Spanner proporciona tablas integradas que almacenan estadísticas sobre las transacciones. Puedes obtener estadísticas de estas tablas SPANNER_SYS.TXN_STATS*
mediante instrucciones de SQL.
Cuándo utilizar las estadísticas de transacciones
Las estadísticas de transacciones son útiles cuando se investigan problemas de rendimiento. Por ejemplo: puedes comprobar si hay transacciones de ejecución lenta que podrían que afectan el rendimiento o las consultas por segundo (QPS) en tu base de datos. Otro es cuando las aplicaciones cliente experimentan la latencia de ejecución. Analizar las estadísticas de transacciones puede ayudar a detectar potenciales cuellos de botella, como grandes volúmenes de actualizaciones en una columna en particular, lo que podría afectar la latencia.
Disponibilidad
Los datos SPANNER_SYS
solo están disponibles a través de interfaces de SQL; por ejemplo:
La página Spanner Studio de una base de datos en la consola de Google Cloud
El comando
gcloud spanner databases execute-sql
El panel Estadísticas de transacciones
La API de
executeQuery
Otros métodos de lectura única que proporciona Spanner no son compatibles.
SPANNER_SYS
Estadísticas de latencia agrupadas por transacción
En las siguientes tablas, se realiza un seguimiento de las estadísticas de las transacciones que consumen recursos TOP
durante un período específico.
SPANNER_SYS.TXN_STATS_TOP_MINUTE
: Estadísticas de transacciones agregadas en intervalos de 1 minuto.SPANNER_SYS.TXN_STATS_TOP_10MINUTE
: Estadísticas de transacciones agregadas en intervalos de 10 minutos.SPANNER_SYS.TXN_STATS_TOP_HOUR
: Estadísticas de transacciones agregadas en intervalos de 1 hora.
Estas tablas tienen las siguientes propiedades:
Cada tabla contiene datos de intervalos de tiempo no superpuestos de la longitud que se especifica en el nombre de la tabla.
Los intervalos se basan en tiempos de reloj. Los intervalos de 1 minuto finalizan en el minuto, los intervalos de 10 minutos finalizan cada 10 minutos a partir de la hora y los intervalos de 1 hora finalizan en la hora.
Por ejemplo, a las 11:59:30 a.m., los intervalos más recientes disponibles para las consultas de SQL son los siguientes:
- 1 minuto: de 11:58:00 a 11:58:59 a.m.
- 10 minutos: de 11:40:00 a 11:49:59 a.m.
- 1 hora: de 10:00:00 a 10:59:59 a.m.
Spanner agrupa las estadísticas por FPRINT (huella digital) del transacciones de contenedores. Si hay una etiqueta de transacción, FPRINT es el hash de la etiqueta. De lo contrario, es el hash calculada a partir de las operaciones involucradas en la transacción.
Debido a que las estadísticas se agrupan según FPRINT, si la misma transacción se ejecuta varias veces dentro de cualquier intervalo de tiempo, aún veremos solo una entrada para esa transacción en estas tablas.
Cada fila contiene estadísticas de todas las ejecuciones de una transacción en particular. para las que Spanner captura estadísticas durante el intervalo especificado.
Si Spanner no puede almacenar las estadísticas de todas las transacciones ejecutadas durante el intervalo en estas tablas, el sistema prioriza las transacciones con las la latencia más alta, los intentos de confirmación y los bytes escritos durante la etapa durante un intervalo de tiempo determinado.
Todas las columnas de las tablas son anulables.
Esquema de la tabla
Nombre de la columna | Tipo | Descripción |
---|---|---|
INTERVAL_END |
TIMESTAMP |
Fin del intervalo en el que se produjeron las ejecuciones de transacciones incluidas. |
TRANSACTION_TAG |
STRING |
Es la etiqueta de transacción opcional para esta operación de transacción. Para ver más Para obtener más información sobre el uso de etiquetas, consulta Solución de problemas relacionados con las etiquetas de transacción. Las estadísticas de múltiples transacciones que tienen misma cadena de etiqueta se agrupan en una sola fila con el argumento `TRANSACTION_TAG` que coincidan con esa cadena de etiqueta. |
FPRINT |
INT64 |
El hash de TRANSACTION_TAG , si está presente De lo contrario, el
hash se calcula
en función de las operaciones involucradas en la transacción.
INTERVAL_END y FPRINT en conjunto actúan como un
clave única para estas tablas. |
READ_COLUMNS |
ARRAY<STRING> |
El conjunto de columnas que leyó la transacción. |
WRITE_CONSTRUCTIVE_COLUMNS |
ARRAY<STRING> |
Es el conjunto de columnas que la transacción escribió de manera constructiva (es decir, asignadas a valores nuevos).
Para flujos de cambios, si la transacción involucró operaciones de escritura en columnas y las tablas observadas por un flujo de cambios, WRITE_CONSTRUCTIVE_COLUMNS
contendrá dos columnas: .data y ._exists
1, con el prefijo de un nombre de flujo de cambios.
|
WRITE_DELETE_TABLES |
ARRAY<STRING> |
El conjunto de tablas cuyas filas se borraron o reemplazaron mediante la transacción. |
ATTEMPT_COUNT |
INT64 |
Cantidad total de veces que se intenta la transacción, incluido el de intentos que anulan antes de llamar a “confirmación”. |
COMMIT_ATTEMPT_COUNT |
INT64 |
Cantidad total de intentos de confirmación de transacciones. Debe coincidir con el número
de llamadas al método commit de la transacción.
|
COMMIT_ABORT_COUNT |
INT64 |
Cantidad total de intentos de transacción anulados, incluidos aquellos
que se anularon antes de llamar al commit de la transacción
.
|
COMMIT_RETRY_COUNT |
INT64 |
Cantidad total de intentos anulados anteriormente intentos. Es posible que se pruebe varias veces una transacción de Spanner antes de confirmarlo debido a contenciones de bloqueos o eventos transitorios. Alto de reintentos relativos a los intentos de confirmación, indica que puede haber problemas que vale la pena investigar. Para obtener más información, consulta Información sobre las transacciones y los recuentos de confirmaciones en esta página. |
COMMIT_FAILED_PRECONDITION_COUNT |
INT64 |
Cantidad total de intentos de confirmación de transacciones que mostraron una condición previa con errores
como infracciones del índice UNIQUE , la fila ya existe, la fila no se encontró
etcétera.
|
AVG_PARTICIPANTS |
FLOAT64 |
Cantidad promedio de participantes en cada intento de confirmación. Para obtener más información sobre los participantes, consulta La vida de Lecturas y escrituras. |
AVG_TOTAL_LATENCY_SECONDS |
FLOAT64 |
Promedio de segundos tomados de la primera operación de la transacción para confirmar o anular |
AVG_COMMIT_LATENCY_SECONDS |
FLOAT64 |
Promedio de segundos necesarios para realizar la operación de confirmación. |
AVG_BYTES |
FLOAT64 |
Cantidad promedio de bytes que escribió la transacción. |
TOTAL_LATENCY_DISTRIBUTION |
ARRAY<STRUCT>
|
Un histograma de la latencia de confirmación total, que es el tiempo desde el hora de inicio de la primera operación transaccional tiempo de anulación, para todos los intentos de una transacción.
Si se anula una transacción varias veces y luego se confirma con éxito, se mide la latencia para cada hasta la confirmación final correcta. Los valores se miden en segundos.
El array contiene un solo elemento y es del siguiente tipo:
Para calcular la latencia percentil deseada de la distribución,
usa la función Para obtener más información, consulta Percentiles y métricas con valores de distribución. |
OPERATIONS_BY_TABLE |
ARRAY<STRUCT> |
Impacto de las operaciones
Esta columna ayuda a visualizar la carga en las tablas y proporciona estadísticas sobre la velocidad a la que una transacción escribe en las tablas.
Especifica el array de la siguiente manera:
|
1 _exists
es un campo interno que se utiliza para verificar si un
si cierta fila existe o no.
Consultas de ejemplo
Esta sección incluye varias instrucciones de SQL de ejemplo que recuperan estadísticas de transacciones. Puedes ejecutar estas instrucciones de SQL con el bibliotecas cliente gcloud spanner o el Consola de Google Cloud.
Enumera las estadísticas básicas de cada transacción en un período determinado
La siguiente consulta muestra los datos sin procesar de las transacciones principales en el minuto anterior.
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);
Resultado de la consulta
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 |
Enumera las transacciones con la latencia de confirmación promedio más alta
En la siguiente consulta, se muestran las transacciones con latencia de confirmación promedio alta en la hora anterior, ordenadas desde la latencia de confirmación promedio más alta a la más baja.
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;
Resultado de la consulta
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 |
Encuentra la latencia promedio de las transacciones que leen ciertas columnas
En la siguiente consulta, se muestra la información de latencia promedio para las transacciones que leen la columna ADDRESS de las estadísticas de 1 hora:
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;
Resultado de la consulta
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 |
Enumera las transacciones según la cantidad promedio de bytes modificados
En la siguiente consulta, se observan las transacciones muestreadas en la última hora, ordenadas por la cantidad promedio de bytes modificados por la transacción.
SELECT fprint,
read_columns,
write_constructive_columns,
write_delete_tables,
avg_bytes
FROM spanner_sys.txn_stats_top_hour
ORDER BY avg_bytes DESC;
Resultado de la consulta
fprint | read_columns | write_constructive_columns | write_delete_tables | avg_bytes |
---|---|---|---|---|
40015598317 |
[] |
[] |
["Users"] |
25286 |
77848338483 |
[] |
[] |
["Cars", "Routes"] |
12005 |
20524969030 |
["ID", "ADDRESS"] |
[] |
["Users"] |
10923 |
Estadísticas agregadas
SPANNER_SYS
también contiene tablas para almacenar datos agregados de todas las transacciones de
qué Spanner capturó estadísticas en un período específico:
SPANNER_SYS.TXN_STATS_TOTAL_MINUTE
: agrega estadísticas para todas las transacciones durante intervalos de 1 minutoSPANNER_SYS.TXN_STATS_TOTAL_10MINUTE
: agrega estadísticas para todas las transacciones durante intervalos de 10 minutosSPANNER_SYS.TXN_STATS_TOTAL_HOUR
: agrega estadísticas para todas las transacciones durante intervalos de 1 hora
Las tablas conjuntas de estadísticas tienen las siguientes propiedades:
Cada tabla contiene datos de intervalos de tiempo no superpuestos de la longitud que se especifica en el nombre de la tabla.
Los intervalos se basan en tiempos de reloj. Los intervalos de 1 minuto finalizan en el minuto, los intervalos de 10 minutos finalizan cada 10 minutos a partir de la hora y los intervalos de 1 hora finalizan en la hora.
Por ejemplo, a las 11:59:30 a.m., los intervalos más recientes disponibles para las consultas de SQL sobre las estadísticas de transacciones agregadas son los siguientes:
- 1 minuto: de 11:58:00 a 11:58:59 a.m.
- 10 minutos: de 11:40:00 a 11:49:59 a.m.
- 1 hora: de 10:00:00 a 10:59:59 a.m.
Cada fila contiene estadísticas para todas las transacciones ejecutadas en la base de datos durante el intervalo especificado, combinadas. Solo hay una fila por intervalo de tiempo.
Es posible que las estadísticas capturadas en las tablas
SPANNER_SYS.TXN_STATS_TOTAL_*
incluir las transacciones que Spanner no capturó en elSPANNER_SYS.TXN_STATS_TOP_*
tablas.Algunas columnas de estas tablas se exponen como métricas en Cloud Monitoring. Las métricas expuestas son las siguientes:
- Recuento de intentos de confirmación
- Recuento de reintentos de confirmación
- Participantes de la transacción
- Latencias de transacciones
- Bytes escritos
Para obtener más información, consulta Métricas de Spanner.
Esquema de la tabla
Nombre de la columna | Tipo | Descripción |
---|---|---|
INTERVAL_END |
TIMESTAMP |
Fin del intervalo en el que se capturó esta estadística. |
ATTEMPT_COUNT |
INT64 |
Cantidad total de veces que se intentan realizar las transacciones, incluida la de intentos que anulan antes de llamar a “confirmación”. |
COMMIT_ATTEMPT_COUNT |
INT64 |
Cantidad total de intentos de confirmación de transacciones. Debe coincidir con el número
de llamadas al método commit de la transacción.
|
COMMIT_ABORT_COUNT |
INT64 |
Cantidad total de intentos de transacción anulados, incluidos aquellos
que se anulan antes de llamar al commit de la transacción
. |
COMMIT_RETRY_COUNT |
INT64 |
Cantidad de intentos de confirmación de reintentos anulados con anterioridad intentos. Es posible que se haya intentado varias veces una transacción de Spanner antes de confirmarlo debido a contenciones de bloqueos o eventos transitorios. Alto de reintentos relativos a los intentos de confirmación, indica que puede haber problemas que vale la pena investigar. Para obtener más información, consulta Información sobre las transacciones y los recuentos de confirmaciones en esta página. |
COMMIT_FAILED_PRECONDITION_COUNT |
INT64 |
Cantidad total de intentos de confirmación de transacciones que mostraron una condición previa con errores
como infracciones del índice UNIQUE , la fila ya existe, la fila no se encontró
etcétera.
|
AVG_PARTICIPANTS |
FLOAT64 |
Cantidad promedio de participantes en cada intento de confirmación. Para obtener más información sobre los participantes, consulta La vida de Lecturas y escrituras. |
AVG_TOTAL_LATENCY_SECONDS |
FLOAT64 |
Promedio de segundos tomados de la primera operación de la transacción para confirmar o anular |
AVG_COMMIT_LATENCY_SECONDS |
FLOAT64 |
Promedio de segundos necesarios para realizar la operación de confirmación. |
AVG_BYTES |
FLOAT64 |
Cantidad promedio de bytes que escribió la transacción. |
TOTAL_LATENCY_DISTRIBUTION |
ARRAY<STRUCT>
|
Un histograma de la latencia de confirmación total, que es el tiempo desde el Hora de inicio de la primera operación transaccional hasta la hora de confirmación o anulación para todos los intentos de transacción.
Si una transacción anula varias y, luego, se confirma con éxito, se mide la latencia en cada intento hasta la confirmación final exitosa. Los valores se miden en segundos.
El array contiene un solo elemento y es del siguiente tipo:
Para calcular la latencia percentil deseada de la distribución,
usa la función Para obtener más información, consulta Percentiles y métricas con valores de distribución. |
OPERATIONS_BY_TABLE |
ARRAY<STRUCT> |
Impacto de las operaciones
Esta columna ayuda a visualizar la carga en las tablas y proporciona estadísticas sobre la velocidad a la que las transacciones escriben en las tablas.
Especifica el array de la siguiente manera:
|
Consultas de ejemplo
Esta sección incluye varias instrucciones de SQL de ejemplo que recuperan estadísticas de transacciones. Puedes ejecutar estas instrucciones de SQL con el bibliotecas cliente gcloud spanner o el Consola de Google Cloud.
Encuentra la cantidad total de intentos de confirmación de todas las transacciones
En la siguiente consulta, se muestra la cantidad total de intentos de confirmación para todas las transacciones en el intervalo de 1 minuto completo más reciente:
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;
Resultado de la consulta
interval_end | commit_attempt_count |
---|---|
2020-01-17 11:46:00-08:00 |
21 |
Ten en cuenta que solo hay una fila en el resultado porque las estadísticas agregadas tienen solo una entrada por interval_end
para cualquier duración de tiempo.
Busca la latencia de confirmación total en todas las transacciones
La siguiente consulta muestra la latencia de confirmación total en todas las transacciones de los 10 minutos anteriores:
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);
Resultado de la consulta
total_commit_latency_hours |
---|
0.8967 |
Ten en cuenta que solo hay una fila en el resultado porque las estadísticas agregadas tienen solo una entrada por interval_end
para cualquier duración de tiempo.
Cómo encontrar la latencia del percentil 99 para las transacciones
La siguiente consulta muestra la latencia del percentil 99 de las transacciones ejecutadas en los últimos 10 minutos:
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;
Resultado de la consulta
interval_end | avg_total_latency_seconds | percentile_latency |
---|---|---|
2022-08-17 11:46:00-08:00 |
0.34576998305986395 |
9.00296190476190476 |
Observa la gran diferencia entre la latencia promedio y la del percentil 99. La latencia del percentil 99 ayuda a identificar posibles transacciones con valores atípicos una latencia alta.
Solo hay una fila en el resultado porque las estadísticas agregadas solo tienen
una entrada por interval_end
durante cualquier período.
Retención de datos
Como mínimo, Spanner conserva los datos de cada tabla durante el siguiente tiempo períodos:
SPANNER_SYS.TXN_STATS_TOP_MINUTE
ySPANNER_SYS.TXN_STATS_TOTAL_MINUTE
: Intervalos que abarcan las 6 horas anteriores.SPANNER_SYS.TXN_STATS_TOP_10MINUTE
ySPANNER_SYS.TXN_STATS_TOTAL_10MINUTE
: Intervalos que abarcan los 4 días anteriores.SPANNER_SYS.TXN_STATS_TOP_HOUR
ySPANNER_SYS.TXN_STATS_TOTAL_HOUR
: Intervalos que abarcan los 30 días anteriores.
Las estadísticas de transacciones en Spanner proporcionan estadísticas sobre el modo en que una aplicación usa la base de datos y son útiles para investigar problemas de rendimiento. Por ejemplo, puedes verificar si hay transacciones de ejecución lenta que podrían estar causando una contención, o puedes identificar posibles fuentes de carga alta, como grandes volúmenes de actualizaciones a una columna en particular. En los siguientes pasos, te mostraremos cómo usar las estadísticas de transacciones para investigar las relaciones en tu base de datos.
Comprende las transacciones y los recuentos de confirmaciones
Es posible que una transacción de Spanner deba probarse varias veces antes de realizarla. confirmaciones. Por lo general, esto ocurre cuando dos transacciones que intentan trabajar en los mismos datos al mismo tiempo, y una de las transacciones se debe anular para preservar propiedad de aislamiento de la transacción. Otros eventos transitorios que también pueden provocar la anulación de una transacción incluyen:
Problemas de red transitorios.
Los cambios de esquema de base de datos que se aplican mientras una transacción está en proceso de compromiso.
La instancia de Spanner no tiene la capacidad de controlar todos los las solicitudes que recibe.
En estas situaciones, el cliente debe reintentar la transacción anulada hasta que se confirma con éxito o se agota el tiempo de espera. Para usuarios del Spanner oficial bibliotecas cliente, cada biblioteca tiene implementó un mecanismo de reintento automático. Si usas una versión personalizada de el código del cliente, une las confirmaciones de transacciones en un bucle de reintento.
Una transacción de Spanner también se puede anular debido a un error no recuperable como un tiempo de espera de transacción, problemas de permisos o una tabla o columna no válida de la fuente de datos. No es necesario reintentar esas transacciones y el Spanner la biblioteca cliente mostrará el error de inmediato.
En la siguiente tabla, se describen algunos ejemplos de cómo COMMIT_ATTEMPT_COUNT
,
COMMIT_ABORT_COUNT
y COMMIT_RETRY_COUNT
se registran en diferentes situaciones.
Situación | COMMIT_ATTEMPT_COUNT | COMMIT_ABORT_COUNT | COMMIT_RETRY_COUNT |
---|---|---|---|
La transacción se confirmó correctamente en el primer intento. | 1 | 0 | 0 |
Se anuló la transacción debido a un error de tiempo de espera agotado. | 1 | 1 | 0 |
Se anuló la transacción correctamente debido a un problema transitorio de la red confirmada después de un reintento. | 2 | 1 | 1 |
Se ejecutan 5 transacciones con el mismo FPRINT en un plazo de 10 minutos durante un intervalo de tiempo determinado. 3 de las transacciones se confirmaron con éxito en el primer intento. mientras que 2 transacciones se anularon y, luego, se confirmaron con éxito en la primer reintento. | 7 | 2 | 2 |
Los datos de las tablas de transacciones y estadísticas son datos agregados de una hora durante un intervalo de tiempo determinado. Para un intervalo particular, es posible que se anule una transacción y se producen reintentos alrededor de los límites y se dividen en buckets diferentes. Como resultado, las anulaciones y reintentos en un intervalo de tiempo particular podrían no ser iguales.
Estas estadísticas están diseñadas para solucionar problemas y realizar introspección y no se garantiza que sean 100% precisas. Las estadísticas se agregan en la memoria antes de almacenarse en tablas de Spanner. Durante una actualización o cualquier otra las actividades de mantenimiento, los servidores de Spanner pueden reiniciarse, lo que afecta la exactitud de los números.
Soluciona problemas de contención de bases de datos con estadísticas de transacciones
Puedes usar código SQL o las estadísticas de transacciones para ver las transacciones de tu base de datos que podrían provocar y latencias debido a contenciones de bloqueo.
En los siguientes temas, se muestra cómo puedes investigar esas transacciones usando código SQL.
Selecciona un período para investigar
Puedes encontrarla en la aplicación que usa Spanner.
A los fines de este ejercicio, supongamos que el problema comenzó a ocurrir alrededor de las 5:20 p.m. del 17 de mayo de 2020.
Puedes usar etiquetas de transacción para identificar el origen de la transacción y se correlacionan entre la Tabla de estadísticas de transacciones y las tablas de estadísticas de bloqueo solución de problemas de contención de bloqueo eficaz. Obtén más información en Solución de problemas relacionados con las etiquetas de transacción.
Recopila estadísticas de transacciones para el período seleccionado
Para comenzar la investigación, consultaremos la tabla TXN_STATS_TOTAL_10MINUTE
durante el inicio del problema. Los resultados de esta consulta nos mostrarán cómo cambiaron la latencia y otras estadísticas de transacciones durante ese período.
Por ejemplo, la siguiente consulta muestra las estadísticas agregadas de transacciones
de 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;
En la siguiente tabla, se muestran datos de ejemplo de nuestra consulta.
interval_end | avg_total_latency_seconds | commit_attempt_count | commit_abort_count |
---|---|---|---|
2020-05-17 16:40:00-07:00 | 0.0284 | 315691 | 5170 |
2020-05-17 16:50:00-07:00 | 0.0250 | 302124 | 3828 |
2020-05-17 17:00:00-07:00 | 0.0460 | 346087 | 11382 |
2020-05-17 17:10:00-07:00 | 0.0864 | 379964 | 33826 |
2020-05-17 17:20:00-07:00 | 0.1291 | 390343 | 52549 |
2020-05-17 17:30:00-07:00 | 0.1314 | 456455 | 76392 |
2020-05-17 17:40:00-07:00 | 0.1598 | 507774 | 121458 |
2020-05-17 17:50:00-07:00 | 0.1641 | 516587 | 115875 |
2020-05-17 18:00:00-07:00 | 0.1578 | 552711 | 122626 |
2020-05-17 18:10:00-07:00 | 0.1750 | 569460 | 154205 |
2020-05-17 18:20:00-07:00 | 0.1727 | 613571 | 160772 |
2020-05-17 18:30:00-07:00 | 0.1588 | 601994 | 143044 |
2020-05-17 18:40:00-07:00 | 0.2025 | 604211 | 170019 |
2020-05-17 18:50:00-07:00 | 0.1615 | 601622 | 135601 |
2020-05-17 19:00:00-07:00 | 0.1653 | 596804 | 129511 |
2020-05-17 19:10:00-07:00 | 0.1414 | 560023 | 112247 |
2020-05-17 19:20:00-07:00 | 0.1367 | 570864 | 100596 |
2020-05-17 19:30:00-07:00 | 0.0894 | 539729 | 65316 |
2020-05-17 19:40:00-07:00 | 0.0820 | 479151 | 40398 |
Aquí vemos que la latencia agregada y el recuento de anulaciones es mayor en el segmento destacado
en los períodos de prueba. Podemos elegir cualquier intervalo de 10 minutos en el que la latencia agregada
y/o anulaciones son altas. Elijamos el intervalo que termina en
2020-05-17T18:40:00
y utilizarla en el siguiente paso para identificar qué transacciones
contribuyen a una latencia alta
y un recuento de anulaciones.
Identifica las transacciones que experimentan una latencia alta
Ahora consultaremos la tabla TXN_STATS_TOP_10MINUTE
para el intervalo que se seleccionó en el paso anterior. Con estos datos, podemos comenzar a identificar qué transacciones experimentan una latencia o un recuento de anulación atos.
Ejecuta la siguiente consulta para conocer las transacciones que tienen un mayor impacto en el rendimiento
orden descendente de latencia total para el intervalo de nuestro ejemplo que termina en
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 |
---|---|---|---|---|---|---|
2020-05-17 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 |
2020-05-17 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 |
2020-05-17 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 |
2020-05-17 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 |
2020-05-17 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 |
Podemos ver claramente que la primera fila (destacada) de la tabla anterior muestra que una transacción experimenta una latencia alta debido a una gran cantidad de confirmaciones se anula. También podemos ver una gran cantidad de reintentos de confirmación, lo que indica las confirmaciones anuladas se reintentaron posteriormente. En el siguiente paso, investigaremos para ver cuál es la causa de este problema.
Identificar las columnas involucradas en una transacción que experimentan alta latencia
En este paso, comprobaremos si las transacciones de alta latencia operan en el
mismo conjunto de columnas mediante la recuperación de read_columns
, write_constructive_columns
y
Datos de write_delete_tables
para transacciones con un alto recuento de anulaciones. El FPRINT
también será útil en el siguiente paso.
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] |
[] |
Como se muestra en la tabla anterior, las transacciones con la latencia total promedio más alta leen las mismas columnas. También podemos observar que hay contención de escritura, ya que las transacciones escriben en la misma columna, es decir, TestHigherLatency._exists
.
Determina cómo cambió el rendimiento de las transacciones a lo largo del tiempo
Podemos ver cómo las estadísticas asociadas con esta transacción tienen cambiaron a lo largo de un período. Usa la siguiente consulta, donde $FPRINT es el huella digital de la transacción de alta latencia del paso anterior.
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 | latency | 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 |
2020-05-17 16:50:00-07:00 | 0.069 | 0.009 | 61264 | 3589 | 3364 | 0 | 91 |
2020-05-17 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 |
2020-05-17 17:20:00-07:00 | 0.310 | 0.012 | 130078 | 45655 | 41966 | 0 | 91 |
2020-05-17 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 |
2020-05-17 18:00:00-07:00 | 0.310 | 0.012 | 230932 | 106,728 | 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 |
2020-05-17 18:50:00-07:00 | 0.302 | 0.013 | 256259 | 115626 | 109756 | 0 | 91 |
2020-05-17 19:00:00-07:00 | 0.315 | 0.014 | 250560 | 110662 | 100322 | 0 | 91 |
2020-05-17 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 |
2020-05-17 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 |
En el resultado anterior, podemos observar que la latencia total es alta en el período destacado. Además, siempre que la latencia total sea alta, los valores commit_attempt_count
, commit_abort_count
y commit_retry_count
también serán altos, aunque la latencia de confirmación (commit_latency
) no haya cambiado mucho. Dado que las confirmaciones de transacciones se anulan con más frecuencia, los intentos de confirmación también son altos debido a los reintentos.
Conclusión
En este ejemplo, notamos que el recuento alto de anulaciones de confirmaciones fue la causa de la latencia alta. El siguiente paso es mirar los mensajes de error de anulación de confirmaciones que recibe la aplicación para conocer el motivo de la anulación. Cuando inspeccionamos registros en la aplicación, vemos que la app cambió su carga de trabajo durante este período, es decir, otra forma de transacción se mostró con un valor de attempts_per_second
alto y esa transacción diferente (tal vez un trabajo de limpieza nocturno) fue responsable de los conflictos de bloqueo adicionales.
Identifica las transacciones que no se reintentaron correctamente
La siguiente consulta muestra las transacciones de los últimos diez minutos que se recopilaron como muestra. con un alto recuento de anulaciones de confirmación, pero sin reintentos.
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 |
Podemos ver que se anuló la transacción con el fprint 1557557373282541312. 44,232 veces, pero nunca se reintentó. Esto parece sospechoso porque la anulación es alto y es poco probable que cada anulación se deba a un error . Por otro lado, para la transacción con fprint, 5776062322886969344, es menos sospechoso porque el recuento total de anulaciones es no tan alto.
La siguiente consulta muestra más detalles sobre la transacción con fprint
1557557373282541312, incluidos los read_columns
, write_constructive_columns
,
y write_delete_tables
. Esta información ayuda a identificar la transacción en
código de cliente, en el que se puede revisar la lógica de reintento para esta situación.
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 | [“Singers._exists”] | ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] | [] | 805228 | 1839 | 0 |
2021-01-27T18:20:00Z | 1557557373282541312 | [“Singers._exists”] | ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] | [] | 1034429 | 38779 | 0 |
2021-01-27T18:10:00Z | 1557557373282541312 | [“Singers._exists”] | ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] | [] | 833677 | 2266 | 0 |
2021-01-27T18:00:00Z | 1557557373282541312 | [“Singers._exists”] | ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] | [] | 694560 | 1348 | 0 |
Podemos ver que la transacción incluye una lectura a los Singers._exists
ocultos.
para comprobar la existencia de una fila. La transacción también escribe en el
Columnas Singers.FirstName
y Singer.LastName
. Esta información puede resultar útil
determinar si el mecanismo de reintento de transacción implementado en tu
que la biblioteca cliente funcione según lo esperado.
¿Qué sigue?
- Obtén más información sobre otras herramientas de introspección.
- Obtén más información sobre otros datos que Spanner almacena para cada base de datos en la tablas de esquema de información de la base de datos.
- Obtén más información sobre las prácticas recomendadas de SQL para Spanner
- Obtén más información sobre la investigación de la alta capacidad de CPU de aplicaciones.