[AlwaysOn Availability Groups]监控AG性能

监控AG性能

AG的性能的性能方面，在关键任务数据库上进行语句级维护性能是很重要的。理解AG如何传输日志到secondary副本对评估RTO和RPO，表明AG是否性能不好。

1. 数据同步步骤

为了评估是否有性能问题，首先需要理解同步过程。性能问题可能出现在同步过程的任何一个环节，瓶颈的定位可以让你深入的理解问题。以下图标演示了数据通过过程：

 

Sequence	Step Description	Comments	Useful Metrics
1	Log Generation	日志数据被刷新到磁盘。日志必须被复制到secondary副本。日志记录进入到发送队列.	SQL Server:Database > Log bytes flushed\sec
2	Capture	每个数据库的日志被获取并且发送到相关的partner队列，每个数据库副本都有一个队列。在可用组在连接的情况下，并且数据移动并没有被挂起，获取进程持续运行，并且数据库副本显示要不是同步的，要不是正在同步，如果获取进程不能及时扫描并把消息放入队列，日志发送队列就会筑高。	SQL Server:Availability Replica > Bytes Sent to Replica\sec, which is an aggregation of the sum of all database messages queued for that availability replica. log_send_queue_size (KB) and log_bytes_send_rate(KB/sec) on the primary replica.
3	Send	数据库副本中的消息出队列，并且发送到相关的secondary副本.	SQL Server:Availability Replica > Bytes sent to transport\sec and SQL Server:Availability Replica > Message Acknowledgement Time(ms)
4	Receive and Cache	每个secondary副本接受并且缓存这些信息.	Performance counter SQL Server:Availabiltiy Replica > Log Bytes Received/sec
5	Harden	日志在secondary副本被刷新。在日志刷新后，一个通知被发送到primary副本。一旦日志被固化，就表示不会再有数据丢失。	Performance counter SQL Server:Database > Log Bytes Flushed/sec Wait typeHADR_LOGCAPTURE_SYNC
6	Redo	Redo刷新secondary副本中的page。Page被存放在redo队列等待被redo完成。	SQL Server:Database Replica > Redone Bytes/sec redo_queue_size (KB) andredo_rate. Wait type REDO_SYNC

2.流量控制门(Flow Control Gates)

AG被设计时，在primary副本上带了流量控制，为了避免太多资源消耗，比如网络，内存资源在所有可用副本上的消耗。这些流量控制不会影响可用副本的健康状态，但是会影响可用数据库性能，包括RPO。

日志被primary副本捕获之后，有2个级别的流量控制。

Level	Number of Gates	Number of messages	Useful Metrics
Transport	1 per availabiltiy replica	8192	Extended event database_transport_flow_control_action
Database	1 per availability database	11200 (x64) 1600 (x86)	DBMIRROR_SEND Extended event hadron_database_flow_control_action

一旦到达任意一个阀值，log信息就不会被发送到指定副本或者指定数据库。一旦从副本收到通知，已发送的消息下降，就可以再发。

除了流量控制，还有一个因素会阻止日志发送。副本的同步要保证LSN是顺序的被发送的。在日志被发送之前，日志的LSN会通过最小通知LSN检查，保证小于阀值。如果2个LSN的空隙大于阀值，消息就不会被发送。一旦空隙小于阀值，消息就会被发送。

有2个性能指标，SQL Server:Availability Replica > Flow control/sec 和SQL Server:Availability Replica > Flow Control Time (ms/sec) 表示在上一秒，有多少流量控制被激活并且有多少时间是用来等待流量控制。等待值越高表示RPO越多。跟多信息查看：排查：AG超过RPO

3.评估故障转移时间

故障转移时间的公式如下：

如果AG有多个可用库，最高的故障转移时间变长了限制RTO总要因素。

T_detection错误诊断时间，是用来发现系统错误的时间。这个时间依赖于集群设置级别,而不是个别可用性副本的设置。根据设置的自动故障转移的条件，故障转移在SQL Server出现严重的内部错误会出发，比如，孤立的自旋锁。这个时候诊断在sp_server_diagnostics发送到WSFC集群马上启动。故障转移也会因为超时发生，比如集群健康检查超时(HealthCheck Timeout 默认30秒)或者资源DLL和SQL Server实例的租用超时(Leasetimeout 默认20秒)。这个诊断时间为超时的间隙。具体看：Flexible Failover Policy for Automatic Failover of an Availability Group (SQL Server).

Secondary副本唯一要做的事情就是，redo这些获取的日志。Redo时间是T_redo，公式如下：

Redo_queue是redo队列的长度，redo_rate是redo的速度。这2个值可以查看:sys.dm_hadr_database_replica_states

T_overhead over head的时间就是WSFC集群故障转移，数据库online的时间。通常这个时间都很小。

4.评估RPO

RPO，RPO的公司如下：

Log_send_queue可以查看sys.dm_hdar_database_replica_states的log_send_queue_size和日志的生成速度，SQL Server:Database > Log Bytes Flushed/sec.

如果AG包含了多个可用性数据库，最大的 T_{data_loss}  会变成限制RPO的关键。

Log发送队列表示所有数据会因为严重错误丢失的。不能使用log_send_rate来代替log生成速度，因为RPO评估数据丢失是基于日志生成速度的，而不是基于同步速度的。

最简单的评估 T_{data_loss} 是使用last_commit_time.priamry会把这个值发给所有的secondary，你可以计算primary副本和secondary 副本的值的差，来评估需要多久secondary副本可以追上primary副本。虽然不能准确的表示数据丢失，但是已经很接近了。

5.监控RPO和RTO

本章介绍如何对RPO和RTO进行监控，RPO和RTO的计算请查看上面2节的介绍。你可以监控这2个值，在超过阀值时发送告警。

通过以下步骤创建AG的告警：
1.启动ageng服务
2.点开ALwaysOn启动用户定义AlwaysOn策略
3.创建条件， Database Replica State/ Add(@EstimatedRecoveryTime, 60) <= 600
4.创建条件 Database Replica State/EstimatedDataLoss<=3600
5.创建RTO策略，创建RPO策略

6.性能排查场景

Scenario	Description
排查：AG超过RTO	自动或者手动故障转移后，没有数据丢失，但是故障转移超过了RTO。或者评估发现故障转移时间超过了
排查：AG超过RPO	强制故障转移后，都是的数据超过了RPO。或者异步提交的replica能够承受的数据丢失超过了RPO。
排查：Primary上的修改无法在Secondary体现	客户端程序可以成功的完成primary的修改，但是查询replia却没有反应。

7. 使用扩展事件

以下扩展时间可以用来排查副本在同步中的情况：

Event Name	Category	Channel	Availability Replica
redo_caught_up	transactions	Debug	Secondary
redo_worker_entry	transactions	Debug	Secondary
hadr_transport_dump_message	alwayson	Debug	Primary
hadr_worker_pool_task	alwayson	Debug	Primary
hadr_dump_primary_progress	alwayson	Debug	Primary
hadr_dump_log_progress	alwayson	Debug	Primary
hadr_undo_of_redo_log_scan	alwayson	Analytic	Secondary