韩国服务器数据库压力过大时,怎样区分慢查询、连接数与磁盘I/O瓶颈?

发布人:A5数据发布时间:2026-11-10 11:50阅读量:74

单看CPU、内存或数据库连接数中的任何一个指标,都可能把判断带偏。应用响应变慢时,真正需要回答的是:请求时间增加在连接池排队、数据库执行、锁等待、磁盘读写、网络传输,还是应用自身处理阶段?只有把这些指标放进同一个时间窗口,才能区分慢查询、连接数耗尽与磁盘I/O拥塞。

这三类问题的表现也可能同时出现:慢查询会占住数据库连接,连接堆积又会推高应用超时;磁盘延迟升高会让原本正常的SQL变慢。因此,“连接数高”不等于连接数瓶颈,“磁盘利用率高”也不等于数据库正在被磁盘拖慢。判断依据应当是指标变化的先后关系、联动关系,以及对替代解释的排除。

针对韩国业务中的数据库与应用承载,A5idc数据提供韩国首尔物理服务器资源,覆盖不同CPU、内存、存储及优化线路组合,可为数据库、接口服务和多任务应用提供独立硬件基础。结合SSD或NVMe等存储方案与相应网络资源,能够适配不同数据规模、访问地区和业务负载下的部署需求。

先建立可比较的观察窗口

统一故障时间、基线和采样粒度

先记录故障开始和结束时间,建议至少保留故障前5至15分钟、故障期间以及恢复后5至15分钟的数据。韩国服务器的系统时区、数据库时区和应用日志时区可能不同,分析时最好统一转换为UTC,或者明确标注韩国标准时间,避免把不同时间段的数据错误拼接。

基线不一定要选择“平时平均值”。如果业务存在明显的日间高峰,应当选择相近流量、相近工作日的时间段作为参照。采样粒度也要保持一致,例如主机指标每10秒或30秒采集一次,应用延迟按1分钟计算P95和P99,数据库语句按相同时间窗口聚合。

一次请求的总耗时可以拆成:

总响应时间 = 网络传输时间 + 连接池获取时间 + 数据库等待或执行时间 + 应用处理时间 + 返回网络时间

数据库监控只能覆盖其中一部分。应用已经等待了3秒,但数据库语句本身只执行了50毫秒时,问题就不应直接归类为慢查询。

同一时间窗口至少保留这些指标

层次重点指标主要用途
应用请求量、P50/P95/P99、超时率、5xx比例、连接池等待、线程或协程队列判断用户感知和应用侧排队
数据库活跃会话、运行中会话、语句P95、锁等待、事务提交耗时、查询错误判断数据库是否真正执行变慢
主机CPUuser、system、iowait、load、run queue、steal区分计算压力、内核压力、I/O等待和虚拟化争用
内存available、swap in/out、内存压力、OOM事件、页回收判断是否存在内存不足或抖动
磁盘read/write IOPS、吞吐、await、队列长度、utilization、fsync耗时判断存储是否成为等待源
网络RTT、重传、丢包、网卡吞吐、socket队列、连接建立耗时排除韩国服务器到用户或数据库之间的链路问题

如果服务器已经安装了对应工具,可以先执行只读采集命令:

date -u
uptime
vmstat 1 5
iostat -xz 1 5
free -m
ss -s

iostat中的await通常以毫秒表示,%util表示设备忙碌时间占比,avgqu-sz或aqu-sz反映平均队列长度。不同Linux发行版和sysstat版本的字段名称可能略有差异,应以本机帮助信息和实际输出为准。free -m中的数值以MiB展示,不应与十进制MB直接混用。

先区分三类数据库相关瓶颈

慢查询:语句耗时、扫描量或等待事件同时变差

慢查询的核心证据不是“数据库连接数很多”,而是某些规范化SQL的执行耗时、扫描行数、锁等待或磁盘等待在同一时间段异常增加。

常见信号包括:

  • 应用请求P95、P99上升,数据库语句平均耗时或P95同步上升。
  • 某些SQL的调用次数没有明显增加,但平均执行时间明显变长。
  • rows examined、全表扫描次数、临时表或排序数据量增加。
  • 数据库活跃会话增加,但连接池并未先出现明显排队。
  • CPU较高且磁盘等待不高,可能是计算量增加、条件过滤效率下降或排序聚合消耗CPU。
  • 磁盘读延迟、锁等待或日志刷盘耗时同步上升,则慢查询可能是I/O或锁等待造成的,而不一定是SQL执行计划本身变差。

使用MySQL时,如果Performance Schema已经启用,可以查看按摘要聚合的语句:

SELECT
    DIGEST_TEXT,
    COUNT_STAR AS calls,
    ROUND(AVG_TIMER_WAIT / 1000000, 2) AS avg_ms,
    ROUND(SUM_TIMER_WAIT / 1000000000000, 2) AS total_seconds,
    SUM_ROWS_EXAMINED AS rows_examined,
    SUM_ROWS_SENT AS rows_sent
FROM performance_schema.events_statements_summary_by_digest
ORDER BY SUM_TIMER_WAIT DESC
LIMIT 10;

这里的计时字段以皮秒为基础单位,除以1,000,000后约为毫秒,除以1,000,000,000,000后约为秒。该结果适合发现高耗时语句,不代表单次请求的完整链路耗时。

PostgreSQL环境可以使用pg_stat_statements查看语句统计。该扩展是否启用、字段名称和版本有关,执行前应先确认数据库版本与扩展状态:

SELECT
    query,
    calls,
    ROUND(mean_exec_time::numeric, 2) AS mean_ms,
    ROUND(total_exec_time::numeric, 2) AS total_ms,
    rows,
    shared_blks_read,
    shared_blks_hit
FROM pg_stat_statements
ORDER BY total_exec_time DESC
LIMIT 10;

不要仅凭“平均耗时”下结论。平均值可能掩盖少量极慢请求,P95和P99更适合对应用户体验;而总耗时则更适合发现大量调用、持续占用数据库资源的语句。

确认具体语句后,可以先使用不执行SQL的执行计划检查访问路径:

EXPLAIN SELECT
    order_id, status
FROM orders
WHERE customer_id = 10001
ORDER BY created_at DESC
LIMIT 20;

生产环境中不要直接对高写入量语句使用EXPLAIN ANALYZE,因为它会实际执行查询,可能触发锁、写入或额外负载。需要执行级计划时,应优先在结构和数据分布接近的测试环境、只读副本或受控低峰窗口验证,并提前确认备份、影响范围和回滚方式。

连接数瓶颈:获取连接的队列先于数据库执行变慢

连接数问题需要同时看三组数字:

  1. 已建立连接数,即数据库当前持有多少连接。
  2. 活跃或运行中连接数,即其中多少连接正在执行或等待。
  3. 应用连接池等待数,即请求是否因为拿不到连接而排队。

例如,数据库已经建立290个连接,但只有20个处于运行状态,应用连接池也没有等待,可能只是连接池保留了大量空闲连接,并不能证明数据库已经饱和。反过来,数据库只有100个连接,但应用连接池有大量请求等待,也可能是应用池配置过小、连接泄漏或连接归还不及时。

MySQL可以读取这些状态值:

SHOW GLOBAL STATUS
WHERE Variable_name IN (
    'Threads_connected',
    'Threads_running',
    'Max_used_connections',
    'Connection_errors_max_connections',
    'Threads_created',
    'Threads_cached'
);

SHOW GLOBAL VARIABLES LIKE 'max_connections';

重点观察故障时Threads_running是否接近Threads_connected,以及Connection_errors_max_connections是否在同一时段增加。只有“当前连接数接近上限”而没有连接获取失败、排队或错误增长时,结论仍然不充分。

PostgreSQL可以按状态和等待事件统计会话:

SELECT
    state,
    wait_event_type,
    wait_event,
    COUNT(*) AS sessions
FROM pg_stat_activity
GROUP BY state, wait_event_type, wait_event
ORDER BY sessions DESC;

连接数瓶颈通常有以下联动特征:

  • 应用连接池等待比例先升高,随后请求P95/P99和超时率上升。
  • 新建连接失败或达到数据库连接上限的错误增加。
  • 数据库活跃连接接近容量上限,数据库CPU或I/O未必已经达到高位。
  • 单个请求的数据库执行时间并不明显增加,但连接获取时间明显变长。
  • 如果连接是跨网络建立的,连接创建速率增加时,TCP或TLS握手耗时也可能放大问题。

“把max_connections调大”并不是通用解决方案。每个数据库连接都可能占用内存、线程、会话状态和锁资源,扩大上限前应先核对连接池复用、空闲连接、连接泄漏和单连接内存消耗。涉及配置修改时,应先保存当前配置和备份,分批调整并观察内存、CPU、错误率;若出现内存压力或数据库启动异常,应按原配置回退,不能直接在生产环境反复试错。

磁盘I/O瓶颈:设备等待、数据库等待和请求延迟同时上升

磁盘I/O瓶颈的判断需要同时满足“设备侧有等待”和“数据库侧确实在等待磁盘”两个条件。单独看到磁盘%util较高并不足够,因为顺序写入、备份任务或日志归档也可能产生高利用率,但不一定影响数据库请求。

可以使用以下方式观察主机侧I/O:

iostat -xz 1 10
pidstat -dru 1 10

重点关注:

  • await或读写等待时间是否在故障窗口内明显抬升。
  • avgqu-sz或aqu-sz是否形成持续队列,而不是短暂尖峰。
  • 读I/O和写I/O是哪一种增加,是否与数据库读页、WAL、binlog或临时文件活动对应。
  • vmstat中的wa是否上升,但要排除其他进程占用磁盘。
  • 数据库进程是否是主要I/O来源,还是备份、日志压缩、监控扫描等任务造成竞争。
  • 应用请求P95与数据库语句耗时是否在同一时间段增加。

例如,数据库缓存命中率较高、CPU正常、磁盘读延迟也正常,但某条SQL扫描了大量行并耗费CPU,这更接近查询计算问题。相反,语句类型和调用量没有明显变化,磁盘读等待、数据库I/O等待事件、请求延迟同时上升,才更接近存储瓶颈。

还需要注意不同存储设备的指标不能机械套用。虚拟磁盘、网络块存储和本地NVMe对队列、并发和%util的表现不同。应优先观察相对于自身基线的变化,并把数据库等待事件、主机I/O和业务延迟放在同一时间轴中。

排除CPU、内存、网络和应用层替代解释

CPU瓶颈

CPU问题通常表现为user或system占用持续上升、运行队列变长、数据库进程消耗了主要CPU,并且磁盘等待没有同步成为主要等待源。

可以这样区分:

  • CPU高、活跃SQL增加、扫描或排序量增加:可能是查询计划、计算逻辑或并发增加。
  • CPU高、数据库语句耗时不高,但应用线程队列变长:可能是应用序列化、加密、JSON处理或业务代码消耗CPU。
  • load高但CPU使用率不高、iowait高:更像I/O等待,不应直接归类为CPU不足。
  • 虚拟机steal明显增加:可能存在宿主机或虚拟化层争用,单纯优化SQL未必能解决。

内存瓶颈

内存使用率高不一定是故障。Linux会把空闲内存用于页缓存,真正需要关注的是可用内存持续下降、swap读写增加、内存压力指标上升、OOM事件,以及数据库缓存命中率下降。

如果内存不足导致系统频繁回收页面,常见联动是:

  • si/so持续有数据,swap读写增加。
  • 磁盘读等待上升,但数据库I/O并非由业务查询量直接触发。
  • 查询延迟出现周期性抖动,而不是稳定升高。
  • 应用或数据库进程出现OOM、被系统终止或频繁重启。

这类场景容易被误判为“磁盘突然变慢”。必须结合内存回收和swap指标,确认磁盘等待是否由内存压力间接造成。

网络瓶颈

韩国服务器如果只承载应用,而数据库位于其他地区或其他网络,数据库请求可能包含多次往返。此时网络RTT、重传、连接建立耗时和应用端数据库调用耗时需要分开观察。

网络问题更常见的特征是:

  • 应用请求P95和超时率上升,但数据库自身语句执行时间变化不大。
  • 连接建立、DNS、TCP或TLS耗时增加。
  • 重传、丢包、socket发送队列或接收队列增加。
  • 从韩国服务器到数据库地址的TCP探测变差,但服务器本地磁盘和CPU保持稳定。
  • 请求包含大量小SQL或频繁往返,单次SQL并不慢,但累计网络等待很高。

应用健康检查可以用实际协议进行测试,不能只依赖ICMP。以下命令中的地址应替换为已授权的业务健康检查地址:

curl -sS -o /dev/null \
  -w 'dns=%{time_namelookup} connect=%{time_connect} starttransfer=%{time_starttransfer} total=%{time_total}\n' \
  https://example.com/health

如果数据库和应用位于同一台韩国服务器,网络通常不是两者之间的主要变量,但用户到应用入口、应用到缓存、应用到其他服务的网络仍可能影响总响应时间。

应用层瓶颈

应用线程池、协程队列、锁、垃圾回收、外部接口调用和日志输出都可能让请求变慢,而数据库指标保持正常。

例如:

  • 应用P99从300毫秒升到2秒,数据库P99仍在40毫秒左右。
  • 数据库连接池等待为零,但应用工作线程队列持续增长。
  • 5xx和超时集中在某个接口,其他接口正常。
  • CPU主要消耗在应用进程,数据库进程没有同步变化。
  • 外部API或缓存服务延迟与应用慢请求时间重合。

因此,数据库监控正常并不能证明服务器整体正常,仍要检查请求追踪中的阶段耗时。

用同一时间轴形成判断

下面是一组用于解释判断过程的模拟数据,不代表任何实际监控结果。数值以示例和典型变化为目的,重点是指标之间的关系。

用同一时间轴形成判断配图

时间请求P95数据库语句P95活跃/已连接连接池等待CPUiowait磁盘await错误率
10:00 基线180 ms35 ms22/120<1%42%3%2 ms0.1%
10:06 慢查询示例980 ms410 ms58/1282%68%4%3 ms0.6%
10:12 连接数示例1100 ms55 ms24/29838%35%3%2 ms4.8%
10:18 I/O示例1400 ms600 ms64/1403%52%29%48 ms1.2%

对这组数据的判断过程如下:

  1. 10:06时,数据库语句P95和请求P95一起上升,连接池等待只有轻微变化,磁盘等待接近基线,优先检查高耗时SQL、扫描量、锁等待和CPU消耗。
  2. 10:12时,已连接数接近容量,连接池等待和错误率明显增加,但数据库语句P95接近正常,优先检查连接池上限、连接泄漏、连接创建失败和数据库连接上限。
  3. 10:18时,磁盘await、iowait、数据库语句P95和请求P95同时上升,连接数并未接近上限,优先定位数据库读写、日志刷盘、临时文件和其他磁盘竞争进程。

按六个步骤执行复核

第一步:建立观察窗口。 固定故障前、故障中、恢复后的时间范围,统一日志时区,记录请求量和发布、备份、批处理等事件。

第二步:确认第一个变化的指标。 判断是应用延迟先升高,还是数据库语句先变慢,还是连接池等待、磁盘队列先出现异常。先后顺序有助于区别根因和后果。

第三步:寻找第二个指标的联动。 慢查询要同时看语句耗时与扫描量、锁或CPU;连接数要同时看连接池等待与连接失败;I/O要同时看设备等待与数据库I/O等待。

第四步:排除替代解释。 检查内存和swap,确认磁盘是否被备份任务占用;检查网络RTT和重传,确认应用是否存在外部接口超时;检查发布记录,排除代码或配置变更。

第五步:形成带条件的判断。 不要只写“数据库很慢”,而应写成“10:06至10:10,查询P95与CPU同步上升、磁盘await保持基线,疑似计算型慢查询”;或“连接池等待和连接上限错误先于请求超时增加,数据库执行时间未明显变化,疑似连接容量问题”。

第六步:复测并比较同一组指标。 优化或调整后,使用相近请求量和相同观察粒度重新比较P95/P99、错误率、连接池等待、数据库语句耗时、CPU、内存、I/O和网络。只看到请求恢复而没有确认资源变化,不能判断问题是否真正消失。

下一次告警时应同时保留的指标组合

遇到响应变慢时,建议至少保留以下三组关联数据,而不是只截图一个面板:

  • 慢查询组合:接口P95/P99、数据库语句P95、调用次数、扫描行数、锁等待、CPU、磁盘await。
  • 连接数组合:已连接数、活跃连接数、连接池等待、连接创建失败、数据库连接上限、请求超时率。
  • I/O组合:磁盘读写吞吐、IOPS、await、队列长度、iowait、数据库读写等待、内存swap。
  • 网络与应用排除组合:DNS和TCP连接耗时、RTT、重传、应用线程队列、外部接口耗时、数据库实际执行时间。

这样得到的结论会从“某个指标超过了阈值”变成“某个指标先变化,另一个指标随后联动,其他解释未能对应上”。这正是区分慢查询、连接数瓶颈和磁盘I/O瓶颈时更可靠、也更容易复测的判断方式。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/8603.html

相关推荐