概述
使用 TiDB Ansible 部署 TiDB 集群，会同时部署一套 Grafana + Prometheus 的监控平台，这套监控用来收集和展示 TiDB 集群各个组件和机器的 metric 信息，这些 metric 信息非常丰富，可以帮助使用者分析 TiDB 集群的状态以及 Trouble shooting。随着使用经验的增多，我们积累了一些监控使用上的技巧，在这里分享给大家。
监控架构
Prometheus 是一个拥有多维度数据模型的、灵活的查询语句的时序数据库。Grafana 是一个开源的 metric 分析及可视化系统。
从 TiDB 2.1.3 版本开始，监控采用 pull 的方式，而之前采用的是 push 的方式，这是一个非常好的调整，它解决了几个问题：
- 之前如果 Prometheus 需要迁移，需要重启整个集群，因为组件要调整 push 的目标地址。
- 现在可以部署 2 套 Prometheus，防止监控的单点，因为 pull 的 source 端是可以多个。
- 去掉了
PushGateWay这个单点组件。
监控数据的来源与展示
TiDB 的 3 个核心组件（TiDB，TiKV，PD）可以通过 http 接口来获取 metric 数据，这些指标都是从程序代码中统计上传的，端口如下：
组件 | 端口 |
tidb-server | 10080 |
tikv-server | 20181 |
pd-server | 2379 |
用 tidb-server 举例，我们通过 http 接口，看一个 statement QPS 的 metric：
# 可以看到实时 qps 的数据，区分不同的 type，value 是 counter 类型的累计值（科学计数法）
curl http://__tidb_ip__:10080/metrics |grep tidb_executor_statement_total
tidb_executor_statement_total{type="Delete"} 520197
tidb_executor_statement_total{type="Explain"} 1
tidb_executor_statement_total{type="Insert"} 7.20799402e+08
tidb_executor_statement_total{type="Select"} 2.64983586e+08
tidb_executor_statement_total{type="Set"} 2.399075e+06
tidb_executor_statement_total{type="Show"} 500531
tidb_executor_statement_total{type="Use"} 466016 这个数据会在 Prometheus 存储下来，然后在 Grafana 展示，我们在面板上点击右键会出现 Edit 按钮（或直接按 e），如下图所示：
我们可以在 Metric 面板上，看到利用该 metric 的 query 表达式。
面板上一些细节的含义：
-
rate[1m]：表示 1 分钟的增长速率，只能用于 counter 类型的数据。 -
sum：表示 value 求和。 -
by type：表示将求和后的数据按 metric 的原始值中的 type 进行分组。 -
Legend format：表示指标名称的格式。 -
Resolution：默认打点步长是 15s，Resolution表示是否分解。
Prometheus 支持很多表达式与函数，更多表达式请参考官网页面（ https://prometheus.io/docs/prometheus/latest/querying）。
Grafana 使用技巧
技巧 1：查看所有维度并编辑表达式
如上一小节的例子，是按照 type 进行分组，是否还能用其他维度分组？如何能快速得知还有哪些维度呢？这里推荐的技巧是，在 query 的表达式上只用指标名称，不做任何计算，format 也留空，这样就能显示出原始的 metric 数据，比如下图能看到有 3 个维度（ instance 、 job 、 type ）。
得到 instance 这个维度后，我们调整表达式，在原有的 type 后面加上 instance 这个维度，调整 legend format 格式增加 {{instance}} ，就可以看到每个 tidb-server 上执行的不同类型 SQL 的 QPS 了。如下图：
技巧 2：调整 Y 轴标尺的计算方式
以 query duration 指标为例，默认的比例尺采用 2 的对数计算，显示上会将差距缩小。为了观察明显的变化，可以将比例尺改为线性，通过下面两张图，可以看到显示上的区别，明显的发现那个时刻有个 SQL 运行较慢。
当然也不是所有场景都适合用线性，比如观察 1 个月的性能趋势，用线性可能就会有很多噪点，不好观察。
提示：我们可以结合技巧 1，发现这里还有一个
sql_type的维度，可以立刻分析出是 select 慢还是 update 慢，并且可以分析出是在哪个 instance 上慢。
技巧 3：调整 Y 轴基线，放大变化
有一种情况：已经用了线性显示，还是看不出变化趋势。比如下图中，我们在扩容后想观察 Store size 的实时变化效果，由于基数较大，微弱的变化观察不到。这时我们可以将 Y 轴最小值从 0 改为 auto ，将上部放大，观察下面两张图的区别，可以观察到数据已开始迁移了。
技巧 4：标尺联动
在 Setting 面板中，有 Graph Tooltip 的设置，默认使用 Default 。
我们调整为 Shared crosshair 和 Shared Tooltip 分别试一下效果：可以看到标尺可以联动展示了，方便排查问题时，确认 2 个指标的关联性。
技巧 5：调整过滤项
PD 的 Dashboard，只展示当前 leader 的 metric 信息，有时候会想看一下历史上 pd-leader 当时的状况，但是 instance 下拉列表中不存在这个成员了，我们也可以手动输入 ip:2379 来看到当时的数据。
技巧 6：巧用 Avg 函数
通常默认图例中只有 Max 和 Current ，但有时指标波动较大时，我们可以增加 Avg 等其他汇总函数的图例，可以看一段时间的整体趋势。
技巧 7：使用 Prometheus 的 API 接口获得表达式的结果
Grafana 通过 Prometheus 的接口获取数据，我们也可以用该接口获取数据，这个用法可以扩散出很多功能：
- 自动化平台获取集群规模、状态等信息。
- 对表达式稍加改动给报表提供数据，如统计每天的 QPS 总量、每天的 QPS 峰值、每天响应时间的汇总。
- 将重要的指标进行定期健康巡检。
curl -u user:pass 'http://__grafana_ip__:3000/api/datasources/proxy/1/api/v1/query_range?query=sum(tikv_engine_size_bytes%7Binstancexxxxxxxxx20181%22%7D)%20by%20(instance)&start=1565879269&end=1565882869&step=30' |python -m json.tool
{
"data": {
"result": [
{
"metric": {
"instance": "xxxxxxxxxx:20181"
},
"values": [
[
1565879269,
"1006046235280"
],
[
1565879299,
"1006057877794"
],
[
1565879329,
"1006021550039"
],
[
1565879359,
"1006021550039"
],
[
1565882869,
"1006132630123"
]
]
}
],
"resultType": "matrix"
},
"status": "success"
}
总结
Grafana + Prometheus 是一套非常强大的组合，用好他们可以为我们的分析节省很多时间，提高效率，更重要的是能增加发现问题的可能性。在运维 TiDB 集群时，尤其数据量大的时候，这套工具能派上大用场。这里抛砖引玉，也希望大家也能提供一些技巧，一起共同学习。
