清算/报表/日终跑批程序之性能优化案例（一）

Mike

前言

　　

不知不觉，技术人生系列·我和数据中心的故事来到了第五期。小y又和大家见面了！
前几期主要发了一些TroubleShooting的案例分享，其实小y最擅长的是性能优化，所以从这期开始，小y会陆续的分享更多的数据库性能优化案例。


　　

进入正题，如果您的日终跑批/清算/报表等程序时快时慢，或者从某一天以后就一直变慢，作为运维DBA或开发的您，会怎么下手？还有，除了解决问题外，你要如何解答领导最关心的一个问题，“为什么现在有问题，但是以前没有问题呢”！





　　

小y今天要和大家分享的就是这样一个性能问题的分析和解决过程。
你们的点赞和转发就是小y继续坚持分享的动力。

　　

另外，前阵子有部分朋友问，小y所在的团队是否可以提供对外的第三方Oracle服务，答案是YES！
有兴趣的朋友可以加一下小y的个人微信，微信号是 shadow-huang-bj,希望可以交到更多的朋友，并帮助到更多有需要的人。


Part 1
问题来了
　　

小y,有空么？一会一起看一个报表的性能问题。
有个SQL语句一周前开始，性能急剧恶化，执行时间从10分钟以内变成了10个小时以上。







　　

刚在客户现场做完Oracle的培训，问题来的正是时候，刚好可以让客户感受下理论如何融入实战的魅力！小y的第一想法是SQL语句的执行计划发生了改变，通常从统计信息或者CBO对cardinality的估算情况中就可以快速找到线索，应该很快就可以查明原因并解决！


　　

最后的事实证明，小y一开始想简单了。针对这个问题，客户通过并且重新收集统计信息或重启数据库均无法解决问题。幸运的是，小y及时调整回到了学院派模式，最终在一个小时内找到了问题的原因，问题的解决也就是顺其自然了。


　　

环境介绍：
操作系统 Redhat 64 bit
数据库   Oracle 11.2.0.3 ,  2节点RAC


　　

Part 2
分析过程


　　


2.1 完整的SQL语句




　　

小y对这条SQL进行了敏感信息处理和写法的简化处理，可以看到：
  该SQL对两张表张进行join，然后group by
  参与关联的两张表一张是80M的小表，另外一张是3.5G的较大一些的表。记录数分别是160万和800万
SQL语句用了hint，提示优化器表连接走hash join,单表访问路径小表走全表扫描。


　　

这样的一条SQL，按照小y的经验，驱动表只要选择小表，那么整个HASH JOIN的执行时间基本等同于两张表的单表访问时间，两张表加起来不到4G，通常都可以在5分钟内完成。这和客户描述的以前的执行时间是相吻合的。


　　

这里顺便说一下：
很多开发写hint往往写的不完整，例如这个hint只写了表连接方式，单表访问路径只写了一张表，表的连接顺序没有写，其实并没有完全固定死执行计划。


　　

接下来，小y将查看执行计划是否发生变化，还有执行计划是否正确。

2.2 执行计划



　　

可以看到：
  执行计划（oracle内部的算法）确实如hint一样
  表连接方式走的是hash join
  单表访问路径都是全表扫描(table access full)
  表连接顺序是小表做驱动表(hash内存表）


　　这是一个完美、最优的执行计划。唯一的小缺点是优化器评估hash join和hash group by的步骤用到了一些临时表空间，不过这只是CBO的评估，不代表实际会发生。


　　对比了以前的执行计划，也是一样的。


　　既然执行计划没有问题，也没有发生改变，那么就需要将SQL的执行时间进行分解，看看时间到底消耗在了是CPU还是IO、集群、并发竞争等什么环节。


　　


2.3 SQL执行的相关统计



　　

可以看到：
1、  每次执行时间39615秒，超过10个小时
2、  每次执行逻辑读只有45276个block（块）
3、  每次执行物理读451421个block（块）
4、  时间基本都消耗在CPU上，达到38719秒，超过10个小时，而在IO/集群/应用（锁）/并发环节消耗时间很小


　　


2.4 第一次头脑风暴


到了这里，经验丰富的DBA应该可以发现，该CASE出现了一些奇怪的现象。
不过还是要照顾一下大家，先来回答一些朋友心里可能的问题。
2.4.1
是不是有什么异常等待事件


　　

看到这里，也许有人会说:
是不是SQL语句执行过程中有什么异常的等待事件？


　　

首先答案是NO！
因为整个SQL的执行时间中，时间基本都消耗在CPU上，达到38719秒，超过10个小时，而在IO/集群/应用（锁）/并发环节消耗时间很小（加起来不到100秒）。如果SQL跑在CPU上，那么是不会有等待事件的线索的。时间分布如下图所示。





　　

2.4.2
是不是hash join One-pass/Muti-pass导致慢


　　

也许有人会说：
执行计划出现了temp表空间的使用，是不是hash join One-pass/Muti-pass导致SQL执行慢





　　

答案是NO！
首先，执行计划中显示会用到temp表空间(hash join one-pass/muti-pass)，这是CBO执行前的评估而已，实际执行很可能根本不会使用。


　　其次，如果真的使用temp表空间，并且成为整个SQL的瓶颈，则我们会看到很多的direct path read/write temp,由于这类等待事件算在IO类的等待事件里，那么整个SQL语句的执行事件就应该是IO占的最多而不是现在看到的时间都消耗在CPU上。


　　

2.4.3
小y的疑惑


　　

到这里，小y开始感觉到了这个case需要更专注来解决了！
执行时间基本都耗在CPU上，这通常意味着所需要的数据基本都在内存中。
一个常识是，如果所需要的BLOCK在内存中，那么 CPU每秒可以处理10万甚至几十万的逻辑读！
但具体到这条SQL， 10的小时的CPU时间，处理的逻辑读，才有45万！
45万的逻辑读刚好对应4G的大小，即两张表的大小之和。


　　

目前确实有一些奇怪的地方，小y接下来需要：
  和历史执行时间的分解进行比对
  将这条SQL语句重新跑起来，获取更多的线索。


　　


2.5 历史执行情况比对和确认





　　

可以看到：
  一开始的时候，每个小时还可以处理44万的逻辑读，但是后来就慢了起来
  后来的绝大部分时间里，每个小时才处理1000-3000的逻辑读
  执行时间确实都在CPU上！


　　可惜的是，由于AWR报告只保留7天，因此未能获取到原来的执行时间的分解的情况，也就没有办法做正常和异常时刻的比对。接下来，这是一个SELECT语句，可以直接跑起来重现问题，这样小y可以观察到更多的线索！


　　


2.6 重现问题实时抓取线索


　　

将这条SQL语句重新跑起来，然后开启其他窗口观察，一开始的1分钟内还算正常，先后读取小表和大表，IO差不多到每秒30M，然后IO就急剧的下降了，这个时候等待事件是ON CPU。
小y立马查看了SQL的执行进度，v$session_longops中表SMALL_TABLE已经扫描完成，但另外一张表BIG_TABLE全表扫描的进度进本停留在82%的位置！但细看还是涨的，只是涨的比较慢！如下图所示。





　　

对BIG_TABLE的全表扫描，sofar基本上每5秒才涨1 ！
按照这个速度，还需要（442460-362690）*5=40万秒，即10个小时以上！这和“历史执行情况比对和确认”章节是可以对上的！
这里提示一下，涨的慢和IO性能没关系，上面已经分析过了，时间都消耗在CPU上


　　

接下来，读者朋友们，可以停一下，把上述现象总结一下，再思考个几分钟、
如果是您来接这个CASE，你会怎么继续往下查呢？
↓
↓
↓
↓
↓
↓
↓
↓
↓
不要走开后边还有.....


　　


2.7 没有等待事件如何往下查


　　

既然SQL执行是在CPU上，那么就不会有什么等待事件的线索留出来，既然在CPU上，那么必然要去看call stack,这是小y多年养成的习惯了。
通过oradebug short_stack,间隔几秒抓取了三次。如下图所示：





　　

到了这里，小y已经做完了所有的检查。
是时候出去抽一根烟了，需要把所有发现的线索在脑子里过一次。
幸运的是，一根烟后，小y终于把所有问题都想明白了，所有看到的现象都可以说清楚了,还有领导最关心的一个问题—“为什么现在有问题，但是以前没有问题呢”！，小y也有了答案。
建议朋友们，读到这里也可以先停一下，思考个几分钟，看看自己是否已经找到了问题原因。


　　

到这里已经找到答案的朋友，可以发小y发一份简历，说明你有不错的思考能力和经验！欢迎你加入中亦科技Oracle服务团队！简历请发 51994106@qq.com


　　


2.8 第二次头脑风暴


　　

在出门抽烟的这一小会功夫里，小y不断思考着几个问题。
  为什么每个小时才处理几千个逻辑读呢？
  SQL执行时间都消耗在CPU上，都在做什么呢？
  为什么以前不出，现在出呢？


　　下图的这个函数qerhjWalkHashBucket，将所有问题都彻底解释清楚了!   qerhjWalkHashBucket就表示在做hash join的过程中需要遍历hash bucket中的数据。





　　

因此，小y重新缕了一下Hash Join原理，例如两张表A和B表的整表关联
SELECT * FROM A,B
WHERE A.ID=B.ID


　　

ORACLE内部的执行过程，可以简化为：
  SCAN A（扫描A表）
  HASH(A.ID),打散到各个桶（BUCKET）中，呆在pga hash area中等待别人来匹配
  SCAN B（扫描B表）
  HASH(B.ID)
  到相应的Bucket中，比较表关联字段的值是否相同，返回或丢弃


　　

HASH的目的是为了打算数据到各个桶中。每个算法都有优缺点。
那么HASH JOIN有什么缺点呢？
我们是否命中了该缺点呢？！


　　


2.9 真相浮出水命


　　很显然，当驱动表在内存中里的其中一个桶里 （bucket）的数据很多的时候，那么被驱动表的一个值到该桶里比较起来就很需要遍历更多的数据，这个时候就类似于nest loop了。那么一个值的比对就需要很久了！


　　

被驱动表一个BLOCK可以存储几十到几百条记录，而一条记录需要到一个记录很多的桶里去比较很久，被驱动表一个BLOCK有很多条记录，自然就出现了每个小时只能处理几千个逻辑读的情况了！也就观察到了v$session_longops.sofar涨的很慢的情况了！
同时，关联字段大量比较的过程是很消耗CPU的 （当驱动表读进PGA里后就呆在PGA内存中了）


　　

那么为什么以前不出呢？                                                                                           那是因为以前驱动表的关联字段的数据分布是均匀的！而自从某一天以后，表关联字段的分布开始不均匀了！


　　发出SQL，验证如下:



　　可以看到，驱动表small_table中id=0的记录数达到17万条，意味着一个bucket的数据至少达到17万条，这与hash join打散数据到各个bucket,通常一个bucket的数据不超过5条的想法和设计初衷是相违背的！


　　至此，所有问题得到了圆满的解答！


　　


2.10 进一步验证





　　

在SQL语句中加入small_table.id != 0的过滤条件，small_table的数据从160万减少到143万，变化不大的情况下，执行上述SQL，执行时间在3分钟左右就完成了！
这就验证了hash join不适合驱动表表关联字段分布不均匀的一个缺点 ！

2.11 解决方案


　　

知道原因了，那么解决方案就多种多样了！
hash join不适合驱动表表关联字段分布不均匀的情况，因此解决方案有多种
1）  采用use_merge的hint而非use_hash，无法修改程序的情况可以通过sql profile指定执行计划。这里两张表都不大，排序合并连接也很快。
2）  对驱动表small_table.id=0的数据进行调查、确认和处理，为什么会在某一天突然出现大量id=0的数据，是否可以删除
……


　　


2.12 经验提示


　　

可以看到：

  掌握原理是必须的
  什么样的架构、算法和存储结构决定了他可以做什么样的事情，不可以做什么样的事情
  但你思考过他的缺点是什么么？以前没有的话，小y建议尝试，让你有更多收获