导读
可观测性已经成为分布式系统成功运行的关键组成部分。如何借助多样、全面的数据，让架构师更简单、高效地定位问题、分析问题、解决问题，已经成为业内的一个技术焦点。本系列文章将深入解读 TiDB 的关键参数，帮助大家更好地观测系统的状态，实现性能的优化提升。
本文为 TiDB 可观测性解读系列文章的第二篇，将探讨如何利用算子执行信息更准确地分析和诊断 SQL 性能。
你有没有遇到过这样的情况：同样模式的 SQL 语句，仅仅是日期参数或者函数的变化，最终返回的结果形式也都相同，性能却相差几十甚至上百倍。现实中遇到这样的问题，我们一般会运行 explain 语句，检查执行计划的变化情况。如果执行计划没有改变，如何进行进一步排查？
这种情况下，可以通过 explain analyze 语句来深入查看算子的实际运行情况。本文将结合实际案例和常见问题，探讨如何利用算子执行信息更准确地分析和诊断 SQL 性能。
通常我们可以用 explain analyze 语句获得算子执行信息。 explain analyze 会实际执行对应的 SQL 语句，同时记录其运行时信息，和执行计划一并返回出来，记录的信息包括： actRows 、 execution info 、 memory 、 disk 。
不同算子的 execution info 可以通过 TiDB 文档 ( https://docs.pingcap.com/zh/tidb/stable/sql-statement-explain-analyze )了解。这些信息是研发人员在长期的性能问题定位中，总结提炼出来的指标，值得每一个想对 TiDB SQL 性能诊断有深入研究的同学阅读。
有时候一些 SQL 的性能问题是偶发的，这会增加我们直接使用 explain analyze 来分析的难度。这时候我们还需要借助慢日志功能来获取有效的算子执行信息。通常，我们可以通过 TiDB Dashboard 的慢日志查询 ( https://docs.pingcap.com/zh/tidb/stable/dashboard-overview#最近的慢查询 )页面，快速定位并查询到问题 SQL 的详细执行信息。
接下来，我们将通过一些具体案例来探讨相关问题。请注意，以下案例中的执行计划大多直接来源于生产环境(做了脱敏处理)，由于本地难以复现这些场景，版本难以统一。但版本差异并不影响问题诊断和分析的完整性，本文主要探讨诊断问题的思路和方法。
查询延时抖动
实际案例
以一个客户遇到过的点查询性能抖动问题为例，点查询的延迟偶尔会超过 2s。我们先通过慢日志查询，定位到某次查询的算子执行信息：
mysql>
explain
analyze
select *
from t0
where col0 =
100
and col1 =
'A';
+
---------------------+---------+---------+-----------+---------------------------------------------+---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+---------------+---------+------+
| id | estRows | actRows | task | access object | execution info | operator info | memory | disk |
+
---------------------+---------+---------+-----------+---------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+--------------------------------------------------------------+---------------+---------+------+
| Point_Get_1 | 1 | 1 | root | table:t0, index:uniq_col0_col1 | time:2.52s, loops:2, ResolveLock:{num_rpc:1, total_time:2.52s}, Get:{num_rpc:3, total_time:2.2ms}, txnNotFound_backoff:{num:12, total_time:2.51s}, tikv_wall_time: 322.8us, scan_detail: {total_process_keys: 2, total_process_keys_size: 825, total_keys: 9, get_snapshot_time: 18us, rocksdb: {delete_skipped_count: 3, key_skipped_count: 14, block: {cache_hit_count: 16}}} | N/A | N/A | N/A |
+
---------------------+---------+---------+-----------+---------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+--------------------------------------------------------------+---------------+---------+------+
诊断分析
首先，我们看到查询中只有一个 Point_Get_1 算子，其 execution info 中记录的执行时间为 2.52s 。这说明执行时间被完整记录了下来。
进一步查看 execution info ，我们注意到其中包含 ResolveLock 项。这一项的细节显示，总的执行时间为 2.52s ，这意味着查询的绝大部分时间都花在了 resolve lock 操作上。与此同时，实际的 Get 统计项显示总时间为 2.2ms ，这表明获取数据本身几乎不耗时。
此外，还有一个 txnNotFound_backoff 项，它记录了因残留事务触发的重试信息。这里显示总共进行了 12 次重试 ，累计耗时 2.51s ，与 ResolveLock 项的 2.52s 基本一致。因此，我们可以初步推测：点查询可能读取到了残留事务的锁，尝试 resolve lock 时发现锁已过期，进而触发了锁清理操作，这一过程导致了较高的查询延迟。
接下来，我们可以通过监控数据进一步验证这一推测：
算子并发度
实际问题
系统中设置了 tidb_executor_concurrency 为 5 以控制算子的并发度；同时设置了 tidb_distsql_scan_concurrency 为 15，用于限制每个读取算子的最大线程数。那么，在下述执行计划中， cop_task 和 tikv_task 是如何与这两个参数相对应的呢？
mysql>
explain
analyze
select *
from t0
where c
like
'2147%';
+
-------------------------------+---------+---------+-----------+-------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+-----------------------------------------+---------+------+
| id | estRows | actRows | task | access object | execution info | operator info | memory | disk |
+
-------------------------------+---------+---------+-----------+-------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+-----------------------------------------+---------+------+
| IndexLookUp_10 | 3.82 | 99 | root | | time:2.83ms, loops:2, index_task: {total_time: 733.8µs, fetch_handle: 727.9µs, build: 806ns, wait: 5.14µs}, table_task: {total_time: 1.96ms, num: 1, concurrency: 5}, next: {wait_index: 821µs, wait_table_lookup_build: 108.2µs, wait_table_lookup_resp: 1.85ms} | | 41.0 KB | N/A |
| ├─IndexRangeScan_8(Build) | 3.82 | 99 | cop[tikv] | table:t0, index:idx_c(c) | time:719.1µs, loops:3, cop_task: {num: 1, max: 650µs, proc_keys: 99, rpc_num: 1, rpc_time: 625.7µs, copr_cache_hit_ratio: 0.00, distsql_concurrency: 15}, tikv_task:{time:0s, loops:3}, scan_detail: {total_process_keys: 99, total_process_keys_size: 18810, total_keys: 100, get_snapshot_time: 102µs, rocksdb: {key_skipped_count: 99, block: {cache_hit_count: 3}}} | range:["2147","2148"), keep order:false | N/A | N/A |
| └─TableRowIDScan_9(Probe) | 3.82 | 99 | cop[tikv] | table:t0 | time:1.83ms, loops:2, cop_task: {num: 4, max: 736.9µs, min: 532.6µs, avg: 599µs, p95: 736.9µs, max_proc_keys: 44, p95_proc_keys: 44, rpc_num: 4, rpc_time: 2.32ms, copr_cache_hit_ratio: 0.00, distsql_concurrency: 15}, tikv_task:{proc max:0s, min:0s, avg: 0s, p80:0s, p95:0s, iters:5, tasks:4}, scan_detail: {total_process_keys: 99, total_process_keys_size: 22176, total_keys: 99, get_snapshot_time: 217.3µs, rocksdb: {block: {cache_hit_count: 201}}} | keep order:false | N/A | N/A |
+
-------------------------------+---------+---------+-----------+-------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+-----------------------------------------+---------+------+
3 rows in
set (
0.00 sec)
问题分析
我们正好借这个例子解释下执行信息中 cop_task 和 tikv_task 项的关系以及 cop task 的实际执行并发度。
cop_task 和 tikv_task 的关系
首先需要明确， execution info 中的各类 xxx_task 和执行计划中的 “ t ask ” 列并不是同一个概念。
例如，在执行计划中， task 列的类别分别为 " root "、" cop[tikv] " 等。它既描述了算子实际在哪个组件执行（如 TiDB、TiKV 或 TiFlash），又进一步说明了其与存储引擎的通信协议类型（如 Coprocessor、Batch Coprocessor 或 MPP）。
相比之下， execution info 中的各类 task 更多是从不同维度对算子执行信息进行拆解，以便用户快速定位潜在性能问题，并通过不同维度的信息进行相互印证。具体来说：
tikv_task 描述的是某个具体 TiKV 算子的整体执行情况；
cop_task 描述的是整个 RPC 任务的执行情况，它包含了 tikv_ task 。例如，一个 cop_task 可能包含 tableScan + Selection 两个算子，每个算子都有自己的 tikv_task 信息来描述其执行情况；而 cop_task 则描述了整个 RPC 请求的执行信息，其时间涵盖了这两个算子的执行时间。
类似地，在 MPP 查询中， execution info 中的 tiflash_task 统计项描述了某个具体 TiFlash 算子的整体执行情况：
+
------------------------------+-------------+----------+--------------+----------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------+-----------+---------+
| id | estRows | actRows | task | access object | execution info | operator info | memory | disk |
+
------------------------------+-------------+----------+--------------+----------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------+-----------+---------+
| HashAgg_22 | 1.00 | 1 | root | | time:17ms, open:1.92ms, close:4.83µs, loops:2, RU:1832.08, partial_worker:{wall_time:15.055084ms, concurrency:5, task_num:1, tot_wait:15.017625ms, tot_exec:12.333µs, tot_time:75.203959ms, max:15.042667ms, p95:15.042667ms}, final_worker:{wall_time:15.079958ms, concurrency:5, task_num:5, tot_wait:1.414µs, tot_exec:41ns, tot_time:75.277708ms, max:15.060375ms, p95:15.060375ms} | funcs:count(Column
#19)->Column#17 | 6.23 KB | 0 Bytes |
| └─TableReader_24 | 1.00 | 1 | root | | time:16.9ms, open:1.9ms, close:3.46µs, loops:2, cop_task: {num: 2, max: 0s, min: 0s, avg: 0s, p95: 0s, copr_cache_hit_ratio: 0.00} | MppVersion: 3, data:ExchangeSender_23 | 673 Bytes | N/A |
| └─ExchangeSender_23 | 1.00 | 1 | mpp[tiflash] | | tiflash_task:{time:13.1ms, loops:1, threads:1}, tiflash_network: {inner_zone_send_bytes: 24} | ExchangeType: PassThrough | N/A | N/A |
| └─HashAgg_9 | 1.00 | 1 | mpp[tiflash] | | tiflash_task:{time:13.1ms, loops:1, threads:1} | funcs:count(test.lineitem.L_RETURNFLAG)->Column
#19 | N/A | N/A |
| └─TableFullScan_21 | 11997996.00 | 11997996 | mpp[tiflash] | table:lineitem | tiflash_task:{time:12.8ms, loops:193, threads:12}, tiflash_scan:{mvcc_input_rows:0, mvcc_input_bytes:0, mvcc_output_rows:0, local_regions:10, remote_regions:0, tot_learner_read:0ms, region_balance:{instance_num: 1, max/min: 10/10=1.000000}, delta_rows:0, delta_bytes:0, segments:20, stale_read_regions:0, tot_build_snapshot:0ms, tot_build_bitmap:0ms, tot_build_inputstream:15ms, min_local_stream:10ms, max_local_stream:11ms, dtfile:{data_scanned_rows:11997996, data_skipped_rows:0, mvcc_scanned_rows:0, mvcc_skipped_rows:0, lm_filter_scanned_rows:0, lm_filter_skipped_rows:0, tot_rs_index_check:3ms, tot_read:53ms}} | keep order:false | N/A | N/A |
+
------------------------------+-------------+----------+--------------+----------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------+-----------+---------+
cop task 的执行并发度
首先，我们来看执行计划。 IndexLookUp_10 是一个 root 算子 。我们知道， IndexLookUp 算子主要执行两个步骤：一是通过索引获取目标行的 rowid ；二是根据 rowid 读取所需的列数据。在 IndexLookUp_10 的 execution info 中， index_task 和 table_task 的细节被分别列出。显然， index_task 对应的是 IndexRangeScan_8 算子，而 table_task 对应的是 TableRowIDScan_9 算子。
从并发度的角度来看， index_task 没有显示并发信息，这意味着 IndexRangeScan_8 算子本身的并发度默认为 1 。然而， IndexRangeScan_8 的 cop_task 的 distsql_concurrency 为 15 （由 tidb_distsql_scan_concurrency 参数决定），这意味着理论上它可以并发执行 15 个 cop task 来读取数据。
对于 table_task ，其并发度为 5 （由 tidb_executor_concurrency 参数决定），表示最多可以同时运行 5 个 TableRowIDScan_9 算子 。而 TableRowIDScan_9 的 cop_task 的 distsql_concurrency 同样为 15 （由 tidb_distsql_scan_concurrency 决定）。因此， table_task 的最大并发读取能力为 5 × 15 = 75 个 cop task 。
max 换成 min，慢了好几十倍
一条对索引列求 max 值的 SQL 花费 100 毫秒左右，换成求 min 值，却需要花费 8s 多时间，这是他们 explain analyze 的信息：
mysql>
explain
analyze
select
max(time_a)
from t0
limit
1;
+
--------------------------------+---------+---------+-----------+----------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------+-----------+------+
| id | estRows | actRows | task | access object | execution info | operator info | memory | disk |
+
--------------------------------+---------+---------+-----------+----------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------+-----------+------+
| Limit_14 | 1.00. | 1 | root | | time:2.328901ms, loops:2 | offset:0, count:1 | N/A | N/A |
| └─StreamAgg_19 | 1.00 | 1 | root | | time:2.328897ms, loops:1 | funcs:max(t0.time_a)->Column
#18 | 128 Bytes | N/A |
| └─Limit_39 | 1.00 | 1 | root | | time:2.324137ms, loops:2 | offset:0, count:1 | N/A | N/A |
| └─IndexReader_45 | 1.00 | 1 | root | | time:2.322215ms, loops:1, cop_task: {num: 1, max:2.231389ms, proc_keys: 32, rpc_num: 1, rpc_time: 2.221023ms, copr_cache_hit_ratio: 0.00} | index:Limit_26 | 461 Bytes | N/A |
| └─Limit_44 | 1.00 | 1 | cop[tikv] | | time:0ns, loops:0, tikv_task:{time:2ms, loops:1} | offset:0, count:1 | N/A | N/A |
| └─IndexFullScan_31 | 1.00 | 32 | cop[tikv] | table:t0, index:time_a(time_a) | time:0ns, loops:0, tikv_task:{time:2ms, loops:1} | keep order:true, desc | N/A | N/A |
+
------------------------------+---------+---------+-----------+----------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------+-----------+------+
6 rows in
set (
0.12 sec)
mysql>
explain
analyze
select
min(time_a)
from t0
limit
1;
+
--------------------------------+---------+---------+-----------+----------------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------+-----------------+------+
| id | estRows | actRows | task | access object | execution info | operator info | memory | disk |
+
--------------------------------+---------+---------+-----------+----------------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------+-----------------+------+
| Limit_14 | 1.00 | 1 | root | | time:8.263857153s, loops:2 | offset:0, count:1 | N/A | N/A |
| └─StreamAgg_19 | 1.00 | 1 | root | | time:8.26385598s, loops:1 | funcs:min(t0.time_a)->Column
#18 | 128 Bytes | N/A |
| └─Limit_39 | 1.00 | 1 | root | | time:8.263848289s, loops:2 | offset:0, count:1 | N/A | N/A |
| └─IndexReader_45 | 1.00 | 1 | root | | time:8.26384652s, loops:1, cop_task: {num: 175, max: 1.955114915s, min: 737.989μs, avg: 603.631575ms, p95: 1.161411687s, max_proc_keys: 480000, p95_proc_keys: 480000, tot_proc: 1m44.809s, tot_wait: 361ms, rpc_num: 175, rpc_time: 1m45.632904647s, copr_cache_hit_ratio: 0.00} | index:Limit_44 | 6.6025390625 KB | N/A |
| └─Limit_44 | 1.00 | 1 | cop[tikv] | | time:0ns, loops:0, tikv_task:{proc max:1.955s, min:0s, p80:784ms, p95:1.118s, iters:175, tasks:175} | offset:0, count:1 | N/A | N/A |
| └─IndexFullScan_31 | 1.00 | 32 | cop[tikv] | table:t0, index:time_a(time_a) | time:0ns, loops:0, tikv_task:{proc max:1.955s, min:0s, p80:784ms, p95:1.118s, iters:175, tasks:175} | keep order:true | N/A | N/A |
+
--------------------------------+---------+---------+-----------+----------------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------+-----------------+------+
6 rows in
set (
8.38 sec)
诊断分析
使用算子执行信息进行性能诊断时，我们一般先从上到下看每个算子本身（即去除掉等待子算子数据的时间后）的执行时间，再去寻找对整个查询性能影响最大的算子，以下为算子执行时间的计算方法：
单子算子的算子执行时间
以下是不同类型算子的执行时间计算方法：
1. 类型为 "root" 的算子
可以直接用该算子的执行时间减去其子算子的执行时间，得到该算子本身的处理时间。
2. 类型为 "cop[tikv]" 的算子
执行信息中包含 tikv_task 统计项。可以通过以下公式估算包含等待子算子数据的执行时间：
估算执行时间 = avg × tasks / concurrency
然后，再从该时间中减去子算子的执行时间，得到该算子的实际处理时间。
3. 类型为 "mpp[tiflash]"、"cop[tiflash]" 或 "batchcop[tiflash]" 的算子
执行信息中包含 tiflash_task 统计项。通常可以用 proc max 减去子算子的 proc max ，得到该算子的处理时间。这是因为对于 TiFlash 任务，可以简单理解为同一条查询的所有 TiFlash 任务是同时开始执行的。
注意： 对于 ExchangeSender 算子，其执行时间包含了等待数据被上层 ExchangeReceiver 算子接收的时间，因此往往会大于上层 ExchangeReceiver 读取内存数据的时间。
多子算子的算子执行时间
对于包含多个子算子的复合算子，其 execution info 中通常会详细列出各个子算子的执行信息。例如，在 IndexLookUp 算子的执行信息中，会明确包含 index_task 和 table_task 的执行细节。通过分析这些子算子的执行信息，我们可以精准判断哪个子算子对整体性能的影响更大，从而更有针对性地进行优化。
在这个例子中，我们可以看出 IndexReader_45 是对性能影响最大的关键算子。对比其两次执行信息可以发现， cop task 的数量存在显著差异：在“max”场景下，仅有 1 个 cop task ；而在“min”场景下，却有 175 个 cop task 。同时， proc_keys 的数量也从 32 增加到了 480,000 。
从 "operator info" 列的标记来看，“max”场景中读取顺序为降序（ keep order, desc ），即从大到小读取；而“min”场景中则是默认的升序（ keep order ）。由此可以推测：优化器根据聚合函数的类型，对索引的读取顺序进行了优化——在“max”场景中采用降序读取，而在“min”场景中采用升序读取。这种优化策略的初衷是尽快找到第一条满足条件的数据。
在“min”场景中，最小的 keys 附近恰好存在大量已被删除但尚未回收的 keys。因此，系统在读取过程中不得不扫描大量无用数据，直到最终找到第一条有效数据，这导致了显著的性能开销。
换个日期，查询慢了 160 倍还没跑出来
这是另一个客户的实际案例：查询 12 月 20 日 数据的 SQL 语句仅耗时 25 分钟便完成，而查询 12 月 21 日 数据的 SQL 语句却运行了超过 40 小时仍未完成，最终只能手动终止。以下是这两条 SQL 语句及其对应的执行信息：
【12.20日】
explain
analyze
INSERT
INTO t1 (col0, col1)
SELECT
str_to_date(
'20241219',
'%Y%m%d')
AS col0,
count(
1)
FROM t0
WHERE
col0 =
str_to_date(
'20241219',
'%Y%m%d')
AND col2 =
'1';
+
-------------------------------------+-----------+-------------+-----------+-------------------------------------------------------------------------------------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------+------+
| id | task | estRows | actRows | operator info | execution info | memory | disk |
+
-------------------------------------+-----------+-------------+-----------+-------------------------------------------------------------------------------------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------+------+
| Insert_1 | root | 0 | 0 | N/A | time:25m21.1s, loops:1,
prepare:
25m21
.1s,
insert:
62.2µs, lock_keys: {
time:
3.28ms, region:
1,
keys:
1, slowest_rpc: {total:
0.003s, region_id:
615664606,
store:
214.194
.4
.93:
20160, tikv_wall_time:
230.1µs}, lock_rpc:
2.811716ms, rpc_count:
1} |
29.2 KB | N/A |
| └─Projection_7 | root |
1 |
1 | col0 ->
Column
#209, Column#208 | time:25m21.1s, loops:2, Concurrency:OFF | 380 Bytes| N/A |
| └─HashAgg_16 | root |
1 |
1 | funcs:
count(
Column
#215) -> Column#208 | time:25m21.1s, loops:2, partial_worker:{wall_time:25m21.069799539s, concurrency:5, task_num:82364, tot_wait:2h6m36.573780845s, tot_exec:8.745753026s, tot_time:2h6m45.348679761s, max:25m21.069763913s, p95:25m21.069763913s}, final_worker:{wall_time:25m21.069835493s, concurrency:5, task_num:5, tot_wait:2h6m45.348923309s, tot_exec:18.591µs, tot_time:2h6m45.348944905s, max:25m21.069801614s, p95:25m21.069801614s} | 260.2 KB | N/A |
| └─IndexLookUp_17 | root |
1 |
84339969 | N/A |
time:
25m19
.4s, loops:
82365, index_task: {total_time:
25m20
.7s, fetch_handle:
7m18
.7s,
build:
23.5ms,
wait:
18m2s}, table_task: {total_time:
2h6m24
.2s,
num:
5813, concurrency:
5},
next: {wait_index:
7.63ms, wait_table_lookup_build:
5.74s, wait_table_lookup_resp:
25m10
.7s} |
52.6 MB | N/A |
| ├─IndexRangeScan_13(
Build) | cop[tikv] |
59335552.00 |
118921714 |
table:t0,
index:idx_index0(col0, col3, col4),
range:[
2024
-12
-19,
2024
-12
-19],
keep
order:
false, stats:pseudo |
time:
1m0
.5s, loops:
116574, cop_task: {
num:
3457,
max:
359.8ms,
min:
1.13ms,
avg:
51.7ms, p95:
121.5ms, max_proc_keys:
50144, p95_proc_keys:
50144, tot_proc:
1m54s, tot_wait:
373ms, rpc_num:
3458, rpc_time:
2m58
.7s, copr_cache_hit_ratio:
0.00, distsql_concurrency:
15}, backoff{regionMiss:
2ms}, scan_detail: {total_process_keys:
118921714, total_process_keys_size:
14309548264, total_keys:
119003503, get_snapshot_time:
635.1ms, rocksdb: {key_skipped_count:
120441534,
block: {cache_hit_count:
212755, read_count:
23658, read_byte:
538.1 MB, read_time:
179.2ms}}} | N/A | N/A |
| └─HashAgg_9(Probe) | cop[tikv] |
1 |
84339969 | funcs:
count(
1) ->
Column
#215 | time:1h47m18.5s, loops:90847, cop_task: {num: 91439604, max: 4.05s, min: 450µs, avg: 2.5ms, p95: 9.62ms, max_proc_keys: 9094, p95_proc_keys: 2, tot_proc: 3m46.3s, tot_wait: 1h36m3.1s, rpc_num: 91439649, rpc_time: 61h20m32.2s, copr_cache_hit_ratio: 0.00, distsql_concurrency: 15}, backoff{regionMiss: 86ms}, scan_detail: {total_process_keys: 118921714, total_process_keys_size: 272099421438, total_keys: 353720316, get_snapshot_time: 3h23m51s, rocksdb: {delete_skipped_count: 4, key_skipped_count: 234799057, block: {cache_hit_count: 2970751374, read_count: 15457191, read_byte: 268.8 GB, read_time: 4m11.8s}}} | N/A | N/A |
| └─Selection_15 | cop[tikv] |
59335.55 |
110035144 | eq(t0.col2,
"1") | tikv_task:{proc
max:
321ms,
min:
0s,
avg:
193.5µs, p80:
0s, p95:
0s, iters:
91440577, tasks:
91439604} | N/A | N/A |
| └─TableRowIDScan_14 | cop[tikv] |
59335552.00 |
118921714 |
table:t0,
keep
order:
false, stats:pseudo | tikv_task:{proc
max:
321ms,
min:
0s,
avg:
183.3µs, p80:
0s, p95:
0s, iters:
91440577, tasks:
91439604} | N/A | N/A |
+
------------------------+-----------+------------+--------------------------------------------------+------------------------------------------------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------+------+
【
12.21日】
explain
analyze
INSERT
INTO t1 (col0, col1)
SELECT
str_to_date(
'20241220',
'%Y%m%d')
AS col0,
count(
1)
FROM t0
WHERE
col0 =
str_to_date(
'20241220',
'%Y%m%d')
AND col2 =
'1';
+
-------------------------------------+-----------+-------------+-----------+-------------------------------------------------------------------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------+------+
| id | task | estRows | actRows | operator info | execution info | memory | disk |
+
-------------------------------------+-----------+-------------+-----------+-------------------------------------------------------------------------------------------------------------+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------+------+
| Insert_1 | root | 0 | 0 | N/A | time:40h30m50.9s, loops:1 | 0 Bytes | N/A |
| └─Projection_7 | root | 1 | 0 | col0 -> Column
#209, Column#208 | time:40h30m50.9s, loops:1, Concurrency:OFF | 8.24 KB | N/A |
| └─HashAgg_16 | root | 1 | 0 | funcs:count(Column
#215) -> Column#208 | time:40h30m50.9s, loops:1, partial_worker:{wall_time:40h30m50.867278633s, concurrency:5, task_num:141733, tot_wait:202h33m46.814913611s, tot_exec:27.470849055s, tot_time:202h34m14.336192096s, max:40h30m50.867251785s, p95:40h30m50.867251785s}, final_worker:{wall_time:40h30m50.867835193s, concurrency:5, task_num:5, tot_wait:202h34m14.336323864s, tot_exec:587.154µs, tot_time:202h34m14.336916359s, max:40h30m50.867823183s, p95:40h30m50.867823183s} | 253.9 KB | N/A |
| └─IndexLookUp_17 | root | 1 | 145134747 | N/A | time:40h30m44.5s, loops:141734, index_task: {total_time: 40h30m50.8s, fetch_handle: 1h26m6.1s, build: 53.4ms, wait: 39h4m44.7s}, table_task: {total_time: 202h30m18s, num: 10576, concurrency: 5}, next: {wait_index: 38.7ms, wait_table_lookup_build: 16m5.5s, wait_table_lookup_resp: 35h58m38.1s} | 54.1 MB | N/A |
| ├─IndexRangeScan_13(Build) | cop[tikv] | 59418221.51 | 216452387 | table:t0, index:idx_index0(col0, col3, col4), range:[2024-12-20,2024-12-20], keep order:false, stats:pseudo | time:1h10m20.7s, loops:212130, cop_task: {num: 6031, max: 4.3s, min: 1.25ms, avg: 68.2ms, p95: 157.5ms, max_proc_keys: 50144, p95_proc_keys: 50144, tot_proc: 4m2.6s, tot_wait: 1.72s, rpc_num: 6032, rpc_time: 6m51.3s, copr_cache_hit_ratio: 0.00, distsql_concurrency: 15}, backoff{regionMiss: 4.01s}, tikv_task:{proc max:240ms, min:0s, avg: 35ms, p80:52ms, p95:60ms, iters:235427, tasks:6031}, scan_detail: {total_process_keys: 216452387, total_process_keys_size: 26106920846, total_keys: 216513446, get_snapshot_time: 1.82s, rocksdb: {key_skipped_count: 217250001, block: {cache_hit_count: 85194, read_count: 336650, read_byte: 5.71 GB, read_time: 2.59s}}} | N/A | N/A |
| └─HashAgg_9(Probe) | cop[tikv] | 1 | 145183684 | funcs:count(1) -> Column
#215 | time:200h6m9.4s, loops:157469, cop_task: {num: 152652462, max: 5.48s, min: 428.9µs, avg: 3.46ms, p95: 9.78ms, max_proc_keys: 9041, p95_proc_keys: 3, tot_proc: 3h59m54.1s, tot_wait: 9h5m23.6s, rpc_num: 152657420, rpc_time: 138h15m0.2s, copr_cache_hit_ratio: 0.00, distsql_concurrency: 15}, backoff{regionMiss: 5.94s}, tikv_task:{proc max:468ms, min:0s, avg: 494.8µs, p80:0s, p95:4ms, iters:152653501, tasks:152652462}, scan_detail: {total_process_keys: 216364520, total_process_keys_size: 340485612010, total_keys: 490792535, get_snapshot_time: 12h12m26.1s, rocksdb: {delete_skipped_count: 1944, key_skipped_count: 274430096, block: {cache_hit_count: 5855418083, read_count: 285117868, read_byte: 4977.3 GB, read_time: 4h18m23.9s}}} | N/A | N/A |
| └─Selection_15 | cop[tikv] | 59418.22 | 207051411 | eq(t0.col2, "1") | tikv_task:{proc max:1.3s, min:0s, avg: 489.8µs, p80:0s, p95:4ms, iters:152653501, tasks:152652462} | N/A | N/A |
| └─TableRowIDScan_14 | cop[tikv] | 59418221.51 | 232766720 | table:t0, keep order:false, stats:pseudo | tikv_task:{proc max:1.3s, min:0s, avg: 478.8µs, p80:0s, p95:4ms, iters:152653501, tasks:152652462} | N/A | N/A |
+
------------------------+-----------+------------+--------------------------------------------------+------------------------------------------------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+----------+------+
诊断分析
首先对比两次查询的执行计划，确认执行计划未发生跳变。接着，我们从上至下逐一分析，找出两次查询中主要执行时间差异的来源。可以看到， Insert_1 、 Projection_7 和 HashAgg_16 的执行时间均在秒级，因此可以排除这些算子的嫌疑。
重点聚焦于 IndexLookUp 算子。在 12 月 21 日的查询中， index_task 的总耗时为 40 小时，但实际获取 rowid 的时间仅为 1 个多小时，其余时间主要消耗在等待 table_task 读取表数据上，具体为 wait ：39h4m44.7s。
进一步查看 table_task 的执行细节，以下两个信息值得关注： total_time ：202h30m18s 和 concurrency ：5。计算可得，平均每个并发任务的耗时为 202h / 5 = 40.4h ，与 IndexLookUp 的 总耗时基本一致。因此，基本可以确定问题出在 table_task 上，即对应的 HashAgg_9 算子。
在 HashAgg_9 算子的 execution info 中，主要包含以下关键信息：
time: 200h6m9.4s, loops: 157469
"cop[tikv]"：该算子的任务类型为TiKV，表明其实际在walltime上执行。这里的执行时间反映了 TiDB 等待和读取 Coprocessor 任务返回数据的总耗时。需要注意的是，这个时间并不是实际的5，而是多个并发任务的执行时间累加而成。由于 table_task 的并发度为walltime，因此实际算子的200h / 5 = 40h大约为to tal_t ime，与总耗时一致。从 TiDB 9.0 版本开始，我们将这种并发执行时间的统计项名称改为walltime，以便与真正的区分开来。cop_task
cop task: 此部分信息描述了向 TiKV 发送rpc_time的执行情况。其中，distsql_concurrency和是两个关键指标：
rpc_time
cop task是 TiDB 端记录的从发送到接收结果的总耗时。distsql_concurrency
table_task是单个cop_task发送table_task的并发度。由于5的并发度为cop task，因此整体的5 × 15 = 75并发度为。
根据这两个指标，我们可以推算出 cop task 的实际 walltime 大约为 138h / 75 ≈ 1.8h，与整体的 40h 相比，占比并不高。
backoff
：这部分描述了 cop task 发送失败时重试的时间。tikv_task
：这部分是描述的 HashAgg_9 这个算子在 TiKV 上的执行信息，实际时间并不多。sc an_detail
：描述了 TiKV 从 RocksDB 读取数据的信息统计，由于 tikv_task 推算出算子总执行时间并不长，所以这部分信息不影响总体性能。
综合上述信息可以发现，
的总执行时间并非主要消耗在
cop task
的执行上，而更可能是花费在从
cop task response
中读取数据的过程中。结合 CPU profiling 的结果，可以看到 Go runtime 的 GC（垃圾回收）占用了大约
80%
的 CPU 时间。
HashAgg_9
进一步观察 heap profiling 的结果，可以最终确认问题根源是 issue44047 ( https://github.com/pingcap/tidb/issues/44047 )：此前，TiDB 为了精确统计 cop task 的 p90 等指标，会缓存所有 cop task 的执行信息。当 cop task 数量极为庞大时，这会导致 TiDB 内存紧张，进而频繁触发 Go 的 GC（垃圾回收），最终引发性能异常。该问题已经在 TiDB 6.5 版本中修复。
在 TiDB 9.0 版本中，我们将进一步丰富算子执行信息，提升系统的可观测性，具体改进包括：
1. 算子执行时间的细化
在 9.0 版本中，TiDB 算子的执行信息新增了 open 和 close 时间。此前，执行信息中的 time 并未涵盖算子初始化和结束执行的时间，这可能导致执行时间显著低于实际耗时（如 issue50377 ( https://github.com/pingcap/tidb/issues/50377 ) 和 issue55957 ( https://github.com/pingcap/tidb/issues/55957 )）。在 9.0 版本中， ti me 被修正为从进入算子到离开算子的完整 wall time ，包括所有子算子的执行时间。其中：
-
open ：表示算子初始化所需的时间。
-
close ：表示从算子处理完所有数据到完全结束的时间。
-
time 包含了 open 和 close 的时间。
2. 并发执行时间的区分
当算子存在多并发执行时，此前的 execution info 中显示的是并发任务的 wall time 累加值，这可能导致子算子的执行时间大于父算子的执行时间（如 issue56746 ( https://github.com/pingcap/tidb/issues/56746 )），容易引起混淆。在 9.0 版本中，这些累加的时间信息（如 time 、 open 和 close ）将被替换为 total_time 、 total_open 和 total_close ，以更清晰地反映并发执行的真实耗时。
3. TiFlash 执行中的等待时间信息补充
在 TiFlash 的执行信息中，新增了以下等待时间的统计：
-
minTSO_wait ：记录 MPP Task 等待 TiFlash MinTSO 调度器调度的时间。
-
pipeline_breaker_wait ：在 TiFlash 的 Pipeline 执行模型中，记录包含 pipeline breaker 算子的 pipeline 等待上游 pipeline 数据的时间。目前主要用于展示包含 Join 算子的 pipeline 等待哈希表构建完成的时间。
-
pipeline_queue_wait ：在 TiFlash 的 Pipeline 执行模型中，记录 pipeline 在 CPU Task Thread Pool 和 IO Task Thread Pool 中的等待时间。
通过这些改进，TiDB 9.0 版本将为用户提供更全面、更准确的执行信息，帮助更好地诊断和优化查询性能。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69994146/viewspace-3079336/ ，如需转载，请注明出处，否则将追究法律责任。
最新文章
- 从企业数智化四阶段解读 TiDB 场景价值
- PingCAP“一号员工”唐刘：回顾我与 TiDB 的十年成长之旅
- APTSell x TiDB AutoFlow：AI 数字员工，助力销售业绩持续增长
- 从单一到多活，麦当劳中国的数据库架构迁移实战
- Dify 基于 TiDB 的数据架构重构实践
- TiDB 亮相宜昌“医院‘云数智’技术实践研讨及成果展示交流会”
- TiDB × AI ：DeepSeek 时代你需要什么样的数据基座
- 架构师必看！现代应用架构发展趋势与数据库选型建议丨TiDB vs MySQL 专题（一）
- TiDB 观测性解读（一）丨索引观测：快速识别无用索引与低效索引
- 海量数据融合互通丨TiDB 在安徽省住房公积金监管服务平台的应用实践
