用pt-stalk定位MySQL短暂的性能问题

【背景】

MySQL出现短暂的3-30秒的性能问题，一般的监控工具较难抓到现场，很难准确定位问题原因。

对于这类需求，我们日常的MySQL分析工具都有些不足的地方：

1、 性能监控工具，目前粒度是分钟级，无法反应秒级的性能波动；

2、 MySQL Performance_schema工具采集是3秒落地10000行记录，对于QPS大于3000以上的服务器采集会丢失数据；

Performance_schema数据通常用来分析语句级的性能问题，比如CPU高消耗，扫描行数等语句问题，对于系统内部mutex，lock，thread等资源竞争的问题无法定位。

3、 Table DML工具（5分钟粒度）

4、 Slow Log记录大于1秒的慢查询，反应的可能是果，而不是因

5、 MySQL Guard工具实现是依赖报警系统触发，一般对于持续在1分钟以上的问题可以抓取到现场

前面扩展过一个功能，对高CPU的监控，粒度可以到10秒左右

pt-stalk工具可以解决更细粒度的故障现场采集，守护进程的方式试用了一下，可以帮助我们解决一些问题。

【pt-stalk工具的使用】

尝试用pt-stalk工具做故障现场的快照采集

1、自定义脚本，定义CPU作为触发条件

function trg_plugin(){

a=$(sar 1 1 | grep -i "Average:"| awk '{print $8}');echo 100 - $a |bc

}

2、用pt-stalk开启守护进程，下面命令实现了用自定义的pt_cpu.sh脚本做为判断条件，当CPU的值（100-%idle）大于50，判断的间隔时间为1秒，连续3次满足条件时触发快照采集，触发后会sleep 60秒

pt-stalk --daemonize --dest=/tmp/log/pt-stalk --user= --password= --port= --function=/tmp/pt_cpu.sh --variable highcpu --cycles=3 --interval=1 --threshold 50 --sleep=60 --log=/var/log/pt-stalk.log

具体的参数可参考man pt-stalk。

【案例分析】

有台服务器出现短暂的线程和CPU告警的问题，现在每天在9点多都有CPU的告警，但持续时间较短，MySQL Guard工具很难采集到现场。

按照之前性能计数器反应的指标，猜测是由于binlog备份导致的IO上升，又导致了线程积压，但实际不是这个原因，binlog备份时间重合只是巧合。

在这台服务器开启pt-stalk守护进程后，今天早上CPU告警时触发了采集

抓取的快照信息如下：

依据故障快照信息，再结合slow log和performance_schema语句明细，有足够的信息可以定位出问题原因。

1、在9:01分CPU出现上升

2、pt-stalk采集的CPU信息记录了更细粒度，连续30秒的信息，其中连续30秒CPU sys占比都在80%以上，通常是并发线程较高，context switch过高导致的sys消耗

3、连续30秒的Threads_running确实比较高

4、进一步分析，容易找到问题原因是由于每天9:00定时job运行，有一句高并发的慢查询SQL导致了线程积压

6、 慢查询SQL是由于缺失索引导致，补建索引后再观察

【pt-stalk的性能】

正常情况下守护进程的性能开销并不大，建议可以在有需要排障时再定制开启。下面是它的处理逻辑