HAWQ技术解析（十八） —— 问题排查

（原文地址： http://hawq.incubator.apache.org/docs/userguide/2.1.0.0-incubating/troubleshooting/Troubleshooting.html）
        本章描述如何解决HAWQ系统中常见的错误和问题。

一、查询性能问题

        问题：查询慢。
        原因：一个查询执行缓慢可能有多个原因。例如，数据分布的位置，虚拟段的数量，查询使用的主机数量等都可能影响查询性能。以下过程描述如何排查查询性能问题。

        一个查询不像预期执行的那么快。以下是如何调查慢的可能原因。

1. 检查集群健康状况：（1）是否有DataNode、segment或其它节点宕机？（2）是否有很多失效磁盘？
2. 检查表统计。查询中的表是否已经分析过？
3. 检查查询计划并运行EXPLAIN ANALYZE确定瓶颈。有时，对某些操作没有足够的内存，比如Hash Join，或使用了溢出文件。如果一个操作不能全部在分配给它的内存中执行，它将数据缓存到磁盘上的溢出文件中。相对于不使用溢出文件，查询会慢得多。
4. 使用EXPLAIN ANALYZE检查数据本地化统计。或者检查日志文件。每个查询的数据本地化情况也可在HAWQ日志中找到。统计信息参见Data Locality Statistics。
5. 检查资源队列状态。你可以查询pg_resqueue_status视图，检查目标队列是否已经为查询分派了资源，或者目标队列缺少资源。参见Checking Existing Resource Queues。
6. 分析资源管理器状态的转储，查看更多资源队列状态。参见Analyzing Resource Manager Status。

二、拒绝查询资源请求

        问题：HAWQ资源管理器拒绝了查询的资源分配请求。
        原因：出现以下情况时，HAWQ资源管理器拒绝查询的资源分配请求：

• 太多物理段不可用。
  HAWQ资源管理器期望$GPHOME/etc/slaves文件中列出的物理段均已注册，并可以从gp_segment_configuration表查询到。如果资源管理器确定未注册的或不可用的HAWQ物理段数量大于hawq_rm_rejectrequest_nseg_limit，那么资源管理器直接拒绝查询的资源请求。拒绝查询的目的是要保证查询运行在完整的集群中。这让查询性能问题的诊断更容易。hawq_rm_rejectrequest_nseg_limit的缺省值为0.25，就是说如果发现不可用或未注册的数量大于0.25 * $GPHOME/etc/slaves文件中所列的段数，资源管理器拒绝查询的资源请求。例如，如果slaves文件中有15个段，资源管理器计算不可用的段不能超过4（0.25 * 15）。大多数情况下，你不需要修改该此缺省值。
• 为查询分配虚拟段的物理段中有未使用的。
  超过了hawq_rm_tolerate_nseg_limit中定义的限制。
  
• 物理段之间分派的虚拟段太不均匀。
  为保证最佳查询性能，HAWQ资源管理器试图尽可能均匀地在物理段间为查询分配虚拟段。但是可能存在分配偏差。当偏差大于hawq_rm_nvseg_variance_amon_seg_limit设置的值，HAWQ拒绝查询的资源分配请求。例如，一个查询引起2个物理段分派9个虚拟段。假设一个段分配7个虚拟段，另一个分配2个虚拟段。段间偏差是5。如果hawq_rm_nvseg_variance_amon_seg_limit的设置为缺省值1，那么为此查询的资源分配被拒绝，并将在以后分配。但如果一个物理段分配5个虚拟段，另一个物理段是4个，则接收此资源分配。

        解决方案：检查集群中节点的状态。如果有必要，重启或新增节点。修改hawq_rm_nvseg_variance_amon_seg_limit（尽管这会影响查询性能）。

三、VMEM使用超高引起的查询取消

        问题：使用太多虚拟内存的特定查询被取消。实例错误消息：

ERROR: Canceling query because of high VMEM usage. Used: 1748MB, available 480MB, red zone: 9216MB (runaway_cleaner.c:135) (seg74 bcn-w3:5532 pid=33619) (dispatcher.c:1681)

        原因：当一个段上虚拟内存的使用超过了由runaway_detector_activation_percent配置的虚拟内存百分比阈值，就会发生此错误。

        如果一个物理段使用的虚拟内存总量超过计算阈值，HAWQ开始基于内存使用终止查询，从消耗最大内存量的查询开始。直到虚拟内存使用低于指定的百分比才停止对查询的终止。

        解决方案：临时加大hawq_re_memory_overcommit_max的值，允许特性查询无误运行。

        检查pg_log文件，得到会话和QE进程使用内存的更多细节。HAWQ记录查询终止信息，如内存分配历史、上下文信息，以及查询计划操作符的内存使用信息。这些信息被发送到master和segment实例的日志文件中。

四、segment没在gp_segment_configuration中出现

        问题：段启动成功，但没有出现在gp_segment_configuration表中。
        原因：你的段可能分配了相同的IP地址。

        有些软件和项目具有使用自动配置IP地址的虚拟网卡。这可能引起HAWQ的段获得相同的IP地址。资源管理器的容错服务组件只能识别具有相同IP地址的段中的一个。

        解决方案：启动HAWQ集群前，修改网络配置，禁止IP地址相同。

五、调查标记为Down的segment

        问题：HAWQ容错服务（fault tolerance service，FTS）在gp_segment_configuration目录表中标记一个段为down。
        原因：当段碰到严重错误时，FTS标记该段为down。例如，因为硬件问题导致段上的临时目录失效。其它原因可能包括网络或通信错误、资源管理器错误，或简单的心跳超时等。段通过心跳报告向主节点报告一个严重故障。
        解决方案：依赖于不同的原因，需要存取不同的恢复操作。有些情况下，段仅仅是被临时标记为down，直到心跳周期再次检查段的状态。为了调查段被标记为down的原因，从gp_configuration_history目录表查找对应的原因。容错服务将段标记为down的各种原因，参见 Viewing the Current Status of a Segment的描述。

六、处理segment资源碎片

        不同HAWQ资源队列的虚拟段资源限额可以不同，由此可能导致资源碎片。例如，一个HAWQ集群有4GB内存可用于当前排队的查询，但是资源队列被配置为在4个不同的段上分裂成四个512MB的内存块。它不可能分配两个1GB内存的虚拟段。

        在独立资源模式中，所有段资源为HAWQ所独占。当段的配额不是虚拟段资源限额的倍数时，就可能出现资源碎片。例如，一个段有15GB的内存配额，但是虚拟段资源限额设置成2GB。一个段最多可以消耗14GB内存。因此，你应该配置段的资源配额为所有虚拟段资源限额的倍数。

        YARN模式里，资源从YARN资源管理器分配。HAWQ资源管理器通过一个vcore获得一个YARN容器。例如，如果YARN报告一个段为YARN应用配置了64GB内存和16个vcore，HAWQ通过4GB内存和1个vcore请求YARN容器。照此方法，HAWQ资源管理器按需获取YARN容器。如果YARN容器的配额不是虚拟段资源限额的倍数，可能发生资源碎片。例如，YARN容器的资源配额为3GB内存和1个vcore，每个段可以有1个或3个YARN容器用于HAWQ执行查询。在这种情况下，如果虚拟段的资源限额为2GB内存，那么HAWQ总有1GB内存不能利用。因此，推荐仔细配置YARN模式的资源配额，使YARN容器资源限额是所有虚拟段资源限额的倍数。另外，确认你的CPU、内存比率是yarn.scheduler.minimum-allocation-mb配置的倍数。更多信息参见Setting HAWQ Segment Resource Capacity in YARN。

        如果出现资源碎片，排队的请求不被处理，直到一些运行的查询返还资源，或者全局资源管理器提供了更多的资源。如果你碰到资源碎片，你应该检查资源队列设置的配额，找到为任何错误的配置。例如，可能的一个错误是，全局资源容器的内存核数比率，不是虚拟段资源限额的倍数。