS SQL Server Serverless,2-4RCU 50GB 3个月
推荐场景:
简介: 还记得我写的这篇文档吗? 《PostgreSQL 大表自动 freeze 优化思路》https://yq.aliyun.com/articles/50411 文章主要针对如何优化大表的freeze调度来解决IO风暴的问题。 预测 IO 风暴 那么在没有针对性的调度策略之前,我们如何预测

还记得我写的这篇文档吗? 《PostgreSQL 大表自动 freeze 优化思路》
https://yq.aliyun.com/articles/50411
文章主要针对如何优化大表的freeze调度来减少IO风暴的问题,请注意只是减少,不是避免。

作为一名有追求的PGer,要时刻保持警惕,生于忧患、死于安乐;
本文要给大家讲的是预测风暴,掌握了预测能力,才能未雨绸缪,淡定的面对暴风雨。
_

预测 IO 风暴

如何预测此类(prevent wrapped vacuum freeze) IO 风暴的来临呢?
首先需要测量几个维度的值。
.1. 表的大小以及距离它需要被强制vacuum freeze prevent wrap的年龄

.2. 每隔一段时间的XID值的采样(例如每分钟一次),采样越多越好,因为需要用于预测下一个时间窗口的XID。(其实就是每分钟消耗多少个事务号的数据)

.3. 通过第二步得到的结果,预测下一个时间窗口的每分钟的pXID(可以使用线性回归来进行预测)
预测方法这里不在细说,也可以参考我以前写的一些预测类的文章。

预测的结论包括 未来一段时间的总Freeze IO量,以及分时的Freeze IO量。
预测结果范例
Freeze IO 时段总量
screenshot
Freeze IO 分时走势
_

详细的预测过程

.1.
每隔一段时间的XID值的采样(例如每分钟一次),采样越多越好,因为需要用于预测下一个时间窗口的XID。(其实就是每分钟消耗多少个事务号的数据)

vi xids.sh
#!/bin/bash
export PATH=/home/digoal/pgsql9.5/bin:$PATH
export PGHOST=127.0.0.1
export PGPORT=1921
export PGDATABASE=postgres
export PGUSER=postgres
export PGPASSWORD=postgres

psql -c "create table xids(crt_time timestamp, xids int8)"
for ((i=1;i>0;))
do
# 保留1个月的数据
psql -c "with a as (select ctid from xids order by crt_time desc limit 100 offset 43200) delete from xids where ctid in (select ctid from a);"
psql -c "insert into xids values (now(), txid_current());"
sleep 60
done

chmod 500 xids.sh

nohup ./xids.sh >/dev/null 2>&1 &

采集1天的数据可能是这样的

postgres=# select * from xids ;
          crt_time          | xids 
----------------------------+------
 2016-06-12 12:36:13.201315 | 2020
 2016-06-12 12:37:13.216002 | 9021
 2016-06-12 12:38:13.240739 | 21022
 2016-06-12 12:39:13.259203 | 32023
 2016-06-12 12:40:13.300604 | 42024
 2016-06-12 12:41:13.325874 | 52025
 2016-06-12 12:42:13.361152 | 62026
 2016-06-12 12:43:15.481609 | 72027
...

.2.
表的大小以及距离它需要被强制vacuum freeze prevent wrap的年龄

 (因为freeze是全集群的,所以需要把所有库得到的数据汇总到一起)     
vi pred_io.sh

#!/bin/bash
export PATH=/home/digoal/pgsql9.5/bin:$PATH
export PGHOST=127.0.0.1
export PGPORT=1921
export PGDATABASE=postgres
export PGUSER=postgres
export PGPASSWORD=postgres

psql -c "drop table pred_io; create table pred_io(crt_time timestamp, bytes int8, left_live int8);"
for db in `psql -A -t -q -c "select datname from pg_database where datname <> 'template0'"`
do
psql -d $db -c " copy (
select now(), bytes, case when max_age>age then max_age-age else 0 end as xids from 
(select block_size*relpages bytes, 
case when d_max_age is not null and d_max_age<max_age then d_max_age else max_age end as max_age,
age from
(select 
(select setting from pg_settings where name='block_size')::int8 as block_size, 
(select setting from pg_settings where name='autovacuum_freeze_max_age')::int8 as max_age, 
relpages, 
substring(reloptions::text,'autovacuum_freeze_max_age=(\d+)')::int8 as d_max_age,
age(relfrozenxid) age
from pg_class where relkind in ('r', 't')) t) t
) to stdout;" | psql -d $PGDATABASE -c "copy pred_io from stdin"
done

. ./pred_io.sh

得到的数据可能是这样的

postgres=# select * from pred_io limit 10;
          crt_time          | bytes  | left_live 
----------------------------+--------+-----------
 2016-06-12 13:24:08.666995 | 131072 | 199999672
 2016-06-12 13:24:08.666995 |  65536 | 199999672
 2016-06-12 13:24:08.666995 |      0 | 199999672
 2016-06-12 13:24:08.666995 |      0 | 199999672
 2016-06-12 13:24:08.666995 |      0 | 199999672
 2016-06-12 13:24:08.666995 |      0 | 199999672
...

.3.
预测XIDs走势(略),本文直接取昨天的同一时间点开始后的数据。

create view v_pred_xids as 
with b as (select min(crt_time) tbase from pred_io), 
       a as (select crt_time + interval '1 day' as crt_time, xids from xids,b where crt_time >= b.tbase - interval '1 day')  
select crt_time, xids - (select min(xids) from a) as xids from a ;     

数据可能是这样的,预测未来分时的相对XIDs消耗量

          crt_time          | xids 
----------------------------+------
 2016-06-13 12:36:13.201315 |    0
 2016-06-13 12:37:13.216002 |    100
 2016-06-13 12:38:13.240739 |    200
 2016-06-13 12:39:13.259203 |    300
 2016-06-13 12:40:13.300604 |    400

.4.
结合pred_io与v_pred_xids 进行 io风暴预测
基准视图,后面的数据通过这个基准视图得到

create view pred_tbased_io as
with a as (select crt_time, xids as s_xids, lead(xids) over(order by crt_time) as e_xids from v_pred_xids)
select a.crt_time, sum(b.bytes) bytes from a, pred_io b where b.left_live >=a.s_xids and b.left_live < a.e_xids group by a.crt_time order by a.crt_time;

未来一天的总freeze io bytes预测

postgres=# select min(crt_time),max(crt_time),sum(bytes) from pred_tbased_io ;
            min             |            max             |   sum    
----------------------------+----------------------------+----------
 2016-06-13 12:36:13.201315 | 2016-06-14 12:35:26.104025 | 19685376
(1 row)

未来一天的freeze io bytes分时走势
得到的结果可能是这样的

postgres=# select * from pred_tbased_io ;
          crt_time          |  bytes   
----------------------------+----------
 2016-06-13 12:36:13.201315 |    65536
 2016-06-13 12:37:13.216002 |   581632
 2016-06-13 12:38:13.240739 |        0
 2016-06-13 12:39:13.259203 |        0
 2016-06-13 12:40:13.300604 |        0
 2016-06-13 12:41:13.325874 |        0
 2016-06-13 12:43:15.481609 |   106496
 2016-06-13 12:43:24.133055 |     8192
 2016-06-13 12:45:24.193318 |        0
 2016-06-13 12:46:24.225559 |    16384
 2016-06-13 12:48:24.296223 | 13434880
 2016-06-13 12:49:24.325652 |    24576
 2016-06-13 12:50:24.367232 |   401408
 2016-06-13 12:51:24.426199 |        0
 2016-06-13 12:52:24.457375 |   393216
......

小结

主要用到什么?
.1. 线性回归
.2. with语法
.3. 窗口函数
.4. xid分时消耗统计
.5. 强制prevent wrap freeze vacuum的剩余XIDs统计

相关实践学习
使用PolarDB和ECS搭建门户网站
本场景主要介绍基于PolarDB和ECS实现搭建门户网站。
阿里云数据库产品家族及特性
阿里云智能数据库产品团队一直致力于不断健全产品体系,提升产品性能,打磨产品功能,从而帮助客户实现更加极致的弹性能力、具备更强的扩展能力、并利用云设施进一步降低企业成本。以云原生+分布式为核心技术抓手,打造以自研的在线事务型(OLTP)数据库Polar DB和在线分析型(OLAP)数据库Analytic DB为代表的新一代企业级云原生数据库产品体系, 结合NoSQL数据库、数据库生态工具、云原生智能化数据库管控平台,为阿里巴巴经济体以及各个行业的企业客户和开发者提供从公共云到混合云再到私有云的完整解决方案,提供基于云基础设施进行数据从处理、到存储、再到计算与分析的一体化解决方案。本节课带你了解阿里云数据库产品家族及特性。
目录
相关文章
|
SQL 监控 关系型数据库
【巡检问题分析与最佳实践】RDS PostgreSQL 实例IO高问题
实例的磁盘IO负载是RDS PostgreSQL用户日常应重点关注的监控项之一,如果磁盘IO压力过大,很容易导致数据库性能问题。
【巡检问题分析与最佳实践】RDS PostgreSQL 实例IO高问题
|
6月前
|
SQL 关系型数据库 MySQL
PostgreSQL【异常 01】java.io.IOException:Tried to send an out-of-range integer as a 2-byte value 分析+解决
PostgreSQL【异常 01】java.io.IOException:Tried to send an out-of-range integer as a 2-byte value 分析+解决
436 1
|
缓存 监控 关系型数据库
[译]PostgreSQL16-新特性-新增IO统计视图:pg_stat_io
[译]PostgreSQL16-新特性-新增IO统计视图:pg_stat_io
233 0
|
关系型数据库 数据库 PostgreSQL
Postgresql为什么需要Freeze?
Freeze PG需要为每个事务分配事务ID,这是MVCC能工作的基础,类似于一个时间戳的概念。 时间戳的做基本动作就是比较大小,即需要得到哪条事务在先,哪条在后。   首先我们来看一下PG中事务ID的比较逻辑,这部分在之前的某一起DB月报中也介绍过。 /* * TransactionIdPrecedes --- is id1 logically < id2? */boo
1950 0
|
SQL JSON 关系型数据库
扩展我们的分析处理服务(Smartly.io):使用 Citus 对 PostgreSQL 数据库进行分片
扩展我们的分析处理服务(Smartly.io):使用 Citus 对 PostgreSQL 数据库进行分片
322 0
扩展我们的分析处理服务(Smartly.io):使用 Citus 对 PostgreSQL 数据库进行分片
|
存储 传感器 关系型数据库
【重新发现PostgreSQL之美】- 8 轨迹业务IO杀手克星index include(覆盖索引)
大家好 ,这里是重新发现PostgreSQL之美 - 8 轨迹业务IO杀手克星index include(覆盖索引)
|
SQL 关系型数据库 PostgreSQL
PostgreSQL Heap Only Tuple - HOT (降低UPDATE引入的索引写IO放大)
标签 PostgreSQL , Heap Only Tuple , HOT 背景 PostgreSQL目前默认的存储引擎在更新记录时,会在堆内产生一条新版本,旧版本在不需要使用后VACUUM回收,回收旧版本前,需要先回收所有关联这个版本的所有索引POINT。
2564 0
|
关系型数据库 数据库 PostgreSQL
PostgreSQL技术周刊第26期:vacuum freeze无法回收事务号问题分析
PostgreSQL(简称PG)的开发者们:云栖社区已有5000位PG开发者,发布了3000+PG文章(文章列表),沉淀了700+的PG精品问答(问答列表)。 PostgreSQL技术周刊会为大家介绍最新的PG技术与动态、预告活动、最热问答、直播教程等,欢迎大家订阅PostgreSQL技术周刊。
3738 0
|
关系型数据库 测试技术 PostgreSQL
关于PostgreSQL的IO
关于PostgreSQL的IO 如果数据库的IO出现瓶颈,通常可以通过PG的参数进行调优。为了更好的优化IO应该了解PG的IO。 哪些地方会产生IO? PG产生的IO可以归结到下面这几个地方。
1652 0

相关产品

  • 云原生数据库 PolarDB
  • 云数据库 RDS PostgreSQL 版