PostgreSQL复制延迟持续增加时,怎样区分写入压力、网络与从库瓶颈
复制延迟持续增加,可能表现为报表数据落后、只读查询看到旧状态,或故障切换时需要追赶更多 WAL 日志。仅凭“延迟秒数变大”不能判断原因:主库写入变快、网络传输变慢、备库写盘或回放跟不上,都可能造成相似现象。诊断时应把主库 WAL 生成、网络收发、备库落盘与回放,以及业务影响放到同一时间线上比较。
先确认延迟发生在哪一段
PostgreSQL 物理流复制的 WAL 大致经过“主库生成并发送—备库接收并写入—备库回放”几个阶段。排查的第一步不是重启服务或调整参数,而是确认哪一段开始积压,以及积压是否仍在增长。

先在主库查看各备库的复制状态:
SELECT
application_name,
client_addr,
state,
sync_state,
sent_lsn,
write_lsn,
flush_lsn,
replay_lsn,
write_lag,
flush_lag,
replay_lag
FROM pg_stat_replication;
重点比较同一行中的 LSN 位置:
sent_lsn与write_lsn相差明显,说明主库已发送的数据尚未被备库确认写入。可能涉及网络传输、备库接收进程,或备库写盘。write_lsn与flush_lsn相差明显,表示已写入但尚未确认持久化的 WAL 有积压,需结合备库存储延迟判断。flush_lsn与replay_lsn相差明显,表示 WAL 已到达并持久化,但回放速度落后。常见方向是备库 CPU、I/O、回放冲突或单条事务回放耗时。- 多个位置都在向前移动,但前后差距逐步扩大,说明复制仍在工作,只是某段处理速度低于 WAL 到达速度。
这些位置不是所有版本都以完全相同的方式显示。write_lag、flush_lag 和 replay_lag 是近期反馈延迟的统计值,空闲时可能为 NULL,也不等同于“当前积压了多少数据”。判断持续积压,应同时观察 LSN 差值及其随时间的变化。
在主库可计算发送与回放之间的字节差:
SELECT
application_name,
pg_wal_lsn_diff(pg_current_wal_lsn(), replay_lsn) AS pending_bytes
FROM pg_stat_replication;
这里的 pending_bytes 是近似积压量,单位为字节。应按固定间隔连续采样,例如每 10 至 30 秒记录一次,而不是只取单个瞬时值。若主库当前 WAL 位置在推进、积压量持续变大,说明备库追赶速度低于主库产生 WAL 的速度;如果积压量基本不变或下降,复制可能正在恢复。
建立原因树:写入、网络、备库,还是其他环节
先建立一个简化的判断树:

| 观察到的信号 | 优先怀疑方向 | 下一步核对 |
|---|---|---|
| WAL 生成速率上升,多个备库的积压同步扩大 | 主库写入压力或 WAL 突增 | 对比事务量、批处理和 WAL 生成速率 |
| 发送位置领先于备库写入位置,备库接收不连续 | 网络或备库 WAL 接收端 | 对齐网络丢包、RTT、接收进程状态与日志 |
| 备库已接收并落盘,回放位置明显落后 | 备库回放瓶颈 | 检查 CPU、存储、回放冲突及长事务 |
| 只有一个备库延迟,其他备库正常 | 单个备库、链路或本地负载 | 比较该备库的网络路径、磁盘与查询负载 |
| 多个备库同时延迟,主库 WAL 生成变化不大 | 主库发送资源、共享网络或共同存储问题 | 检查主库资源、出口链路及共同依赖 |
这张表用于确定优先检查顺序,不是单项定因规则。例如,网络拥塞会让备库接收位置落后;备库磁盘过慢也可能令接收确认变慢,因此必须结合接收端指标和操作系统观测交叉判断。
逐层排除
先看主库:写入压力是否突然增大
写入量增加会推高 WAL 生成速度。即使网络和备库性能没有变化,只要 WAL 到达速度持续高于备库处理速度,积压就会扩大。关注主库每秒事务数、提交与回滚数、批量写入任务、业务发布和定时作业的开始时间,并与延迟曲线对齐。
PostgreSQL 14 及以上版本可查看 pg_stat_wal 中的 WAL 计数器。应在两个采样点之间计算差值,不要把自实例启动以来的累计值误当成当前速率:
SELECT
clock_timestamp() AS sampled_at,
wal_bytes,
wal_records,
wal_fpi
FROM pg_stat_wal;
例如,两次采样相隔 60 秒,wal_bytes 增量为 3,000,000,000 字节,则平均 WAL 生成速率约为 50 MB/s(按十进制 MB 计算)。这只是示例算法,不代表任何环境的正常阈值。需要留意采样间隔内是否发生重启、统计重置或明显尖峰。
若多个备库在同一时刻开始积压,且主库 WAL 速率、写入事务数或批处理量同步上升,写入压力是重要线索。下一步要定位具体业务或任务,而不是直接降低复制相关参数。若 WAL 速率平稳、只有一个备库异常,则应优先比较该备库及其网络路径。
再看网络:数据是否从主库稳定到达备库
网络问题通常先表现为发送与接收之间的差距扩大,或备库接收时间间隔变长。将 PostgreSQL 指标与操作系统网络指标按时间对齐,观察连接是否反复中断、接口是否丢包、TCP 重传是否上升,以及往返时延(RTT)是否突增。
备库可以查看 WAL 接收状态:
SELECT
status,
receive_start_lsn,
written_lsn,
flushed_lsn,
latest_end_lsn,
last_msg_send_time,
last_msg_receipt_time,
latest_end_time
FROM pg_stat_wal_receiver;
字段可用性会随 PostgreSQL 版本变化。若查询因字段不存在而报错,应先核对服务器版本及对应视图定义,不要据此判断复制故障。若接收进程不存在或状态不正常,再结合主库 pg_stat_replication、PostgreSQL 日志和连接告警确认是否为连接中断、认证错误或链路故障。
网络延迟高不必然意味着复制延迟大:持续、大块的数据传输可能仍有足够吞吐;反之,少量丢包或频繁重传也可能让传输效率显著下降。应同时看吞吐、RTT、重传和 WAL 接收速率。若主库发送端正常、其他网络业务也出现丢包或时延异常,网络方向的证据更强;若只有一个备库链路异常,优先核对该备库所在网段、路径和接口。
最后看备库:写盘和回放是否跟得上
若备库收到的 WAL 位置接近主库发送位置,但 replay_lsn 落后,重点检查回放环节。观察备库 CPU 使用率、磁盘写入延迟、设备利用率、I/O 队列,以及同一时段是否有大量只读查询、备份或其他磁盘密集型任务。系统层面的 iostat、vmstat 等工具可以辅助判断,但需先确认操作系统已安装相应工具,并结合设备和采样区间解释结果。
回放冲突也可能让备库应用 WAL 受阻。可查看冲突累计值:
SELECT *
FROM pg_stat_database_conflicts;
该视图中的计数通常是累计值,需要在时间窗口内比较增量。若冲突计数在延迟增长时同步上升,且日志出现恢复过程取消查询等信息,应检查长时间运行的只读事务和备库查询负载。不要只因发现冲突就调整恢复延迟相关参数;修改前需确认业务对查询取消、数据新鲜度和故障切换的要求,并评估对现有查询的影响。
如果备库收到和回放的位置都没有明显差距,但应用仍报告数据陈旧,还应核实应用是否读到了预期的备库:连接池、读写路由、服务发现和监控标签可能指向不同实例。此时数据库复制本身未必是唯一问题。
用同一时间线缩小范围
采集证据时,建议为主库、备库、网络和业务指标统一时区并校准系统时间,按相同采样间隔记录。至少覆盖以下信号:

- 主库:WAL 生成速率、事务量、复制状态及各 LSN 位置。
- 网络:主备链路 RTT、吞吐、丢包、TCP 重传和连接断开事件。
- 备库:接收与回放位置、CPU、磁盘延迟、I/O 利用率、冲突计数。
- 服务和业务:PostgreSQL 日志中的 WAL 接收或恢复异常、应用查询延迟、读到旧数据的时间,以及相关任务的开始和结束时间。
例如,某次采样发现主库 WAL 生成速率由平稳水平升至原来的数倍;几分钟后,多个备库的回放积压同时增加,而链路 RTT 和重传没有明显变化。这组证据更支持“写入突增导致备库处理能力不足”,但还需检查备库 CPU、磁盘与回放速率,才能区分是负载增加造成正常追赶,还是备库已经出现处理瓶颈。
相反,如果主库 WAL 速率稳定,主库发送位置领先,备库接收位置停滞,且同一时段链路重传或断连告警上升,就应优先排查网络。若接收与落盘位置基本跟上,但回放位置长期不动,同时备库存储延迟升高或冲突计数增长,则排查重点转向备库。
定位后验证恢复
处理措施应对应已经得到支持的原因。确认是写入突增时,先识别突增任务或业务变更,并评估能否错峰、分批或限速;涉及业务写入调整时,应明确影响范围和恢复方式。确认网络异常时,先由网络运维核实链路与接口状态,再验证连接稳定性,不要在未定位链路问题前反复重启数据库。确认备库磁盘或回放瓶颈时,应检查设备健康、资源争用和查询负载;涉及扩容、参数变更或服务重启的操作,须先评估数据安全、业务影响和回退方案。
恢复不能只看“延迟秒数下降”。至少应确认:
- 主库 WAL 生成速率回到可解释的范围,或备库追赶速度已超过当前生成速度。
- 发送、接收、落盘和回放位置继续前进,积压量连续多个采样周期下降。
- 网络重传、备库磁盘延迟或冲突等相关异常信号同步缓解。
- 业务读取的数据新鲜度恢复,日志中不再持续出现对应错误。
复制时间延迟并非始终是精确的积压计量,尤其在主库空闲、时间戳更新间隔较长或统计信息暂时没有新消息时。应优先看位置差和趋势,并用业务读取验证实际影响。
为复发保留监控点
告警宜覆盖两类信号:一类是复制积压量持续增加或备库回放位置长期落后;另一类是可能的原因指标,如主库 WAL 速率突增、网络重传升高、备库存储延迟上升和恢复冲突增多。可用连续多个采样周期触发告警,减少短暂波动造成的误报;阈值应结合业务可接受的数据延迟、平时波动和备库追赶能力确定,不能把单一固定秒数用于所有环境。
同时记录主库和备库身份、采样时间、业务发布与批处理时间。下次出现延迟时,这些信息能帮助判断是写入端先变化、网络先异常,还是备库资源先饱和,让排查从“延迟变大”进一步收敛到具体链路。
PostgreSQL主从复制部署所需的计算、存储与网络资源,A5数据提供香港、美国、日本、韩国、中国台湾、新加坡及马来西亚等地区的物理服务器租用,涵盖Xeon Gold、AMD EPYC等平台,并有SSD或NVMe存储及不同线路配置,可为数据库主库、备库和相关业务服务提供多地区硬件部署选择。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/4995.html



