PgSQL · 实战经验 · 如何预测Freeze IO风暴

背景和原理

有没有被突发的IO惊到过，有没有见到过大量的autovacuum for prevent wrap。 
PostgreSQL 的版本冻结是一个比较蛋疼的事情，为什么要做版本冻结呢？ 
因为PG的版本号是uint32的，是重复使用的，所以每隔大约20亿个事务后，必须要冻结，否则记录会变成未来的，对当前事务”不可见”。 
冻结的事务号是2

src/include/access/transam.h
#define InvalidTransactionId            ((TransactionId) 0)
#define BootstrapTransactionId          ((TransactionId) 1)
#define FrozenTransactionId                     ((TransactionId) 2)
#define FirstNormalTransactionId        ((TransactionId) 3)
#define MaxTransactionId                        ((TransactionId) 0xFFFFFFFF)

现在，还可以通过行的t_infomask来区分行是否为冻结行

src/include/access/htup_details.h
/** information stored in t_infomask:*/
#define HEAP_XMIN_COMMITTED             0x0100  /* t_xmin committed */
#define HEAP_XMIN_INVALID               0x0200  /* t_xmin invalid/aborted */
#define HEAP_XMIN_FROZEN                (HEAP_XMIN_COMMITTED|HEAP_XMIN_INVALID)

表的最老事务号则是记录在pg_class.relfrozenxid里面的。

执行vacuum freeze table，除了修改t_infomask，还需要修改该表对应的pg_class.relfrozenxid的值。

那么系统什么时候会触发对表进行冻结呢？

当表的年龄大于autovacuum_freeze_max_age时（默认是2亿），autovacuum进程会自动对表进行freeze。 
freeze后，还可以清除掉比整个集群的最老事务号早的clog文件。 
那么可能会出现这样的情形： 
可能有很多大表的年龄会先后到达2亿，数据库的autovacuum会开始对这些表依次进行vacuum freeze，从而集中式的爆发大量的读IO（DATAFILE）和写IO（DATAFILE以及XLOG）。 
如果又碰上业务高峰，会出现很不好的影响。

为什么集中爆发Freeze很常见？ 
因为默认情况下，所有表的autovacuum_freeze_max_age是一样的，并且大多数的业务，一个事务或者相邻的事务都会涉及多个表的操作，所以这些大表的最老的事务号可能都是相差不大的。 
这样，就有非常大的概率导致很多表的年龄是相仿的，从而导致集中的爆发多表的autovacuum freeze。

PostgreSQL有什么机制能尽量的减少多个表的年龄相仿吗？ 
目前来看，有一个机制，也许能降低年龄相仿性，但是要求表有发生UPDATE，对于只有INSERT的表无效。 
vacuum_freeze_min_age 这个参数，当发生vacuum或者autovacuum时，扫过的记录，只要年龄大于它，就会置为freeze。因此有一定的概率可以促使频繁更新的表年龄不一致。

那么还有什么手段能放在或者尽量避免大表的年龄相仿呢？ 
为每个表设置不同的autovacuum_freeze_max_age值，从认为的错开来进行vacuum freeze的时机。 
例如有10个大表，把全局的autovacuum_freeze_max_age设置为5亿，然后针对这些表，从2亿开始每个表间隔1000万事务设置autovacuum_freeze_max_age。 如2亿，2.1亿，2.2亿，2.3亿，2.4亿….2.9亿。 
除非这些表同时达到 2亿，2.1亿，2.2亿，2.3亿，2.4亿….2.9亿。 否则不会出现同时需要vacuum freeze的情况。

但是，如果有很多大表，这样做可能就不太合适了。 
建议还是人为的在业务空闲时间，对大表进行vacuum freeze。

优化建议 
1. 分区，把大表分成小表。每个表的数据量取决于系统的IO能力，前面说了VACUUM FREEZE是扫全表的， 现代的硬件每个表建议不超过32GB。 
2. 对大表设置不同的vacuum年龄. alter table t set (autovacuum_freeze_max_age=xxxx); 
3. 用户自己调度 freeze，如在业务低谷的时间窗口，对年龄较大，数据量较大的表进行vacuum freeze。 
4. 年龄只能降到系统存在的最早的长事务即 min pg_stat_activity.（backend_xid, backend_xmin）。 因此也需要密切关注长事务。

讲完了Freeze的背景，接下来给大家讲讲如何预测Freeze IO风暴。

预测 IO 风暴

如何预测此类(prevent wrapped vacuum freeze) IO 风暴的来临呢？ 
首先需要测量几个维度的值。

1. 表的大小以及距离它需要被强制vacuum freeze prevent wrap的年龄
2. 每隔一段时间的XID值的采样（例如每分钟一次），采样越多越好，因为需要用于预测下一个时间窗口的XID。（其实就是每分钟消耗多少个事务号的数据）
3. 通过第二步得到的结果，预测下一个时间窗口的每分钟的pXID（可以使用线性回归来进行预测）
   预测方法这里不在细说，也可以参考我以前写的一些预测类的文章。

预测的结论包括”未来一段时间的总Freeze IO量，以及分时的Freeze IO量”。 
预测结果范例 
Freeze IO 时段总量 

Freeze IO 分时走势 

预测过程

• 每隔一段时间的XID值的采样（例如每分钟一次），采样越多越好，因为需要用于预测下一个时间窗口的XID。（其实就是每分钟消耗多少个事务号的数据）

vi xids.sh
#!/bin/bash
export PATH=/home/digoal/pgsql9.5/bin:$PATH
export PGHOST=127.0.0.1
export PGPORT=1921
export PGDATABASE=postgres
export PGUSER=postgres
export PGPASSWORD=postgrespsql -c "create table xids(crt_time timestamp, xids int8)"
for ((i=1;i>0;))
do
# 保留1个月的数据
psql -c "with a as (select ctid from xids order by crt_time desc limit 100 offset 43200) delete from xids where ctid in (select ctid from a);"
psql -c "insert into xids values (now(), txid_current());"
sleep 60
donechmod 500 xids.shnohup ./xids.sh >/dev/null 2>&1 &

采集1天的数据可能是这样的

postgres=# select * from xids ;crt_time          | xids 
----------------------------+------2016-06-12 12:36:13.201315 | 20202016-06-12 12:37:13.216002 | 90212016-06-12 12:38:13.240739 | 210222016-06-12 12:39:13.259203 | 320232016-06-12 12:40:13.300604 | 420242016-06-12 12:41:13.325874 | 520252016-06-12 12:42:13.361152 | 620262016-06-12 12:43:15.481609 | 72027
...

• 表的大小以及距离它需要被强制vacuum freeze prevent wrap的年龄(因为freeze是全集群的，所以需要把所有库得到的数据汇总到一起)

vi pred_io.sh#!/bin/bash
export PATH=/home/digoal/pgsql9.5/bin:$PATH
export PGHOST=127.0.0.1
export PGPORT=1921
export PGDATABASE=postgres
export PGUSER=postgres
export PGPASSWORD=postgrespsql -c "drop table pred_io; create table pred_io(crt_time timestamp, bytes int8, left_live int8);"
for db in `psql -A -t -q -c "select datname from pg_database where datname <> 'template0'"`
do
psql -d $db -c " copy (
select now(), bytes, case when max_age>age then max_age-age else 0 end as xids from 
(select block_size*relpages bytes, 
case when d_max_age is not null and d_max_age<max_age then d_max_age else max_age end as max_age,
age from
(select 
(select setting from pg_settings where name='block_size')::int8 as block_size, 
(select setting from pg_settings where name='autovacuum_freeze_max_age')::int8 as max_age, 
relpages, 
substring(reloptions::text,'autovacuum_freeze_max_age=(\d+)')::int8 as d_max_age,
age(relfrozenxid) age
from pg_class where relkind in ('r', 't')) t) t
) to stdout;" | psql -d $PGDATABASE -c "copy pred_io from stdin"
done. ./pred_io.sh

得到的数据可能是这样的

postgres=# select * from pred_io limit 10;crt_time          | bytes  | left_live 
----------------------------+--------+-----------2016-06-12 13:24:08.666995 | 131072 | 1999996722016-06-12 13:24:08.666995 |  65536 | 1999996722016-06-12 13:24:08.666995 |      0 | 1999996722016-06-12 13:24:08.666995 |      0 | 1999996722016-06-12 13:24:08.666995 |      0 | 1999996722016-06-12 13:24:08.666995 |      0 | 199999672
...

• 预测XIDs走势(略)，本文直接取昨天的同一时间点开始后的数据。

create view v_pred_xids as 
with b as (select min(crt_time) tbase from pred_io), a as (select crt_time + interval '1 day' as crt_time, xids from xids,b where crt_time >= b.tbase - interval '1 day')  
select crt_time, xids - (select min(xids) from a) as xids from a ;     

数据可能是这样的，预测未来分时的相对XIDs消耗量

          crt_time          | xids 
----------------------------+------2016-06-13 12:36:13.201315 |    02016-06-13 12:37:13.216002 |    1002016-06-13 12:38:13.240739 |    2002016-06-13 12:39:13.259203 |    3002016-06-13 12:40:13.300604 |    400

• 结合pred_io与v_pred_xids 进行 io风暴预测 
  基准视图，后面的数据通过这个基准视图得到

create view pred_tbased_io as
with a as (select crt_time, xids as s_xids, lead(xids) over(order by crt_time) as e_xids from v_pred_xids)
select a.crt_time, sum(b.bytes) bytes from a, pred_io b where b.left_live >=a.s_xids and b.left_live < a.e_xids group by a.crt_time order by a.crt_time;

未来一天的总freeze io bytes预测

postgres=# select min(crt_time),max(crt_time),sum(bytes) from pred_tbased_io ;min             |            max             |   sum    
----------------------------+----------------------------+----------2016-06-13 12:36:13.201315 | 2016-06-14 12:35:26.104025 | 19685376
(1 row)

未来一天的freeze io bytes分时走势 
得到的结果可能是这样的

postgres=# select * from pred_tbased_io ;crt_time          |  bytes   
----------------------------+----------2016-06-13 12:36:13.201315 |    655362016-06-13 12:37:13.216002 |   5816322016-06-13 12:38:13.240739 |        02016-06-13 12:39:13.259203 |        02016-06-13 12:40:13.300604 |        02016-06-13 12:41:13.325874 |        02016-06-13 12:43:15.481609 |   1064962016-06-13 12:43:24.133055 |     81922016-06-13 12:45:24.193318 |        02016-06-13 12:46:24.225559 |    163842016-06-13 12:48:24.296223 | 134348802016-06-13 12:49:24.325652 |    245762016-06-13 12:50:24.367232 |   4014082016-06-13 12:51:24.426199 |        02016-06-13 12:52:24.457375 |   393216
......

小结

预测主要用到哪些PostgreSQL的手段?

1. 线性回归
2. with语法
3. 窗口函数
4. xid分时消耗统计
5. 强制prevent wrap freeze vacuum的剩余XIDs统计