当前位置：首页 > article >正文

【OceanBase 诊断调优】—— GC问题根因分析

article 2024/11/16 4:16:28

GC 流程涉及到 RS 的状态切换和 LS 的资源安全回收，流程上较长。且 GC 线程每个租户仅有一个，某个日志流 GC Hang 死时会卡住所有其余日志流的 GC，进而造成更大的影响。

本文档会帮助大家快速定位到 GC 故障的模块，直达问题核心。

基本概念

在 OceanBase 数据库 V4.x 版本中，GC 的条件只有两个，一是不在成员列表中，二是 __all_ls_status 表中对应 LS 被标记为进入 GC 状态。对于不在成员列表中的副本，我们直接调用 ls service 的remove ls 接口即可，不需要对表做任何处理。对于标记删除的副本，leader 会和 RS 通过推进状态机到删除 __all_ls_status 表中对应 ls 的行，然后所有副本都会正常的 remove ls。总之，在当前 leader 的成员列表中且 __all_ls_status 中对应行依然存在的日志流，是不满足 GC 条件的，因此不会开始 GC，判断 GC 问题需要先明确此条件。 remove ls 流程基本上流程可重入。当某个日志流的某个模块 remove 不满足条件时，可以退出此轮，避免 GC 线程卡住。

常见问题排查思路

找到 GC 卡住的 LS

如果明确怀疑某 LS 没有 GC 时(类似迁移失败场景)，首先需要确定该 LS 是否满足 GC 条件，具体可查询 __all_virtual_log_stat 表。
```
obclient> select * from __all_virtual_log_stat where tenant_id = xxx and ls_id = xxx;
```
如果某副本不在 Leader 的成员列表中，则满足 GC 条件。否则继续查 __all_virtual_ls_status 表:
```
obclient> select * from __all_virtual_ls_status where tenant_id = xxx and ls_id = xxx;
```
如果结果存在并且 status 为 NORMAL，则不满足 GC 条件。结果不存在或不为 NORMAL 都满足条件。

只有满足 GC 条件的 LS 才有继续分析的必要，否则请分析到底是成员列表更新失败或是 ls_status 更改状态失败。
如果没有怀疑的 LS 目标，只知道租户 GC 卡住了，则需要找到卡住的 LS。
```
obclient> select ls_id, gc_state, gc_start_ts from __all_virtual_ha_diagnose where tenant_id = xxx and svr_ip = 'xxx' and svr_port = xxx;
```
- 查询结果中 gc_start_ts 不为 -1 的就是卡住的日志流，如果有复数个不为 -1 的日志流，选择任意一个即可。
- 如果所有 LS 的结果均为上图所示，gc_state 为 NORMAL 且 gc_start_ts 为 -1，表示所有日志流都不满足 GC 条件。需要分析删除租户的命令执行是否有问题。
- 查询超时，大概率有 LS 的死锁，直接抓堆栈查看 Txxxx_GC 线程是否有死锁。
- 查询无结果，但是 Unit 依然没有删除，说明 GC 卡在了某个日志流的析构或资源释放，可通过 grep Txxxx_GC observer.log | grep id:xxxx 查询。

找到卡住的模块

在确定卡住的日志流之后，下一步需要确定卡住的具体模块，具体可查询 __all_virtual_ha_diagnose 表。

obclient> select ls_id, gc_state, gc_start_ts from __all_virtual_ha_diagnose where tenant_id = xxx and svr_ip = 'xxx' and svr_port = xxx;

如果查询结果不存在，则说明 GC 流程中状态机的推进已经完成，LS 进入了 remove ls 阶段并且已经从 ls 的 map 中摘掉了，剩下的就是等待这个日志流满足 safe_to_destroy 的条件后安全析构。在日志中搜索该日志流的 GC 线程日志，应该可以搜到循环报错的模块，此模块就是不满足 safe_to_destroy 的根因。
```
grep Txxxx_GC observer.log | grep id:xxxx
```
如果查询结果存在，则代表 GC 流程卡在某个状态机的推进过程中，如卡在等待事务全部结束，同样搜索 GC 线程的日志关于此日志流循环打印的地方找到根因。
如果存在结果不存在，则大概率 GC 线程死锁，抓堆栈查看 GC 线程即可。