【OceanBase诊断调优】—— 磁盘性能问题导致卡合并和磁盘写入拒绝排查

适用版本

OceanBase 数据库 V3.x、V4.x 版本。

问题现象

OceanBase 集群合并一直未完成，同时 tsar 和 iostat 显示从凌晨 2:30 开始磁盘使用率一直是 100%。怀疑合并导致 IO 上升，IO 可能存在问题，observer.log 的确有大量报错 disk is hung, disk has fatal error。

问题原因

磁盘为机械盘，且 /home/admin /data/1、/data/log1 混用同一块磁盘。磁盘性能太差，导致业务操作报 -4012 OB_IO_TIMEOUT 或 -4009 OB_IO_ERROR，这会触发 IO 探测线程检测磁盘是否有问题，如果超过 data_storage_warning_tolerance_time、data_storage_error_tolerance_time、log_storage_warning_tolerance_time 这几个超时时间还没有恢复，就会触发 data 和 slog 的快速拒绝。

解决方法

1. 日志限流。在此故障情况下，大量写入 ERROR 日志本身也会占用大量带宽，可能会导致问题更严重。

   alter system set syslog_io_bandwidth_limit='1MB';
   

2. 增加 IO 探测的超时阈值，避免磁盘性能问题导致 data 和 slog 的快速拒绝。

   alter system set data_storage_warning_tolerance_time = 60s; --默认 5s
   alter system set data_storage_error_tolerance_time = 600s; --默认 300s
   alter system set log_storage_warning_tolerance_time = 60s; --默认 5s
   

3. 将已经被快速拒绝的磁盘洗白。

   alter system set disk valid server '$192.xxx.x.x:2882';（所有服务器）
   

修改设置后，IO 报错消失，合并开始推进，可以看到待合并的分区数量在逐渐减少。

select count(1) from __all_virtual_tablet_meta_table where tenant_id = 1001 and compaction_scn < xxx;
-- xxx 填写的是 cdb_ob_major_compaction 查到合并未完成租户的 global_broadcast_scn