Statistiche sulle transazioni

Spanner fornisce tabelle integrate che memorizzano le statistiche sulle transazioni. Puoi recuperare le statistiche da queste tabelle SPANNER_SYS.TXN_STATS* utilizzando le istruzioni SQL.

Quando utilizzare le statistiche sulle transazioni

Le statistiche sulle transazioni sono utili per analizzare i problemi di rendimento. Ad esempio, puoi controllare se sono presenti transazioni a esecuzione lenta che potrebbero influire sul rendimento o sulle query al secondo (QPS) nel tuo database. Un altro scenario è quando le applicazioni client presentano una latenza di esecuzione delle transazioni elevata. L'analisi delle statistiche sulle transazioni può essere utile per scoprire potenziali colli di bottiglia, ad esempio grandi volumi di aggiornamenti a una determinata colonna, che potrebbero influire sulla latenza.

Disponibilità

Nota: Spanner Studio (precedentemente etichettato come Query nella console Google Cloud) supporta le operazioni SQL, DML e DDL in un unico editor. Per ulteriori informazioni, consulta Gestire i dati utilizzando la console Google Cloud.

I dati di SPANNER_SYS sono disponibili solo tramite interfacce SQL, ad esempio:

• Pagina Spanner Studio di un database nella console Google Cloud

• Il comando gcloud spanner databases execute-sql

• Dashboard Informazioni sulle transazioni

• L'API executeQuery

Gli altri metodi di lettura singoli forniti da Spanner non supportano SPANNER_SYS.

Statistiche sulla latenza raggruppate per transazione

Le tabelle seguenti monitorano le statistiche relative alle transazioni che consumano risorse TOP durante un periodo di tempo specifico.

• SPANNER_SYS.TXN_STATS_TOP_MINUTE: statistiche sulle transazioni aggregate in intervalli di 1 minuto.

• SPANNER_SYS.TXN_STATS_TOP_10MINUTE: statistiche sulle transazioni aggregate su intervalli di 10 minuti.

• SPANNER_SYS.TXN_STATS_TOP_HOUR: statistiche sulle transazioni aggregate in 1 intervalli di ore.

Queste tabelle hanno le seguenti proprietà:

• Ogni tabella contiene dati per intervalli di tempo non sovrapposti della durata del nome di una tabella specifica.

• Gli intervalli si basano sugli orari dell'orologio. 1 minuto gli intervalli terminano ogni minuto, gli intervalli di 10 minuti terminano ogni 10 minuti a partire all'ora e gli intervalli di 1 ora terminano ogni ora.

  Ad esempio, alle 11:59:30, gli intervalli più recenti disponibili per SQL le query sono:

  • 1 minuto: dalle 00:58:00 alle 00:58:59
  • 10 minuti: 11:40:00-11:49:59
  • 1 ora: dalle 10:00:00 alle 10:59:59 AM

• Spanner raggruppa le statistiche in base a FPRINT (impronta) del transazioni. Se è presente un tag transazione, FPRINT è l'hash del tag. In caso contrario, si tratta dell'hash calcolato in base alle operazioni coinvolte nella transazione.

• Poiché le statistiche sono raggruppate in base a FPRINT, se la stessa transazione viene eseguita più volte in qualsiasi intervallo di tempo, in queste tabelle viene visualizzata una sola voce per la transazione.

• Ogni riga contiene le statistiche per tutte le esecuzioni di una determinata transazione per cui Spanner acquisisce le statistiche durante l'intervallo specificato.

• Se Spanner non è in grado di archiviare le statistiche per tutte le transazioni eseguite durante l'intervallo in queste tabelle, il sistema assegna la priorità alle transazioni con con la latenza più alta, i tentativi di commit e i byte scritti durante l'intervallo intervallo di tempo.

• Tutte le colonne delle tabelle sono nullable.

Schema tabella

Nome colonna	Tipo	Descrizione
INTERVAL_END	TIMESTAMP	Fine dell'intervallo di tempo in cui vengono eseguite le esecuzioni delle transazioni incluse si è verificato un errore.
TRANSACTION_TAG	STRING	Il tag facoltativo della transazione per questa operazione di transazione. Per ulteriori informazioni sull'utilizzo dei tag, consulta Risoluzione dei problemi relativi ai tag transazione. Le statistiche relative a più transazioni con la stessa stringa di tag vengono raggruppate in un'unica riga con il valore "TRANSACTION_TAG" corrispondente a quella stringa di tag.
FPRINT	INT64	L'hash del TRANSACTION_TAG, se presente; In caso contrario, viene calcolato in base alle operazioni coinvolte nella transazione. INTERVAL_END e FPRINT agiscono insieme come una chiave univoca per queste tabelle.
READ_COLUMNS	ARRAY<STRING>	L'insieme di colonne lette dalla transazione.
WRITE_CONSTRUCTIVE_COLUMNS	ARRAY<STRING>	L'insieme di colonne scritte in modo costruttivo (ovvero assegnate a nuovi valori) dalla transazione. Per gli stream di modifiche, se la transazione prevedeva scritture in colonne e tavole monitorate da uno stream di modifiche, WRITE_CONSTRUCTIVE_COLUMNS conterrà due colonne: .data e ._exists ^1, con un prefisso che indica il nome dello stream di modifiche.
WRITE_DELETE_TABLES	ARRAY<STRING>	L'insieme di tabelle le cui righe sono state eliminate o sostituite dalla transazione.
ATTEMPT_COUNT	INT64	Numero totale di tentativi di transazione, inclusi i tentativi che vengono interrotti prima di chiamare "commit".
COMMIT_ATTEMPT_COUNT	INT64	Numero totale di tentativi di commit delle transazioni. Deve corrispondere al numero di chiamate al metodo commit della transazione.
COMMIT_ABORT_COUNT	INT64	Numero totale di tentativi di transazione interrotti, inclusi quelli che sono state interrotte prima di chiamare il campo commit della transazione .
COMMIT_RETRY_COUNT	INT64	Numero totale di nuovi tentativi da interrompere in precedenza tentativi. Una transazione Spanner potrebbe essere tentata più volte prima di essere confermata a causa di conflitti di blocco o eventi transitori. Una di nuovi tentativi rispetto ai tentativi di commit indica che potrebbero esserci che meritano un'analisi. Per ulteriori informazioni, consulta Informazioni sui conteggi di transazioni e commit in questa pagina.
COMMIT_FAILED_PRECONDITION_COUNT	INT64	Numero totale di tentativi di commit delle transazioni che hanno restituito errori di precondizione non riusciti, ad esempio violazioni dell'indice UNIQUE, riga esistente, riga non trovata e così via.
AVG_PARTICIPANTS	FLOAT64	Numero medio di partecipanti a ogni tentativo di commit. Per saperne di più sui partecipanti, vedi Vita di Spanner operazioni di lettura e Operazioni di scrittura.
AVG_TOTAL_LATENCY_SECONDS	FLOAT64	Media di secondi intercorso tra la prima operazione della transazione e commit/abort.
AVG_COMMIT_LATENCY_SECONDS	FLOAT64	Secondi medi necessari per eseguire l'operazione di commit.
AVG_BYTES	FLOAT64	Numero medio di byte scritti dalla transazione.
TOTAL_LATENCY_DISTRIBUTION	ARRAY<STRUCT>	Un istogramma della latenza di commit totale, ovvero il tempo intercorso tra l'ora di inizio della prima operazione transazionale di interruzione per tutti i tentativi di una transazione. Nota sull'interfaccia di PostgreSQL: I database di dialetti PostgreSQL non supportano questa colonna. Se una transazione viene interrotta più volte e poi il committente riesce, la latenza viene misurata per fino all'ultimo commit. I valori vengono misurati in secondi. L'array contiene un solo elemento e presenta il seguente tipo: ARRAY<STRUCT<   COUNT INT64,   MEAN FLOAT64,   SUM_OF_SQUARED_DEVIATION FLOAT64,   NUM_FINITE_BUCKETS INT64,   GROWTH_FACTOR FLOAT64,   SCALE FLOAT64,   BUCKET_COUNTS ARRAY<INT64>>> Per ulteriori informazioni sui valori, consulta Distribuzione. Per calcolare la latenza percentile desiderata dalla distribuzione, usa la funzione SPANNER_SYS.DISTRIBUTION_PERCENTILE(distribution, n FLOAT64), che restituisce l'ennesimo percentile stimato. Per un esempio correlato, consulta Trovare la latenza del 99° percentile per le transazioni. Per saperne di più, consulta Percentile e metriche con valori di distribuzione.
OPERATIONS_BY_TABLE	ARRAY<STRUCT>	Impatto delle operazioni INSERT o UPDATE della transazione su base di tabella. Ciò è indicato dal numero di volte le righe interessate e il numero di byte scritti. Nota sull'interfaccia di PostgreSQL: I database di dialetti PostgreSQL non supportano questa colonna. Questa colonna consente di visualizzare il carico sulle tabelle e fornisce informazioni sulla frequenza con cui una transazione scrive nelle tabelle. Specifica l'array come segue: ARRAY<STRUCT<   TABLE STRING(MAX),   INSERT_OR_UPDATE_COUNT INT64,   INSERT_OR_UPDATE_BYTES INT64>>

¹ _exists è un campo interno utilizzato per verificare se una che una determinata riga esista o meno.

Esempi di query

Questa sezione include diverse istruzioni SQL di esempio che recuperano le transazioni statistiche. Puoi eseguire queste istruzioni SQL utilizzando le librerie client, gcloud spanner o la console Google Cloud.

Elenca le statistiche di base per ogni transazione in un determinato periodo di tempo

La seguente query restituisce i dati non elaborati per le transazioni principali nel minuto precedente.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds,
       avg_commit_latency_seconds,
       operations_by_table,
       avg_bytes
FROM spanner_sys.txn_stats_top_minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_top_minute);

Output query

fprint	read_columns	write_constructive_columns	write_delete_tables	avg_total_latency_seconds	avg_commit_latency_seconds	operations_by_table	avg_bytes
40015598317	[]	["Routes.name", "Cars.model"]	["Users"]	0.006578737	0.006547737	[["Cars",1107,30996],["Routes",560,26880]]	25286
20524969030	["id", "no"]	[]	[]	0.001732442	0.000247442	[]	0
77848338483	[]	[]	["Cars", "Routes"]	0.033467418	0.000251418	[]	0

Elenca le transazioni con la latenza media del commit più elevata

La seguente query restituisce le transazioni con una latenza media di commit elevata nell'ora precedente, ordinate dalla latenza media di commit più alta a quella più bassa.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds,
       avg_commit_latency_seconds,
       avg_bytes
FROM spanner_sys.txn_stats_top_hour
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_top_hour)
ORDER BY avg_commit_latency_seconds DESC;

Output della query

fprint	read_columns	write_constructive_columns	write_delete_tables	avg_total_latency_seconds	avg_commit_latency_seconds	avg_bytes
40015598317	[]	["Routes.name", "Cars.model"]	["Users"]	0.006578737	0.006547737	25286
77848338483	[]	[]	["Cars", "Routes"]	0.033467418	0.000251418	0
20524969030	["id", "no"]	[]	[]	0.001732442	0.000247442	0

Trovare la latenza media delle transazioni che leggono determinate colonne

La seguente query restituisce le informazioni sulla latenza media per le transazioni che leggono la colonna ADDRESS dalle statistiche di un'ora:

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds
FROM spanner_sys.txn_stats_top_hour
WHERE 'ADDRESS' IN UNNEST(read_columns)
ORDER BY avg_total_latency_seconds DESC;

Output della query

fprint	read_columns	write_constructive_columns	write_delete_tables	avg_total_latency_seconds
77848338483	["ID", "ADDRESS"]	[]	["Cars", "Routes"]	0.033467418
40015598317	["ID", "NAME", "ADDRESS"]	[]	["Users"]	0.006578737

Elenca le transazioni in base al numero medio di byte modificati

La seguente query restituisce le transazioni campionate nell'ultima ora, ordinate in base al numero medio di byte modificati dalla transazione.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_bytes
FROM spanner_sys.txn_stats_top_hour
ORDER BY avg_bytes DESC;

Output della query

fprint	read_columns	write_constructive_columns	write_delete_tables	avg_bytes
40015598317	[]	[]	["Users"]	25286
77848338483	[]	[]	["Cars", "Routes"]	12005
20524969030	["ID", "ADDRESS"]	[]	["Users"]	10923

Statistiche aggregate

SPANNER_SYS contiene anche tabelle per archiviare i dati aggregati per tutte le transazioni per le quali Spanner ha acquisito le statistiche in un periodo di tempo specifico:

• SPANNER_SYS.TXN_STATS_TOTAL_MINUTE: statistiche aggregate per tutte le transazioni durante intervalli di 1 minuto
• SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE: statistiche aggregate per tutte le transazioni in intervalli di 10 minuti
• SPANNER_SYS.TXN_STATS_TOTAL_HOUR: statistiche aggregate per tutte le transazioni durante intervalli di 1 ora

Le tabelle delle statistiche aggregate hanno le seguenti proprietà:

• Ogni tabella contiene dati per intervalli di tempo non sovrapposti della durata specificata dal nome della tabella.

• Gli intervalli si basano sull'ora dell'orologio. Gli intervalli di 1 minuto terminano al minuto, quelli di 10 minuti terminano ogni 10 minuti a partire dall'ora e quelli di 1 ora terminano all'ora.

  Ad esempio, alle 00:59:30, gli intervalli più recenti disponibili per le query SQL sulle statistiche sulle transazioni aggregate sono:

  • 1 minuto: 11:58:00-11:58:59
  • 10 minuti: 11:40:00-11:49:59
  • 1 ora: 10:00:00–10:59:59

• Ogni riga contiene le statistiche relative a tutte le transazioni eseguite sul database durante l'intervallo specificato, aggregate insieme. Esiste una sola riga per intervallo di tempo.

• Le statistiche acquisite nelle tabelle SPANNER_SYS.TXN_STATS_TOTAL_* potrebbero includono le transazioni che Spanner non ha acquisito SPANNER_SYS.TXN_STATS_TOP_* tabelle.

• Alcune colonne di queste tabelle sono esposte come metriche in Cloud Monitoring. Le metriche esposte sono:

  • Conteggio tentativi di commit
  • Numero di nuovi tentativi di commit
  • Partecipanti alla transazione
  • Latenze di transazione
  • Byte scritti

  Per ulteriori informazioni, consulta Metriche di Spanner.

Schema tabella

Nome colonna	Tipo	Descrizione
INTERVAL_END	TIMESTAMP	Fine dell'intervallo di tempo in cui questa statistica è stata acquisita.
ATTEMPT_COUNT	INT64	Il numero totale di tentativi di transazione, inclusi i tentativi tentativi che si interrompono prima di chiamare "commit".
COMMIT_ATTEMPT_COUNT	INT64	Numero totale di tentativi di commit della transazione. Deve corrispondere al numero di chiamate al metodo commit della transazione.
COMMIT_ABORT_COUNT	INT64	Numero totale di tentativi di transazione interrotti, inclusi quelli che vengono interrotti prima di chiamare il campo commit della transazione .
COMMIT_RETRY_COUNT	INT64	Numero di nuovi tentativi di commit interrotti in precedenza tentativi. Una transazione Spanner potrebbe essere stata tentata più volte prima di essere confermata a causa di conflitti di blocco o eventi transitori. Una di nuovi tentativi rispetto ai tentativi di commit indica che potrebbero esserci che meritano un'analisi. Per ulteriori informazioni, consulta Informazioni sui conteggi di transazioni e commit in questa pagina.
COMMIT_FAILED_PRECONDITION_COUNT	INT64	Numero totale di tentativi di commit delle transazioni che hanno restituito errori di precondizione non riusciti, come violazioni dell'indice UNIQUE, riga esistente, riga non trovata e così via.
AVG_PARTICIPANTS	FLOAT64	Numero medio di partecipanti a ogni tentativo di commit. Per saperne di più su i partecipanti, consulta Durata di letture e scritture di Cloud Spanner.
AVG_TOTAL_LATENCY_SECONDS	FLOAT64	Media di secondi intercorso tra la prima operazione della transazione e commit/abort.
AVG_COMMIT_LATENCY_SECONDS	FLOAT64	Secondi medi necessari per eseguire l'operazione di commit.
AVG_BYTES	FLOAT64	Numero medio di byte scritti dalla transazione.
TOTAL_LATENCY_DISTRIBUTION	ARRAY<STRUCT>	Un istogramma della latenza totale del commit, ovvero il tempo che intercorre tra la data di inizio della prima operazione di transazione e la data di commit o di interruzione per tutti i tentativi di transazione. Nota sull'interfaccia PostgreSQL: i database in dialetto PostgreSQL non supportano questa colonna. Se una transazione viene interrotta più volte e poi viene eseguita correttamente, la latenza viene misurata per ogni tentativo fino all'ultimo commit riuscito. I valori sono misurati in secondi. L'array contiene un solo elemento e presenta il seguente tipo: ARRAY<STRUCT<   COUNT INT64,   MEAN FLOAT64,   SUM_OF_SQUARED_DEVIATION FLOAT64,   NUM_FINITE_BUCKETS INT64,   GROWTH_FACTOR FLOAT64,   SCALE FLOAT64,   BUCKET_COUNTS ARRAY<INT64>>> Per ulteriori informazioni sui valori, consulta Distribuzione. Per calcolare la latenza percentile desiderata dalla distribuzione, utilizza la funzione SPANNER_SYS.DISTRIBUTION_PERCENTILE(distribution, n FLOAT64), che restituisce il n percentile stimato. Per un esempio, consulta Trovare la latenza mediana del 99° percentile per le transazioni. Per saperne di più, consulta Percentile e metriche con valori di distribuzione.
OPERATIONS_BY_TABLE	ARRAY<STRUCT>	Impatto delle operazioni di INSERT o UPDATE di tutti transazioni per tabella. Questo è indicato dal numero di volte in cui le righe sono interessate e dal numero di byte scritti. Nota sull'interfaccia PostgreSQL: i database in dialetto PostgreSQL non supportano questa colonna. Questa colonna consente di visualizzare il carico sulle tabelle e fornisce insight su la frequenza con cui le transazioni scrivono nelle tabelle. Specifica l'array come segue: ARRAY<STRUCT<   TABLE STRING(MAX),   INSERT_OR_UPDATE_COUNT INT64,   INSERT_OR_UPDATE_BYTES INT64>>

Esempi di query

Questa sezione include diversi esempi di istruzioni SQL che recuperano le statistiche sulle transazioni. Puoi eseguire queste istruzioni SQL utilizzando librerie client, gcloud spanner, o il Console Google Cloud.

Trova il numero totale di tentativi di commit per tutte le transazioni

La seguente query restituisce il numero totale di tentativi di commit per tutte le transazioni nell'intervallo di 1 minuto completo più recente:

SELECT interval_end,
       commit_attempt_count
FROM spanner_sys.txn_stats_total_minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_minute)
ORDER BY interval_end;

Output della query

interval_end	commit_attempt_count
2020-01-17 11:46:00-08:00	21

Tieni presente che c'è una sola riga nel risultato perché le statistiche aggregate contengono solo una voce per interval_end per un periodo di tempo qualsiasi.

Trovare la latenza di commit totale in tutte le transazioni

La seguente query restituisce la latenza totale del commit per tutte le transazioni negli gli ultimi 10 minuti:

SELECT (avg_commit_latency_seconds * commit_attempt_count / 60 / 60)
  AS total_commit_latency_hours
FROM spanner_sys.txn_stats_total_10minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_10minute);

Output della query

total_commit_latency_hours
0.8967

Tieni presente che c'è una sola riga nel risultato perché le statistiche aggregate contengono solo una voce per interval_end per un periodo di tempo qualsiasi.

Trovare la latenza del 99° percentile per le transazioni

La seguente query restituisce la latenza del 99° percentile per le transazioni eseguite nei 10 minuti precedenti:

SELECT interval_end, avg_total_latency_seconds,
       SPANNER_SYS.DISTRIBUTION_PERCENTILE(total_latency_distribution[OFFSET(0)], 99.0)
  AS percentile_latency
FROM spanner_sys.txn_stats_total_10minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_10minute)
ORDER BY interval_end;

Output della query

interval_end	avg_total_latency_seconds	percentile_latency
2022-08-17 11:46:00-08:00	0.34576998305986395	9.00296190476190476

Nota la grande differenza tra la latenza media e quella del 99° percentile. La latenza al 99° percentile consente di identificare possibili transazioni outlier con con elevata latenza.

È presente una sola riga nel risultato perché le statistiche aggregate contengono solo una voce per interval_end per un periodo di tempo qualsiasi.

Conservazione dei dati

Come minimo, Spanner conserva i dati di ogni tabella per i seguenti periodi di tempo:

• SPANNER_SYS.TXN_STATS_TOP_MINUTE e SPANNER_SYS.TXN_STATS_TOTAL_MINUTE: intervalli che coprono le 6 ore precedenti.

• SPANNER_SYS.TXN_STATS_TOP_10MINUTE e SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE: intervalli che coprono i 4 precedenti giorni.

• SPANNER_SYS.TXN_STATS_TOP_HOUR e SPANNER_SYS.TXN_STATS_TOTAL_HOUR: intervalli che coprono i 30 giorni precedenti.

Nota: non puoi impedire a Spanner di raccogliere statistiche sulle transazioni. Per eliminare i dati in queste tabelle, devi eliminare il database associato alle tabelle o attendere che Spanner li rimuova automaticamente. Non puoi estendere il periodo di conservazione per queste tabelle.

Le statistiche sulle transazioni in Spanner forniscono insight sul modo in cui un'applicazione sta usando il database e sono utili quando si analizzano i problemi di prestazioni. Per Ad esempio, puoi controllare se esistono transazioni a esecuzione lenta che potrebbero essere la causa di contese oppure puoi identificare potenziali fonti di carico elevato ad esempio grandi volumi di aggiornamenti di una determinata colonna. Seguendo i passaggi riportati di seguito, ti mostreremo come utilizzare le statistiche sulle transazioni per esaminare le contese nel tuo database.

Informazioni sui conteggi di transazioni e commit

Potrebbe essere necessario provare una transazione Spanner più volte prima che venga eseguita. In genere questo si verifica quando due transazioni di lavorare sugli stessi dati contemporaneamente e una delle transazioni deve essere interrotto per preservare proprietà di isolamento della transazione. Anche altri eventi temporanei che possono causare l'interruzione di una transazione include:

• Problemi di rete temporanei.

• Modifiche allo schema del database applicate durante il commit di una transazione.

• L'istanza Spanner non ha la capacità di gestire tutti i le richieste che sta ricevendo.

In questi scenari, un client deve riprovare la transazione interrotta finché non viene eseguita correttamente o non scade il tempo di attesa. Per gli utenti del software Spanner ufficiale librerie client, ogni libreria include ha implementato un meccanismo automatico di ripetizione. Se utilizzi una versione personalizzata del codice client, racchiudi i commit delle transazioni in un ciclo di ripetizione.

Una transazione Spanner potrebbe anche essere interrotta a causa di un errore non recuperabile ad esempio timeout della transazione, problemi di autorizzazione o una tabella/colonna non valida nome. Non è necessario ripetere queste transazioni e la libreria client Spanner restituirà immediatamente l'errore.

La seguente tabella descrive alcuni esempi di come COMMIT_ATTEMPT_COUNT, COMMIT_ABORT_COUNT e COMMIT_RETRY_COUNT hanno eseguito l'accesso in scenari diversi.

Scenario	COMMIT_ATTEMPT_COUNT	COMMIT_ABORT_COUNT	COMMIT_RETRY_COUNT
Transazione eseguita correttamente al primo tentativo.	1	0	0
Transazione interrotta a causa di un errore di timeout.	1	1	0
Transazione interrotta a causa di un problema di rete temporaneo e riuscita dopo un nuovo tentativo.	2	1	1
5 transazioni con lo stesso FPRINT vengono eseguite in un intervallo di 10 minuti. 3 delle transazioni sono state committate correttamente al primo tentativo, mentre 2 transazioni sono state interrotte e poi committate correttamente al primo tentativo.	7	2	2

I dati nelle tabelle delle statistiche sulle transazioni sono dati aggregati relativi a un periodo di tempo intervallo di tempo. Per un determinato intervallo, è possibile che una transazione venga interrotta e riprovata intorno ai confini e rientri in bucket diversi. Come il risultato, in un determinato intervallo di tempo, le interruzioni e i nuovi tentativi potrebbero non essere uguali.

Queste statistiche sono progettate per la risoluzione dei problemi e l'introspezione e non è garantita la loro precisione al 100%. Le statistiche vengono aggregate in memoria prima di essere archiviate nelle tabelle Spanner. Durante un upgrade o un'altra di manutenzione, i server Spanner possono riavviarsi, con ripercussioni l'accuratezza dei numeri.

Risolvi i problemi con i database utilizzando le statistiche delle transazioni

Puoi utilizzare il codice SQL o lo strumento Transaction Insights dashboard per visualizzare le transazioni nel database che potrebbero a causa dei conflitti di blocco.

I seguenti argomenti mostrano come esaminare queste transazioni utilizzando il codice SQL.

Seleziona un periodo di tempo da esaminare

Puoi trovarlo nell'applicazione che utilizza Spanner.

Ai fini di questo esercizio, supponiamo che il problema abbia iniziato a verificarsi in intorno alle 17:20 del 17 maggio 2020.

Puoi utilizzare i tag transazioni per identificare l'origine della transazione e eseguire correlazioni tra le tabelle delle statistiche delle transazioni e le tabelle delle statistiche dei blocchi per risolvere efficacemente i problemi di contesa dei blocchi. Scopri di più nella sezione Risoluzione dei problemi relativi ai tag transazione.

Raccogli statistiche sulle transazioni per il periodo di tempo selezionato

Per iniziare la nostra indagine, eseguiremo una query sulla tabella TXN_STATS_TOTAL_10MINUTE all'inizio del problema. I risultati di questa query ci mostreranno la latenza e le altre statistiche sulle transazioni sono cambiate nel corso del tempo.

Ad esempio, la seguente query restituisce le statistiche sulle transazioni aggregate da 4:30 pm a 7:40 pm (inclusive).

SELECT
  interval_end,
  ROUND(avg_total_latency_seconds,4) as avg_total_latency_seconds,
  commit_attempt_count,
  commit_abort_count
FROM SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE
WHERE
  interval_end >= "2020-05-17T16:40:00"
  AND interval_end <= "2020-05-17T19:40:00"
ORDER BY interval_end;

Nella tabella seguente sono elencati i dati di esempio restituiti dalla nostra query.

interval_end	avg_total_latency_seconds	commit_attempt_count	commit_abort_count
17-05-2020 16:40:00-07:00	0,0284	315691	5170
17-05-2020 16:50:00-07:00	0,0250	302124	3828
17-05-2020 17:00:00-07:00	0,0460	346087	11382
17-05-2020 17:10:00-07:00	0,0864	379964	33826
17-05-2020 17:20:00-07:00	0,1291	390343	52.549
2020-05-17 17:30:00-07:00	0,1314	456.455	76392
2020-05-17 17:40:00-07:00	0,1598	507.774	121458
17-05-2020 17:50:00-07:00	0,1641	516587	115.875
17-05-2020 18:00:00-07:00	0,1578	552711	122626
17-05-2020 18:10:00-07:00	0,1750	569.460	154.205
2020-05-17 18:20:00-07:00	0,1727	613571	160.772
17-05-2020 18:30:00-07:00	0,1588	601994	143.044
17-05-2020 18:40:00-07:00	0,2025	604211	170019
17-05-2020 18:50:00-07:00	0,1615	601622	135601
17-05-2020 19:00:00-07:00	0,1653	596804	129511
17-05-2020 19:10:00-07:00	0,1414	560023	112.247
2020-05-17 19:20:00-07:00	0,1367	570.864	100596
2020-05-17 19:30:00-07:00	0,0894	539729	65316
17-05-2020 19:40:00-07:00	0,0820	479151	40398

Qui vediamo che il numero di interruzioni e la latenza aggregata sono più elevati nei periodi evidenziati. Possiamo scegliere qualsiasi intervallo di 10 minuti in cui la latenza aggregata il numero di interruzioni e/o interruzioni è elevato. Scegliamo l'intervallo che termina con 2020-05-17T18:40:00 e la useremo nel passaggio successivo per identificare quali transazioni contribuiscono all'elevata latenza e al numero di interruzioni.

Identifica le transazioni con latenza elevata

Ora eseguiamo una query sulla tabella TXN_STATS_TOP_10MINUTE per l'intervallo che è stato scelto nel passaggio precedente. Utilizzando questi dati, possiamo iniziare a identificare quali le transazioni presentano un'elevata latenza e/o un numero di interruzioni elevato.

Esegui questa query per ottenere le principali transazioni che influiscono sulle prestazioni in ordine decrescente di latenza totale per l'intervallo di esempio che termina con 2020-05-17T18:40:00.

SELECT
  interval_end,
  fprint,
  ROUND(avg_total_latency_seconds,4) as avg_total_latency_seconds,
  ROUND(avg_commit_latency_seconds,4) as avg_commit_latency_seconds,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end = "2020-05-17T18:40:00"
ORDER BY avg_total_latency_seconds DESC;

interval_end	Fprint	avg_total_latency_seconds	avg_commit_latency_seconds	commit_attempt_count	commit_abort_count	commit_retry_count
17-05-2020 18:40:00-07:00	15185072816865185658	0,3508	0,0139	278802	142205	129884
2020-05-17 18:40:00-07:00	15435530087434255496	0,1633	0,0142	129012	27177	24559
17-05-2020 18:40:00-07:00	14175643543447671202	0,1423	0,0133	5357	636	433
2020-05-17 18:40:00-07:00	898069986622520747	0,0198	0,0158	6	0	0
17-05-2020 18:40:00-07:00	10510121182038036893	0,0168	0,0125	7	0	0
2020-05-17 18:40:00-07:00	9287748709638024175	0,0159	0,0118	4269	1	0
2020-05-17 18:40:00-07:00	7129109266372596045	0,0142	0,0102	182227	0	0
17-05-2020 18:40:00-07:00	15630228555662391800	0,0120	0,0107	58	0	0
2020-05-17 18:40:00-07:00	7907238229716746451	0,0108	0,0097	65	0	0
2020-05-17 18:40:00-07:00	10158167220149989178	0,0095	0,0047	3454	0	0
2020-05-17 18:40:00-07:00	9353100217060788102	0,0093	0,0045	725	0	0
17-05-2020 18:40:00-07:00	9521689070912159706	0,0093	0,0045	164	0	0
2020-05-17 18:40:00-07:00	11079878968512225881	0,0064	0,0019	65	0	0

Vediamo chiaramente che la prima riga (evidenziata) nella tabella precedente mostra una transazione con latenza elevata a causa di un numero elevato di commit viene interrotto. Possiamo anche vedere un numero elevato di tentativi di commit, il che indica che i commit abortiti sono stati successivamente riprovati. Nel passaggio successivo, effettueremo ulteriori accertamenti per capire cosa causa il problema.

Identificare le colonne coinvolte in una transazione con latenza elevata

In questo passaggio, verificheremo se le transazioni ad alta latenza lo stesso insieme di colonne recuperando read_columns, write_constructive_columns e Dati di write_delete_tables per le transazioni con un numero di interruzioni elevato. Il valore FPRINT sarà utile anche nel passaggio successivo.

SELECT
  fprint,
  read_columns,
  write_constructive_columns,
  write_delete_tables
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end = "2020-05-17T18:40:00"
ORDER BY avg_total_latency_seconds DESC LIMIT 3;

Fprint	read_columns	write_constructive_columns	write_delete_tables
15185072816865185658	[TestHigherLatency._exists,TestHigherLatency.lang_status,TestHigherLatency.score,globalTagAffinity.shares]	[TestHigherLatency._exists,TestHigherLatency.shares,TestHigherLatency_lang_status_score_index.shares]	[]
15435530087434255496	[TestHigherLatency._exists,TestHigherLatency.lang_status,TestHigherLatency.likes,globalTagAffinity.score]	[TestHigherLatency._exists,TestHigherLatency.likes,TestHigherLatency_lang_status_score_index.likes]	[]
14175643543447671202	[TestHigherLatency._exists,TestHigherLatency.lang_status,TestHigherLatency.score,globalTagAffinity.ugcCount]	[TestHigherLatency._exists,TestHigherLatency.ugcCount,TestHigherLatency_lang_status_score_index.ugcCount]	[]

Come mostrato dall'output nella tabella precedente, le transazioni con la latenza media complessiva più elevata leggono le stesse colonne. Possiamo anche osservare alcune competizioni per le scritture poiché le transazioni scrivono nella stessa colonna, ovvero TestHigherLatency._exists.

Determinare in che modo il rendimento delle transazioni è cambiato nel tempo

Possiamo vedere come le statistiche associate a questa forma di transazione sono cambiate in un determinato periodo di tempo. Utilizza la seguente query, dove $FPRINT è l'impronta della transazione ad alta latenza del passaggio precedente.

SELECT
  interval_end,
  ROUND(avg_total_latency_seconds, 3) AS latency,
  ROUND(avg_commit_latency_seconds, 3) AS commit_latency,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count,
  commit_failed_precondition_count,
  avg_bytes
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end >= "2020-05-17T16:40:00"
  AND interval_end <= "2020-05-17T19:40:00"
  AND fprint = $FPRINT
ORDER BY interval_end;

interval_end	latenza	commit_latency	commit_attempt_count	commit_abort_count	commit_retry_count	commit_failed_precondition_count	avg_bytes
2020-05-17 16:40:00-07:00	0,095	0,010	53230	4752	4330	0	91
17-05-2020 16:50:00-07:00	0,069	0,009	61264	3589	3364	0	91
17-05-2020 17:00:00-07:00	0,150	0,010	75868	10557	9322	0	91
2020-05-17 17:10:00-07:00	0,248	0,013	103151	30220	28483	0	91
17-05-2020 17:20:00-07:00	0,310	0,012	130078	45655	41966	0	91
17-05-2020 17:30:00-07:00	0,294	0,012	160064	64930	59933	0	91
2020-05-17 17:40:00-07:00	0,315	0,013	209614	104949	96770	0	91
2020-05-17 17:50:00-07:00	0,322	0,012	215682	100408	95867	0	90
17-05-2020 18:00:00-07:00	0,310	0,012	230932	106728	99462	0	91
2020-05-17 18:10:00-07:00	0,309	0,012	259645	131049	125889	0	91
2020-05-17 18:20:00-07:00	0,315	0,013	272171	137910	129411	0	90
2020-05-17 18:30:00-07:00	0,292	0,013	258944	121475	115844	0	91
2020-05-17 18:40:00-07:00	0,350	0,013	278802	142205	134229	0	91
17-05-2020 18:50:00-07:00	0,302	0,013	256259	115626	109756	0	91
17-05-2020 19:00:00-07:00	0,315	0,014	250560	110662	100322	0	91
17-05-2020 19:10:00-07:00	0,271	0,014	238384	99025	90187	0	91
2020-05-17 19:20:00-07:00	0,273	0,014	219687	84019	79874	0	91
17-05-2020 19:30:00-07:00	0,198	0,013	195357	59370	55909	0	91
2020-05-17 19:40:00-07:00	0,181	0,013	167514	35705	32885	0	91

Nell'output riportato sopra, possiamo osservare che la latenza totale è elevata un periodo di tempo. Inoltre, ovunque la latenza totale sia elevata, commit_attempt_count Anche commit_abort_count e commit_retry_count sono alti anche se commit la latenza (commit_latency) non è cambiata molto. Dal momento che la transazione viene impegnata vengono interrotti più spesso, i tentativi di commit sono elevati anche eseguire il commit dei nuovi tentativi.

Conclusione

In questo esempio abbiamo visto che un numero elevato di interruzioni del commit è la causa di un una latenza di pochi millisecondi. Il passaggio successivo consiste nell'esaminare i messaggi di errore di interruzione del commit ricevuti dall'applicazione per conoscere il motivo dell'interruzione. Dall'ispezione dei log nell'applicazione è emerso che l'applicazione ha effettivamente modificato il proprio carico di lavoro durante questo periodo, ovvero è stata visualizzata un'altra forma di transazione con un valore attempts_per_second elevato e che una transazione diversa (ad esempio un job di pulizia notturna) era responsabile dei conflitti di blocco aggiuntivi.

Identifica le transazioni che non sono state ritentate correttamente

La seguente query restituisce le transazioni campionate negli ultimi dieci minuti con un numero di interruzioni del commit elevato, ma senza nuovi tentativi.

SELECT
  *
FROM (
  SELECT
    fprint,
    SUM(commit_attempt_count) AS total_commit_attempt_count,
    SUM(commit_abort_count) AS total_commit_abort_count,
    SUM(commit_retry_count) AS total_commit_retry_count
  FROM
    SPANNER_SYS.TXN_STATS_TOP_10MINUTE
  GROUP BY
    fprint )
WHERE
  total_commit_retry_count = 0
  AND total_commit_abort_count > 0
ORDER BY
  total_commit_abort_count DESC;

fprint	total_commit_attempt_count	total_commit_abort_count	total_commit_retry_count
1557557373282541312	3367894	44232	0
5776062322886969344	13566	14	0

Possiamo vedere che la transazione con fprint 1557557373282541312 è stata interrotta 44232 volte, ma non è mai stato eseguito un nuovo tentativo. Sembra sospetto perché l'interruzione è alto ed è improbabile che ogni interruzione sia stata causata da un errore . Invece, per la transazione con fprint 5776062322886969344, è meno sospetto perché il conteggio totale delle interruzioni è non così alto.

La seguente query restituisce ulteriori dettagli sulla transazione con fprint 1557557373282541312 inclusi read_columns,write_constructive_columns, e write_delete_tables. Queste informazioni aiutano a identificare la transazione nel codice client, dove è possibile esaminare la logica di ripetizione per questo scenario.

SELECT
  interval_end,
  fprint,
  read_columns,
  write_constructive_columns,
  write_delete_tables,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count
FROM
  SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  fprint = 1557557373282541312
ORDER BY
  interval_end DESC;

interval_end	fprint	read_columns	write_constructive_columns	write_delete_tables	commit_attempt_count	commit_abort_count	commit_retry_count
2021-01-27T18:30:00Z	1557557373282541312	["Cantanti._esiste"]	['Singers.FirstName', 'Singers.LastName', 'Singers._exists']	[]	805228	1839	0
2021-01-27T18:20:00Z	1557557373282541312	["Cantanti._esiste"]	['Singers.FirstName', 'Singers.LastName', 'Singers._exists']	[]	1034429	38779	0
2021-01-27T18:10:00Z	1557557373282541312	["Cantanti._esiste"]	['Singers.FirstName', 'Singers.LastName', 'Singers._exists']	[]	833677	2266	0
2021-01-27T18:00:00Z	1557557373282541312	["Cantanti._esiste"]	['Singers.FirstName', 'Singers.LastName', 'Singers._exists']	[]	694560	1348	0

Possiamo notare che la transazione prevede una lettura degli elementi Singers._exists nascosti per verificare l'esistenza di una riga. La transazione scrive anche nelle colonne Singers.FirstName e Singer.LastName. Queste informazioni possono essere utili determinare se è stato implementato il meccanismo di ripetizione della transazione nel tuo che la libreria client funzioni come previsto.

Passaggi successivi

• Scopri di più sugli altri strumenti di introspezione.
• Scopri di più sulle altre informazioni che Spanner archivia per ogni database nella schema di informazioni del database.
• Scopri di più sulle best practice SQL per Spanner.
• Scopri di più su come esaminare l'utilizzo elevato della CPU.