避坑：一次離奇性能故障的排查與反思
錯亂的系統
某客戶反饋生產庫ETL及報表類SQL全部運行不出來，監控告警近期大量SQL語句執行計劃發生變更。客戶DBA通過對比新舊執行計劃發現執行計劃變更的SQL大部分都變成了走索引加上NL的方式，而且不止一個SQL出現這種問題，該生產庫上幾乎所有的AP類型SQL都出現了該問題。問題到我們這邊前，客戶已經花了數周時間做了好幾輪排查，均沒有效果。
歷史的診斷
全庫統計信息排查
DBA排查過歷史的統計信息，并重新收集了對應schema的統計信息，重新收集相關表、索引的直方圖統計信息，部分SQL增加了多列統計信息。每次操作完成后的驗證均無效果，之后回退了以上無效操作。
綁定部分SQL執行計劃
部分業務過于緊急，約10條SQL臨時使用SQLPROFILE綁定了執行計劃，針對綁定的SQL有效，然而執行計劃發生變更SQL語句數量過多，針對每個SQL分析執行計劃并綁定，這完全不現實。
參數排查
排查了系統參數optimizer_index_*相關參數，均為默認值，優化器模式為默認ALL_ROWS，db_file_multiblock_read_count參數設置128，參數無異常變更，后檢查包括觸發器層面、進程級別，均為無異常參數調整。
故障重現
由于客戶生產上的案例文章中不方便使用真實數據，模擬了以下數據：
- create user test identified by test;
- grant dba to test;
- conn test/test
- create table t1 as select * from dba_objects;
- create index test.idx1 on test.t1(OBJECT_ID);
- execute dbms_stats.gather_table_stats(ownname => 'TEST',tabname => 'T1' ,cascade => true,method_opt => 'for all columns size auto');
- update test.t1 set OBJECT_ID=1 where rownum <40000;
- commit;
查詢數據如下，T1表上有8.7W數據：
- SQL>
- select count(*) from test.t1 SQL> ;
- COUNT(*)
- ----------
- 87629
簡單模擬的SQL如下，查詢OBJECT_ID=1的數據，數據量有4W，差不多一半的數據量，正常情況肯定走全表了，實際情況卻走索引。
- SQL> set autot trace
- alter system flush shared_pool;
- select * from test.t1 t where OBJECT_ID=1;SQL>
- System altered.
- SQL>
- 39999 rows selected.
- Execution Plan
- ----------------------------------------------------------
- Plan hash value: 1483979983
- --------------------------------------------------------------------------------
- ----
- | Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time
- |
- --------------------------------------------------------------------------------
- ----
- | 0 | SELECT STATEMENT | | 38294 | 3627K| 747 (2)| 00:00:
- 01 |
- | 1 | TABLE ACCESS BY INDEX ROWID| T1 | 38294 | 3627K| 747 (2)| 00:00:
- 01 |
- |* 2 | INDEX RANGE SCAN | IDX1 | 38294 | | 112 (4)| 00:00:
- 01 |
- --------------------------------------------------------------------------------
- ----
- Predicate Information (identified by operation id):
- ---------------------------------------------------
- 2 - access("OBJECT_ID"=1)
- Statistics
- ----------------------------------------------------------
- 133 recursive calls
- 0 db block gets
- 6227 consistent gets
- 0 physical reads
- 0 redo size
- 4468586 bytes sent via SQL*Net to client
- 29845 bytes received via SQL*Net from client
- 2668 SQL*Net roundtrips to/from client
- 27 sorts (memory)
- 0 sorts (disk)
- 39999 rows processed
逐層分析
真實情況中，客戶發來了監視報告，10053trace文件，SQLT報告。因為監視報告這里用處不大，沒做模擬。
10053trace信息
參數方面確認沒什么問題跳過，快速定位到單表訪問路徑那部分，如下所示，單表路徑選擇的時候對比了訪問索引（cost ：746.93），以及訪問全表的方式（cost ：10050.77），（注：這里人為造出來的數據cost值差異較大，真實場景中相差不是特別大）那么問題在于為什么會有這么大的差異，Card: 38294.13，即預估返回結果集38294，對比實際值39999，可以發現統計信息這塊兒，基本準確。
- SINGLE TABLE ACCESS PATH
- Single Table Cardinality Estimation for T1[T]
- Column (#4):
- NewDensity:0.000012, OldDensity:0.000012 BktCnt:254, PopBktCnt:111, PopValCnt:1, NDV:47788
- Column (#4): OBJECT_ID(
- AvgLen: 5 NDV: 47788 Nulls: 1 Density: 0.000012 Min: 1 Max: 190751
- Histogram: HtBal #Bkts: 254 UncompBkts: 254 EndPtVals: 144
- Table: T1 Alias: T
- Card: Original: 87629.000000 Rounded: 38294 Computed: 38294.13 Non Adjusted: 38294.13
- Access Path: TableScan
- Cost: 10050.77 Resp: 10050.77 Degree: 0
- Cost_io: 10033.00 Cost_cpu: 40345028
- Resp_io: 10033.00 Resp_cpu: 40345028
- Access Path: index (AllEqRange)
- Index: IDX1
- resc_io: 734.00 resc_cpu: 29353837
- ix_sel: 0.437008 ix_sel_with_filters: 0.437008
- Cost: 746.93 Resp: 746.93 Degree: 1
- Best:: AccessPath: IndexRange
- Index: IDX1
- Cost: 746.93 Degree: 1 Resp: 746.93 Card: 38294.13 Bytes: 0
線索到這里時，同事考慮到全表掃描COST值基本來源于IO，冒出一個大膽的想法：是否可能數據塊兒碎片嚴重化，極端情況下比如所有不需要的數據分布為每條數據均存于不同的塊兒中，而需要的數據則集中于幾個需要的塊兒。這個腦洞大開的想法馬上被他自己的查詢證偽了。
- SQL> select BLOCKS from dba_segments where segment_name='T1' and owner='TEST';
- BLOCKS
- ----------
- 1281
SQLT中發現關鍵信息
基于以往故障經驗的猜想都不成立，而現象看上去是Oracle CBO計算執行計劃時出了問題，有DBA已經開始認為是Oracle BUG了（當然沒找到對應的BUG編號）。在看客戶DBA發來的SQLT的報告時，終于在報告中找到了問題的突破口。
上圖可以發現客戶的系統是收集過系統統計信息的（報告為測試環境抓取的），再看單塊讀、多塊讀，MBRC（注測試環境模擬時，單塊讀、多塊讀數值差別較大，真實環境差別為十多倍，MBRC為3）均有統計信息，這點很是異常，畢竟看過的絕大部分系統都是沒收集過系統統計信息的。
當然其實10053 trace文件中也有系統統計信息，只是這塊兒相對關注較少。
問題分析
詳細分析前，先回顧下COST算法，參考support oracle文檔：How To Calculate CPU Cost（文檔 ID 457228.1）。
- Cost = (
- #SRds * sreadtim +
- #MRds * mreadtim +
- #CPUCycles / cpuspeed
- ) / sreadtim
- #SRDs - number of single block reads
- #MRDs - number of multi block reads
- #CPUCycles - number of CPU Cycles
- sreadtim - single block read time
- mreadtim - multi block read time
- cpuspeed - CPU cycles per second
公式總結起來可以歸結為cost本質為單塊讀，獲取數據途徑為磁盤或內存，內存中的邏輯讀取消耗CPU時間除以單塊讀后，折算成以單位讀為單位，磁盤中獲取分為單塊讀（大部分索引訪問）或多塊讀（全表或部分索引訪問），多塊讀時間折算成單塊讀時間時，需要考慮每次讀取塊數（優先參考參數_db_file_optimizer_read_count，該隱含參數未設置情況下取db_file_multiblock_read_count，默認配置為8）。
可以驗算一下，全表掃描時COST值10033粗略計算方式：1281/128*1000。
而sreadtim，mreadtim在沒收集過系統統計信息時是通過公式計算得來的。
- SREADTIM = IOSEEKTIM + db_block_size / IOTFRSPEED
- MREADTIM = IOSEEKTIM + db_block_size * MBRC / IOTFRSPEED
IOSEEKTIM默認10ms，IOTFRSPEED默認4096字節/ms，推算可得默認值：SREADTIM 12ms， MREADTIM 26ms
回顧過COST相關的知識后，再來看當前的系統信息SREADTIM 1ms， MREADTIM 1000ms MBRC 128，即：通過單塊讀的方式讀取128個塊也只需要128ms，遠遠小于直接多塊讀128個塊的成本（1000ms），CBO當然會選錯。
故障處理
故障處理起來很簡單，運行以下語句，清除掉收集的系統統計信息就可以了。
exec dbms_stats.delete_system_stats;
清除完統計信息后，再清除下shared pool中的執行計劃，再次解析時，系統正常運行，至此困擾許久的問題終于解決。
追根溯源
- 為什么收集系統統計信息會產生錯誤的單塊讀、多塊讀值？
這個主要是由于部分物理IO命中存儲/操作系統文件緩存引起，如果收集時間短，或是系統空閑可能導致信息非常不準確。
- 為什么會收集系統統計信息？
默認收集全庫統計信息并不會收集系統統計信息，只能運行DBMS_STATS.gather_system_stats手工觸發，最終客戶DBA通過堡壘機排查發現運維人員存在違規操作，問題源頭得以查清。
- 是否應該收集系統統計信息？
這是一個非常有爭議的話題，甚至官方文檔的建議隨著不同的Oracle版本也在變化。無論參考Oracle的官方文檔，還是對比實際值（ 實際awr報告中db file sequential read db file scattered read等待事件，大部分值都小于5ms的真實情景），或是參考Exadata以及各種國產一體機出色IO性能的大背景，單塊讀12ms，多塊讀26ms這個系統默認值都似乎過時了，應該調整。
事實上影響Oracle優化器的因素非常多，搜集統計信息會引入一個額外的因素，導致系統性能波動。系統性能和擴展性問題更多是因為糟糕的schema設計和schema統計信息沒有維護好導致的。在現實情況中，我們沒有遇到過通過搜集系統統計信息解決SQL性能問題，倒是遇到過多個案例因為搜集系統統計信息，替換了默認的系統統計信息，從而導致執行計劃變差的案例。建議生產中不更新系統統計信息，使用默認的系統統計信息。
- 性能故障時的排查思路：
決定SQL性能的主要因素為以下四條，SQL性能問題時的排查可做參考：
- 統計信息；
- schema訪問路徑；
- SQL寫法；
- Oracle版本補丁情況。
- 能否直接調整系統信息？
附上測試腳本，開始測試時，直接調整SREADTIM、MREADTIM、MBRC值，并不能達到效果，必須有個收集的過程，哪怕如腳本所示實際沒采集到數據（注：flush shared pool為危險操作，測試腳本內容不要在生產庫使用）。
- 為什么收集系統統計信息不生效？
收集系統統計信息分為NOWORKLOAD及WORKLOAD兩種模式，腳本中gather_system_stats('start')方式為workload模式，該模式下大表讀取如果使用直接路徑讀方式，則無法采集到MBRC值。因為MBRC值必須讀進buffer cache中，才會被統計（alter session set “_serial_direct_read”=never; 關閉后測試可獲取）。SREADTIM、MREADTIM、MBRC值三個缺少任意一個，收集的系統統計信息均不會生效。
- SQL> exec dbms_stats.delete_system_stats;
- EXEC DBMS_STATS.gather_system_stats('start');
- EXEC DBMS_STATS.gather_system_stats('stop');
- EXEC DBMS_STATS.set_system_stats('SREADTIM', 1);
- EXEC DBMS_STATS.set_system_stats('MREADTIM', 1000);
- --exec dbms_stats.set_system_stats('MBRC',128);
- SELECT pname, pval1 FROM sys.aux_stats$ WHERE sname = 'SYSSTATS_MAIN';
- set autot trace
- alter system flush shared_pool;
- select * from test.t1 t where OBJECT_ID=1;
- PL/SQL procedure successfully completed.
- SQL>
- PL/SQL procedure successfully completed.
- SQL>
- PL/SQL procedure successfully completed.
- SQL>
- PL/SQL procedure successfully completed.
- SQL>
- PL/SQL procedure successfully completed.
- SQL> SQL>
- PNAME PVAL1
- ------------------------------ ----------
- CPUSPEED 2270
- CPUSPEEDNW 2270
- IOSEEKTIM 10
- IOTFRSPEED 4096
- MAXTHR
- MBRC
- MREADTIM 1000
- SLAVETHR
- SREADTIM 1
- 9 rows selected.
- SQL> SQL>
- System altered.
- SQL>
- 39999 rows selected.
- Execution Plan
- ----------------------------------------------------------
- Plan hash value: 3617692013
- --------------------------------------------------------------------------
- | Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |
- --------------------------------------------------------------------------
- | 0 | SELECT STATEMENT | | 38294 | 3627K| 350 (1)| 00:00:05 |
- |* 1 | TABLE ACCESS FULL| T1 | 38294 | 3627K| 350 (1)| 00:00:05 |
- --------------------------------------------------------------------------
- Predicate Information (identified by operation id):
- ---------------------------------------------------
- 1 - filter("OBJECT_ID"=1)
- Statistics
- ----------------------------------------------------------
- 42 recursive calls
- 0 db block gets
- 3903 consistent gets
- 1253 physical reads
- 0 redo size
- 1852399 bytes sent via SQL*Net to client
- 29845 bytes received via SQL*Net from client
- 2668 SQL*Net roundtrips to/from client
- 6 sorts (memory)
- 0 sorts (disk)
- 39999 rows processed
附執行操作腳本：
- exec dbms_stats.delete_system_stats;
- EXEC DBMS_STATS.gather_system_stats('start');
- EXEC DBMS_STATS.gather_system_stats('stop');
- EXEC DBMS_STATS.set_system_stats('SREADTIM', 1);
- EXEC DBMS_STATS.set_system_stats('MREADTIM', 1000);
- exec dbms_stats.set_system_stats('MBRC',128);
- SELECT pname, pval1 FROM sys.aux_stats$ WHERE sname = 'SYSSTATS_MAIN';
- set autot trace
- alter system flush shared_pool;
- select * from test.t1 t where OBJECT_ID=1;
- select /*+ full(t ) */ * from test.t1 t where OBJECT_ID=1;
- select /*+ index(t idx1) */ * from test.t1 t where OBJECT_ID=1;
- select count(*) from test.t1 t where OBJECT_ID=1;
- alter system flush shared_pool;
- oradebug setmypid
- oradebug unlimit
- oradebug event 10053 trace name context forever,level 1
- select * from test.t1 t where OBJECT_ID=1;
- oradebug event 10053 trace name context off
- oradebug tracefile_name
作者介紹
蔣健，云趣網絡科技聯合創始人，11g OCM，多年Oracle設計、管理及實施經驗，精通數據庫優化，Oracle CBO及并行原理，曾為多個行業的客戶的Oracle系統實施小型機到X86跨平臺遷移和數據庫優化服務。云趣鷹眼監控核心設計和開發者，資深Python Web開發者。
