如何定位哪些SQL產生了大量的Redo日志

作者：瀟湘隱者 2021-01-06 08:41:03

在ORACLE數據庫的管理、維護過程中，偶爾會遇到歸檔日志暴增的情況,也就是說一些SQL語句產生了大量的redo log，那么如何跟蹤、定位哪些SQL語句生成了大量的redo log日志呢?

本文轉載自微信公眾號「DBA閑思雜想錄」，作者瀟湘隱者。轉載本文請聯系DBA閑思雜想錄公眾號。

在ORACLE數據庫的管理、維護過程中，偶爾會遇到歸檔日志暴增的情況,也就是說一些SQL語句產生了大量的redo log，那么如何跟蹤、定位哪些SQL語句生成了大量的redo log日志呢?下面這篇文章結合實際案例和官方文檔“How to identify the causes of High Redo Generation (文檔 ID 2265722.1)”來驗證判斷一下。

首先，我們需要定位、判斷那個時間段的日志突然暴增了，注意，有些時間段生成了大量的redo log是正常業務行為，有可能每天這個時間段都有大量歸檔日志生成，例如，有大量作業在這個時間段集中運行。而要分析突然、異常的大量redo log生成情況，就必須有數據分析對比，找到redo log大量產生的時間段，縮小分析的范圍是第一步。合理的縮小范圍能夠方便快速準確定位問題SQL。下面SQL語句分別統計了redo log的切換次數的相關數據指標。這個可以間接判斷那個時間段產生了大量歸檔日志。

/******統計每天redo log的切換次數匯總,以及與平均次數的對比*****/ 
WITH T AS  
( 
    SELECT TO_CHAR(FIRST_TIME, 'YYYY-MM-DD')    AS LOG_GEN_DAY,  
           TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME, 'YYYY-MM-DD'),  
                       TO_CHAR(FIRST_TIME, 'YYYY-MM-DD'), 1, 0)) 
                , '999') AS "LOG_SWITCH_NUM"  
    FROM   V$LOG_HISTORY  
  WHERE FIRST_TIME < TRUNC(SYSDATE)  --排除當前這一天 
    GROUP  BY TO_CHAR(FIRST_TIME, 'YYYY-MM-DD')  
) 
SELECT  T.LOG_GEN_DAY 
      , T.LOG_SWITCH_NUM 
      , M.AVG_LOG_SWITCH_NUM 
      , (T.LOG_SWITCH_NUM-M.AVG_LOG_SWITCH_NUM) AS DIFF_SWITCH_NUM 
FROM  T CROSS JOIN  
( 
    SELECT  TO_CHAR(AVG(T.LOG_SWITCH_NUM),'999') AS AVG_LOG_SWITCH_NUM 
    FROM T 
) M 
ORDER BY T.LOG_GEN_DAY DESC; 
  
 
  
 
SELECT    TO_CHAR(FIRST_TIME,'YYYY-MM-DD') DAY, 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'00',1,0)),'999') "00", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'01',1,0)),'999') "01", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'02',1,0)),'999') "02", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'03',1,0)),'999') "03", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'04',1,0)),'999') "04", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'05',1,0)),'999') "05", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'06',1,0)),'999') "06", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'07',1,0)),'999') "07", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'08',1,0)),'999') "08", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'09',1,0)),'999') "09", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'10',1,0)),'999') "10", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'11',1,0)),'999') "11", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'12',1,0)),'999') "12", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'13',1,0)),'999') "13", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'14',1,0)),'999') "14", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'15',1,0)),'999') "15", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'16',1,0)),'999') "16", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'17',1,0)),'999') "17", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'18',1,0)),'999') "18", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'19',1,0)),'999') "19", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'20',1,0)),'999') "20", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'21',1,0)),'999') "21", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'22',1,0)),'999') "22", 
                TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'23',1,0)),'999') "23" 
FROM V$LOG_HISTORY 
GROUP BY TO_CHAR(FIRST_TIME,'YYYY-MM-DD')  
ORDER BY 1 DESC;

如下案例所示，2018-03-26日有一個歸檔日志暴增的情況，我們可以橫向、縱向對比分析，然后判定在17點到18點這段時間出現異常，這個時間段與往常對比，生成了大量的redo log。

這里分享一個非常不錯的分析redo log 歷史信息的SQL

------------------------------------------------------------------------------------------------ 
REM Author: Riyaj Shamsudeen @OraInternals, LLC 
REM         www.orainternals.com 
REM 
REM Functionality: This script is to print redo size rates in a RAC claster 
REM ************** 
REM 
REM Source  : AWR tables 
REM 
REM Exectution type: Execute from sqlplus or any other tool. 
REM 
REM Parameters: No parameters. Uses Last snapshot and the one prior snap 
REM No implied or explicit warranty 
REM 
REM Please send me an email to rshamsud@orainternals.com, if you enhance this script :-) 
REM  This is a open Source code and it is free to use and modify. 
REM Version 1.20 
REM 
------------------------------------------------------------------------------------------------ 
  
set colsep '|' 
set lines 220 
alter session set nls_date_format='YYYY-MM-DD HH24:MI'; 
set pagesize 10000 
with redo_data as ( 
SELECT instance_number, 
       to_date(to_char(redo_date,'DD-MON-YY-HH24:MI'), 'DD-MON-YY-HH24:MI') redo_dt, 
       trunc(redo_size/(1024 * 1024),2) redo_size_mb 
 FROM  ( 
  SELECT dbid, instance_number, redo_date, redo_size , startup_time  FROM  ( 
    SELECT  sysst.dbid,sysst.instance_number, begin_interval_time redo_date, startup_time, 
  VALUE - 
    lag (VALUE) OVER 
    ( PARTITION BY  sysst.dbid, sysst.instance_number, startup_time 
      ORDER BY begin_interval_time ,sysst.instance_number 
     ) redo_size 
  FROM sys.wrh$_sysstat sysst , DBA_HIST_SNAPSHOT snaps 
WHERE sysst.stat_id = 
       ( SELECT stat_id FROM sys.wrh$_stat_name WHERE  stat_name='redo size' ) 
  AND snaps.snap_id = sysst.snap_id 
  AND snaps.dbid =sysst.dbid 
  AND sysst.instance_number  = snaps.instance_number 
  AND snaps.begin_interval_time> sysdate-30 
   ORDER BY snaps.snap_id ) 
  ) 
) 
select  instance_number,  redo_dt, redo_size_mb, 
    sum (redo_size_mb) over (partition by  trunc(redo_dt)) total_daily, 
    trunc(sum (redo_size_mb) over (partition by  trunc(redo_dt))/24,2) hourly_rate 
   from redo_Data 
order by redo_dt, instance_number 
/

分析到這個階段，我們還只獲取了那個時間段歸檔日志異常(歸檔日志暴增)，那么要如何定位到相關的SQL語句呢?我們可以用下面SQL來定位：在這個時間段，哪些對象有大量數據塊變化情況。如下所示，這兩個對象(當然，對象有可能是表或索引，這個案例中，這兩個對象其實是同一個表和其主鍵索引)有大量的數據塊修改情況。基本上我們可以判斷是涉及這個對象的DML語句生成了大量的redo log，當然有可能有些場景會比較復雜，不是那么容易定位。

SELECT TO_CHAR(BEGIN_INTERVAL_TIME, 'YYYY-MM-DD HH24') SNAP_TIME,  
       DHSO.OBJECT_NAME,  
       SUM(DB_BLOCK_CHANGES_DELTA)                     BLOCK_CHANGED  
FROM   DBA_HIST_SEG_STAT DHSS,  
       DBA_HIST_SEG_STAT_OBJ DHSO,  
       DBA_HIST_SNAPSHOT DHS  
WHERE  DHS.SNAP_ID = DHSS.SNAP_ID  
       AND DHS.INSTANCE_NUMBER = DHSS.INSTANCE_NUMBER  
       AND DHSS.OBJ# = DHSO.OBJ#  
       AND DHSS.DATAOBJ# = DHSO.DATAOBJ#  
       AND BEGIN_INTERVAL_TIME BETWEEN TO_DATE('2018-03-26 17:00',  
                                       'YYYY-MM-DD HH24:MI')  
                                       AND  
           TO_DATE('2018-03-26 18:00', 'YYYY-MM-DD HH24:MI')  
GROUP  BY TO_CHAR(BEGIN_INTERVAL_TIME, 'YYYY-MM-DD HH24'),  
          DHSO.OBJECT_NAME  
HAVING SUM(DB_BLOCK_CHANGES_DELTA) > 0  
ORDER  BY SUM(DB_BLOCK_CHANGES_DELTA) DESC;

此時，我們可以生成這個時間段的AWR報告，那些產生大量redo log的SQL一般是來自TOP Gets、TOP Execution中某個DML SQL語句或一些DML SQL語句，結合上面SQL定位到的對象和下面相關SQL語句，基本上就可以判斷就是下面這兩個SQL產生了大量的redo log。(第一個SQL是調用包，包里面有對這個表做大量的DELETE、INSERT操作)

如果你此時還不能完全斷定，也可以使用下面SQL來輔佐判斷那些SQL生成了大量的redo log。在這個案例中，上面AWR報告中發現的SQL語句和下面SQL捕獲的SQL基本一致。那么可以進一步佐證。

注意，該SQL語句執行較慢，執行時需要修改相關條件：時間和具體段對象。

SELECT TO_CHAR(BEGIN_INTERVAL_TIME,'YYYY_MM_DD HH24') WHEN, 
       DBMS_LOB.SUBSTR(SQL_TEXT,4000,1) SQL, 
       DHSS.INSTANCE_NUMBER INST_ID, 
       DHSS.SQL_ID, 
       EXECUTIONS_DELTA EXEC_DELTA, 
       ROWS_PROCESSED_DELTA ROWS_PROC_DELTA 
FROM DBA_HIST_SQLSTAT DHSS, 
     DBA_HIST_SNAPSHOT DHS, 
     DBA_HIST_SQLTEXT DHST 
WHERE UPPER(DHST.SQL_TEXT) LIKE '%<segment_name>%'  --此處用具體的段對象替換 
  AND LTRIM(UPPER(DHST.SQL_TEXT)) NOT LIKE 'SELECT%' 
  AND DHSS.SNAP_ID=DHS.SNAP_ID 
  AND DHSS.INSTANCE_NUMBER=DHS.INSTANCE_NUMBER 
  AND DHSS.SQL_ID=DHST.SQL_ID 
  AND BEGIN_INTERVAL_TIME BETWEEN TO_DATE('2018-03-26 17:00','YYYY-MM-DD HH24:MI') 
  AND TO_DATE('2018-03-26 18:00','YYYY-MM-DD HH24:MI')

其實上面分析已經基本完全定位到SQL語句，剩下的就是和開發人員或Support人員溝通、了解是正常業務邏輯變更還是異常行為。如果需要進一步挖掘深入，我們可以使用日志挖掘工具Log Miner深入分析。在此不做展開分析。其實個人在判斷分析時生成了正常時段和出現問題時段的AWR對比報告(WORKLOAD REPOSITORY COMPARE PERIOD REPORT)，如下所示，其中一些信息也可以供分析、對比參考。可以為復雜場景做對比分析(因為復雜場景，僅僅通過最上面的AWR報告可能無法準確定位SQL)

此次截圖，沒有截取相關SQL，其實就是最上面分析的SQL語句，如果復雜場景下，非常有用。

參考資料：

How to identify the causes of High Redo Generation (文檔 ID 2265722.1)

責任編輯：武曉燕來源： DBA閑思雜想錄