管理SQL Server AlwaysOn（5）——常规监控（1）——常规监控

本文属于管理SQL Server AlwaysOn 系列文章

前言：

前面几节提到了如何对AlwaysOn做常规管理，这一节和接下来的一节专门对“监控”进行解释和演示。管理和监控这两个词在很多时候是混淆的，但是我们大概也可以区分出来，比如我做备份，算管理，对错误、异常进行响应这也是管理，但是对错误、异常的捕获和通知DBA这就是监控了，而且监控有时候是不需要进行干预的，比如我监控磁盘空间，当空间充足的时候，我可以不管。

在日常的DBA工作中，我本人对监控的重视程度远大于所谓的管理，因为有了合理的监控，你就可以预见很多问题，实际干预的工作量也会少很多，在很多地方还能进行自动化管理等。还能发现性能问题。所以，我认为在DBA工作中，应该以监控先行为重。另外，监控往往也跟警报绑定在一起，以便触发监控阈值时快速通知责任人。

对于只有少量的可用性组需要监控时，SSMS提供的AlwaysOn仪表板和AlwaysOn健康跟踪（AlwaysOn Health Trace）就可以作为监控的工具。啰嗦了那么多，我们下面进入正式的讲解。

AlwaysOn仪表板（Dashboard）：

仪表板是具有一定程度交互的报表界面，用于显示AlwaysOn环境的情况。可以通过下图所示打开：

打开之后会看到这个样子：

从第二个图看到，【同步状态】这一列，会有三种可能的内容：已同步（SYNCHRONIZED）、未同步（NOT SYNCHRONIZING）、正在同步（SYNCHRONIZING）。对于同步副本，应该为“已同步”状态，其他状态都意味着不正常。对于异步副本，却不应该显示“已同步”，而是应该为“正在同步”。但是不管哪种同步模式，“未同步”状态都意味着不正常。

对于同步状态，每个副本还可能有以下几种操作状态：  PENDING_FAILOVER ,  PENDING ,  ONLINE ,  OFFLINE ,  FAILED ,  FAILED_NO_QUORUM和NULL（当副本未连接时）。详细内容可以从联机丛书中查看：sys.dm_hadr_availability_replica_states 和 角色和操作状态

上图的右上角，有三个超链接：【启动故障转移向导】、【查看AlwaysOn运行状态事件】、【查看群集仲裁信息】，其中第二个【查看AlwaysOn运行状态事件】是一些内置的扩展事件，下节会介绍。第三个包含了现有群集的配置信息，如下图：

接下来在右方的【添加/删除列】中：

点开之后可以看到下面的内容：

在这里，可以动态添加和移除需要显示在仪表板上的列。也可以在空白处右键，然后进行组的展开和折叠操作：

AlwaysOn健康跟踪（Health Trace）：

AlwaysOn健康跟踪是一个扩展事件会话，关于扩展事件可以看我之前的系列文章： SQL Server 扩展事件（Extented Events）从入门到进阶（1）——从SQL Trace到Extented Events。当第一次创建可用性组的时候就会自动创建。可以在下图所示的地方看到并打开：

通过打开扩展事件，可以看到实时捕获的数据，或者通过修改配置获取定制的配置，另外也可以通过AlwaysOn仪表板中右上方第二个选项【查看AlwaysOn 运行状况事件】来查看。

由于这个功能本质上属于扩展事件范畴，关于扩展事件可以见我前面给出的链接文章，所以在这里不累赘。这个功能很重要，我们后续的很多监控脚本都或多或少借用扩展事件来实现。关于常规监控的基础部分讲到这里，下一节“管理SQL Server AlwaysOn（5）——常规监控（2）——扩展事件监控”会专门介绍如何使用扩展事件进行监控。另外，在本文中，我尽可能多地把一些非扩展事件的监控脚本给出来以便读者参考。

监控内容参考：

从工作经历和国外专家总结的知识来看，对于SQL Server AlwaysOn，需要监控的内容主要有以下几个，如有收集，我也会陆续补上：

1. WSFC的健康情况、配置信息。
2. SQL Server TCP侦听器信息。
3. SQL Server文件所在盘的空间。（这部分专题形式展现，完成之后提供链接）
4. AlwaysOn侦听器。
5. Failover（或者SQL Server 可用性组、实例的状态变更）。
6. AlwaysOn数据库的状态变更。
7. 日志传输、重做速率。

AlwaysOn监控脚本演示：

1. T-SQL查找当前SQL实例是否主副本：

由于很多操作都只能在主副本上执行，而且从管理的角度，也有必要知道当前的主副本是哪一个，所以我们首先需要找到主副本在哪里：

IF SERVERPROPERTY ('IsHadrEnabled') = 1
BEGIN
	SELECT
	   AGC.name -- 可用性组名
	 , RCS.replica_server_name -- SQL群集节点名
	 , ARS.role_desc  -- 副本角色
	 , AGL.dns_name  -- 侦听器名
	FROM  sys.availability_groups_cluster AS AGC
			INNER JOIN sys.dm_hadr_availability_replica_cluster_states AS RCS
			ON RCS.group_id = AGC.group_id
			INNER JOIN sys.dm_hadr_availability_replica_states AS ARS
			ON ARS.replica_id = RCS.replica_id
			INNER JOIN sys.availability_group_listeners AS AGL
			ON AGL.group_id = ARS.group_id
	WHERE  ARS.role_desc = 'PRIMARY' --限定主副本，如果不限定，则可以查看所有副本
END

下面两个图分别是有WHERE条件和没有WHERE条件的结果：

2. 从sys.messages中查看AlwaysOn的的错误：

在这里，我们使用sys.messages目录视图，关于这个视图的说明可以看联机丛书： sys.messages  ，我们使用下面的T-SQL语句检查记录在册的AlwaysOn相关的错误，这个错误可以在后续发出警告时使用，这里演示的只是最简单的样子，读者可以进行适当的修改以满足自身需求：

SELECT message_id [error_number], 
severity, --严重性，在1~25之间
text
FROM sys.messages 
WHERE text LIKE ('%availability%')
AND  is_event_logged = 1;--1=出现错误时将消息计入时间日志

3. AlwaysOn所用到的DMV：

select * from sys.dm_hadr_cluster
select * from sys.dm_hadr_cluster_members
select * from sys.dm_hadr_cluster_networks
select * from sys.availability_groups
select * from sys.availability_groups_cluster
select * from sys.dm_hadr_availability_group_states
select * from sys.availability_replicas
select * from sys.dm_hadr_availability_replica_cluster_nodes
select * from sys.dm_hadr_availability_replica_cluster_states
select * from sys.dm_hadr_availability_replica_states
select * from sys.dm_hadr_auto_page_repair
select * from sys.dm_hadr_database_replica_states
select * from sys.dm_hadr_database_replica_cluster_states
select * from sys.availability_group_listener_ip_addresses
select * from sys.availability_group_listeners
select * from sys.dm_tcp_listener_states

4. SQL Server TCP侦听器信息：

SELECT listener_id, ip_address, is_ipv4, port, type_desc, state_desc, start_time
FROM sys.dm_tcp_listener_states WITH (NOLOCK) OPTION (RECOMPILE);

5. AG状态：

-- AG Status 
DECLARE @HADRName VARCHAR(25)

SET @HADRName = @@SERVERNAME

SELECT n.group_name
	,n.replica_server_name
	,n.node_name
	,rs.role_desc
	,db_name(drs.database_id) AS 'DBName'
	,drs.synchronization_state_desc
	,drs.synchronization_health_desc
FROM sys.dm_hadr_availability_replica_cluster_nodes n
JOIN sys.dm_hadr_availability_replica_cluster_states cs ON n.replica_server_name = cs.replica_server_name
JOIN sys.dm_hadr_availability_replica_states rs ON rs.replica_id = cs.replica_id
JOIN sys.dm_hadr_database_replica_states drs ON rs.replica_id = drs.replica_id
WHERE n.replica_server_name <> @HADRName

6. SQL Server代理警报：

USE master
GO

SELECT message_id AS ErrorNumber
	,TEXT
FROM sys.messages
WHERE TEXT LIKE ('%availability%')
	AND language_id = 1033

可以看到很多内容：

这里整理了一些可能有用的错误号做后续的扩展：

关于AG有用的错误号

ErrorNumber	警告名	原因
1480	AG角色变更（Failover）	暗示着可用性组发生了故障转移，需要检查转移原因并确定是否需要转移回去。
976	数据库不可访问（Database Not Accessible）	数据库不可用于查询，可能数据挂起或次要副本不可用于读访问。
983	数据库不可访问（Database Not Accessible）	副本角色正在解析（resolving），数据库不可访问，检查SQL 错误日志和网络、存储及其他相关的错误信息事件日志），可能因为启动、故障转移、通讯或者群集错误引起。
3402	数据库正在还原（Database Restoring）	数据库正在还原或者其他不能进行恢复的状态，检查数据库是否损坏或者在挂起状态。
19406	AG副本状态变更（AG Replica Changed States）	副本状态因为启动、故障转移、通讯或者群集故障等问题导致变更。检查日志再细分处理手段。
35206	连接超时（Connection Timeout）	检查网络及防火墙问题，或者是否有副本传输故障。
35250	联接数据库失败（The connection to the primary replica is not active）	因为对主副本的连接失败导致命令无法处理，检查SQL错误日志是否真正侦听端口及所有IP。
35264	数据移动挂起（Data Movement Suspended）	需要手动恢复数据移动，检查SQL日志找到原因。
35273	数据库不可访问（Database Inaccessible）	因为与主副本的会话中断导致恢复失败。可能由于WSFC仲裁、链接、端点配置或者权限问题导致。
35274	数据库恢复挂起（Database Recovery Pending）	次要副本在等待接收来自于主副本的事务日志才能恢复联机，确保主副本所在的实例为联机状态。
35275	数据库挂起（Database in Suspect State）	数据库处于潜在损坏的状态，不能连接到可用性组。还原数据库并重连可用性组。
35276	数据库不同步（Database Out of Sync）	需要手工干预以便恢复同步。
41091	副本脱机（Replica Going Offline）	如果重复出现需要检查原因。副本脱机可能因为租用过期或更新失败。或者网络问题，或者sp_server_diagnostic查询超时。
41131	AG联机失败（Failed to Bring AG Online）	确认WSFC节点是否联机，并且在WSFC群集中存在AG资源
41142	副本不能成为主要角色（Replica Cannot Become Primary）	1个或多个数据库不同步或者不能连接到可用性组，或者群集以强制仲裁模式启动。
41406	AG未为自动故障转移做好准备（AG Not Ready for Auto Failover）	主次副本以自动故障转移模式配置，但是次要副本未准备成功。副本可能处于不可用状态。检查次要副本的其他信息。
41414	次要副本未连接（Secondary Not Connected）	最少一个次要副本不能连接到主副本。检查SQL错误日志是否端口和IP侦听正常。

针对如1480即AG角色变更，我们可以在SQL 代理的警告中添加监控，模版如下，一旦发生变更则发送邮件给DBA：

EXEC msdb.dbo.sp_add_alert

@name = N'[Name of Alert]’,

@message_id = 1480,

@severity = 0,

@enabled = 1,

@delay_between_responses = 0,

@include_event_description_in = 1;

GO

EXEC msdb.dbo.sp_add_notification

@alert_name = N'[Name of Alert]’,

@operator_name = N'[Operator]’,

@notification_method = 1;

GO

其他部分的监控将在后续逐步完善。

7. 相关性能计数器：

下面两个计数器是专门用于AlwaysOn的计数器，可以了解当前可用性组的运行健康状态和性能表现。SQLServer:Availability Replica和SQLServer:Database Replica

• SQLServer:Availability Replica：监控粒度为可用性组级别。
  
• SQLServer:Database Replica：监控粒度为可用性组中的数据库级别。
  

这两个计数器使用期间需要区分在主副本还是次要副本中，有些是均可监控，有些是仅对某种角色才有意义。下面列表来自于《SQL Server 2012实施与管理实战指南》p135中的内容：

不同角色的可用性副本可使用的AlwaysOn性能计数器

计数器名	主副本	次要副本/辅助副本
Availability Replica:Sends to Replica / Sec	√	√
Availability Replica:Receives from Replica / Sec	√	√
Availability Replica:Bytes Sent to Replica / Sec	√	√
Availability Replica:Bytes Received from Replica / Sec	√	√
Availability Replica:Sends to Transport / Sec	√	√
Availability Replica:Bytes Sent to Transport / Sec	√	√
Availability Replica:Resent Messages / Sec	√	√
Availability Replica:Flow Control Time	√
Availability Replica:Flow Control / Sec	√
Database Replica:Redo Bytes Remaining		√
Database Replica:Log Bytes Received / Sec		√
Database Replica:File Bytes Received / Sec		√
Database Replica:Log Remaining to Undo		√
Database Replica:Total Log Requiring Undo		√
Database Replica:Redone Bytes / Sec		√
Database Replica:Recovery Queue		√
Database Replica:Log Send Queue		√
Database Replica:Transaction Delay	√
Database Replica:Mirrored Write Transactions / Sec	√

计数器的具体解释请自行搜索。另外我们可以通过下面的T-SQL命令来查询计数器的内容。

select object_name,counter_name,instance_name,cntr_value
from sys.dm_os_performance_counters
 where object_name like '%replica%'

总结：

到目前为止，介绍了对AlwaysOn的常规监控内容，但是具体的细化内容及对应解决方案需要在工作中不断积累和改进。所以暂时没办法完整的列出来，在本人工作过程中如果有新方法，会继续更新。