View a markdown version of this page

Erste Problembehandlung für häufig auftretende PostgreSQL-Leistungsprobleme in RDS für PostgreSQL - Amazon Relational Database Service

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Erste Problembehandlung für häufig auftretende PostgreSQL-Leistungsprobleme in RDS für PostgreSQL

In diesem Handbuch werden die vier häufigsten Leistungsprobleme behandelt, die sich auf Folgendes auswirken RDS für PostgreSQL Datenbanken: Aufblähung von Tabellen und Indizes, Erschöpfung der Ressourcen für parallele Abfragen, hoher Verbindungs- und Authentifizierungsdruck und Autovacuum-Tuning. Verwenden Sie dieses Handbuch als erste Diagnose-Checkliste, wenn Sie Leistungseinbußen feststellen, bevor Sie mit einer eingehenderen Untersuchung beginnen.

Jeder Abschnitt beschreibt die Symptome, die Sie möglicherweise beobachten, enthält Diagnoseabfragen zur Bestätigung der Grundursache und empfiehlt spezifische Abhilfemaßnahmen.

Überblick über Leistungsrückgänge, an denen sich nichts geändert hat

PostgreSQL-Workloads werden oft wochen- oder monatelang ohne Probleme ausgeführt. Dann kommt es zu plötzlichen Leistungseinbußen, obwohl der Anwendungscode und die Abfragemuster unverändert zu sein scheinen. Das liegt daran, dass die Datenbankumgebung nie wirklich statisch ist — mehrere unsichtbare Faktoren ändern sich im Laufe der Zeit und können Planänderungen oder Ressourcenkonflikte auslösen:

  • Die Akkumulation von Überlastungen ist eine Änderung der Arbeitslast. Die Multiversion Concurrency Control (MVCC) von PostgreSQL behält alte Zeilenversionen bei, bis sie durch Autovacuum wieder abgerufen werden. Wenn sich tote Tupel schneller ansammeln, als das Autovakuum sie verarbeiten kann, werden Tabellen und Indizes physisch größer. Der Abfrageplaner wechselt dann möglicherweise von effizienten Indexscans zu sequentiellen Scans, da sich die Kostenschätzungen mit zunehmender Tabellengröße ändern. Ihr SQL hat sich nicht geändert, aber die Daten, die der Planer sieht, haben sich geändert.

  • Neue Parameterwerte bedeuten eine Änderung der Arbeitslast. Eine parametrisierte Abfrage, die für einen Wertebereich eine gute Leistung erbringt, kann zu einer schlechten Leistung führen, wenn die Anwendung beginnt, einen anderen Bereich zu verwenden. PostgreSQL kann einen generischen Ausführungsplan wiederverwenden, der die Datenverzerrung im neuen Bereich nicht berücksichtigt, oder die Statistiken des Planers geben die Verteilung dieser Werte möglicherweise nicht genau wieder. Wenn auch noch Überlastung vorhanden ist, verstärken sich die Auswirkungen — ein suboptimaler Plan scannt jetzt deutlich mehr tote Daten.

  • Statistiken können veraltet sein, selbst wenn das Autovakuum läuft. Das Autovakuum wird ausgelöst ANALYZE basierend auf der Anzahl der eingefügten oder aktualisierten Zeilen, nicht darauf, ob sich die Datenverteilung wesentlich geändert hat. Wenn Ihre Anwendung dazu übergeht, einen anderen Wertebereich oder ein anderes Zeitfenster abzufragen, sind die Kostenschätzungen des Planers möglicherweise ungenau, obwohl das Autovacuum kürzlich ausgeführt wurde.

  • Das allgemeine Datenbankwachstum ist eine Änderung der Arbeitslast. Wenn Tabellen im Laufe der Zeit wachsen, steigt das Volumen der Datenseiten, die Abfragen scannen müssen. Bei Abfragen, die bei kleineren Tabellen gut abgeschnitten haben, kann es mit zunehmender Tabellengröße zu Latenz kommen, auch wenn die Abfragelogik und die Indizes unverändert bleiben. Überwachen FreeStorageSpace um Trends beim Speicherwachstum zu verfolgen.

Wenn Sie Leistungsregressionen untersuchen, bei denen sich „nichts geändert hat“, sollten Sie Überlastung, neue Parameterwertebereiche, das allgemeine Datenbankwachstum und veraltete Statistiken als die wahrscheinlichsten Hauptursachen behandeln. Verwenden Sie die Diagnoseschritte in diesem Handbuch, um zu überprüfen, welcher Faktor zutrifft.

Weitere Informationen finden Sie hier:

Checkliste für schnelle Diagnosen

Gehen Sie bei der ersten Untersuchung eines Leistungsproblems wie folgt vor:

  1. Prüfen pg_stat_activity. Sehen Sie sich die Anzahl der Verbindungen, Sitzungen im Leerlauf bei Transaktionen und Abfragen mit langer Laufzeit an. Weitere Informationen finden Sie unter Grundlegende Konzepte für RDS für das PostgreSQL-Tuning.

  2. Suchen Sie nach Blähungen. Halte Ausschau nach High n_dead_tup in pg_stat_user_tables und erwäge die Verwendung pgstattuple für eine präzise Messung. Weitere Informationen finden Sie unter Entfernen von Blähungen aus Tabellen mit pg_repack.

  3. Prüfen pg_stat_user_tables. Halte Ausschau nach High n_dead_tup Werte und abgestanden last_autovacuum Zeitstempel. Weitere Informationen finden Sie unter Arbeiten Sie mit PostgreSQL Autovacuum auf Amazon RDS.

  4. Bewertung EXPLAIN ANALYZE bei langsamen Abfragen. Achten Sie auf parallele Pläne und sequentielle Scans auf großen Tabellen. Weitere Informationen finden Sie unter Bewährte Methoden für parallele Abfragen in RDS für PostgreSQL.

  5. Prüfen CloudWatch und Performance Insights-Metriken. Prüfen Sie die CPU-Auslastung, die Anzahl der Verbindungen, die IOPS und den freiwerdenden Speicher. Weitere Informationen finden Sie unter Überwachung von Amazon RDS. Allgemeine Warteereignisse und Abhilfemaßnahmen finden Sie unter Warteereignisse in RDS für PostgreSQL.

  6. Überprüfen Sie Ihre DB-Parametergruppe. Prüfen Sie max_parallel_workers_per_gather und Autovakuum-Einstellungen. Weitere Informationen finden Sie unter Arbeiten mit Parametern auf der DB-Instance von RDS for PostgreSQL.

Tabelle und Index sind aufgebläht

Eine Aufblähung von Tabellen und Indizes tritt auf, wenn sich tote Tupel in Ihren Tabellen schneller ansammeln, als das Autovakuum sie zurückgewinnen kann. Im Laufe der Zeit führt dies zu einer allmählichen Verschlechterung der Abfrageleistung, einer erhöhten Speichernutzung und suboptimalen Abfrageplänen.

Symptome

  • Allmähliche Verschlechterung der Abfrageleistung über Wochen oder Monate

  • Die Speichernutzung wächst trotz stabilem Datenvolumen

  • Der Abfrageplaner wählt aufgrund veralteter Statistiken sequentielle Scans den Indexscans vor

  • Hoch dead_tuple_count in der tabellarischen Statistik

Diagnose

Sie können die Überlastung aller Tabellen abschätzen, indem Sie den Systemkatalog abfragen. Für diesen Ansatz sind keine Erweiterungen erforderlich:

SELECT schemaname, relname, n_dead_tup, n_live_tup, ROUND(n_dead_tup::numeric / GREATEST(n_live_tup, 1) * 100, 2) AS dead_pct, last_autovacuum, last_autoanalyze FROM pg_stat_user_tables WHERE n_dead_tup > 10000 ORDER BY n_dead_tup DESC LIMIT 20;

Um Blähungen zu vermeiden, können Sie das verwenden pg_repack Erweiterung zur Reorganisation von Tabellen und Indizes mit minimaler Sperrung. Weitere Informationen finden Sie unter Entfernen von Blähungen aus Tabellen mit pg_repack und Entfernen Sie mit pg_repack Bloat aus Amazon Aurora und RDS für PostgreSQL.

Wichtig

Anstatt sich auf eine manuelle Wartung zu verlassen, sollten Sie sicherstellen, dass das Autovakuum aktiviert und richtig auf Ihre Arbeitslast abgestimmt ist. Siehe Autovakuum-Tuning für Tuning-Empfehlungen.

Erschöpfung der Ressourcen für parallele Abfragen

PostgreSQL kann Abfragen parallel ausführen, um die Leistung bei großen sequentiellen Scans und Aggregationen zu verbessern. Jeder Parallel-Worker ist jedoch ein vollständiger Backend-Prozess, der sich auf Folgendes auswirkt max_worker_processes (und die Untergrenze max_parallel_workers) und weist sein eigenes zu work_mem. Eine einzelne Abfrage mit 4 parallelen Workern kann Hunderte von Megabyte an Arbeitsspeicher und eine erhebliche CPU-Auslastung beanspruchen. Bei hoher Parallelität kann eine übermäßige Parallelität die CPU und den Arbeitsspeicher schnell erschöpfen.

Zu den häufigsten Symptomen gehören plötzliche CPU-Spitzen, hohe Speicherauslastung pro Abfrage und erhöhte DatabaseConnections in CloudWatch ohne Anwendungsänderungen. Sie können auch Warteereignisse beobachten wie IPC:BgWorkerStartup, IPC:ExecuteGather, und IPC:ParallelFinish. Weitere Informationen zu diesen Warteereignissen finden Sie unter IPC:parallel auf Ereignisse warten.

Deaktivieren Sie für die meisten OLTP- und Produktionsworkloads mit hoher Parallelität die automatische Parallelität, indem Sie max_parallel_workers_per_gather = 0 in Ihrer DB-Parametergruppe. Sie können dann selektiv Parallelität für bestimmte Analyse- oder Berichtssitzungen aktivieren, indem Sie den Parameter pro Sitzung oder pro Rolle festlegen.

Eine ausführliche Anleitung zur Diagnose und Steuerung des Verhaltens paralleler Abfragen finden Sie unter Bewährte Methoden für parallele Abfragen in RDS für PostgreSQL.

Hoher Verbindungs- und Authentifizierungsdruck

Verbindungsabwanderung — häufiges Öffnen und Schließen von Datenbankverbindungen ohne Pooling — verursacht einen hohen Authentifizierungsaufwand und kann die verfügbaren Verbindungssteckplätze erschöpfen. Inaktive Verbindungen, die geöffnet bleiben, verbrauchen ebenfalls Steckplätze, ohne dass nützliche Arbeit geleistet wird.

Symptome

  • Erhöht total_auth_attempts bei der Überwachung von Performance Insights. Weitere Informationen finden Sie unter Non-native Zähler für RDS für PostgreSQL.

  • Langsame Zeiten des Verbindungsaufbaus

  • FATAL: too many connections for role oder remaining connection slots are reserved Fehler

  • CPU-Spitzen korrelierten mit Verbindungsabwanderung

Diagnose

Führen Sie die folgende Abfrage aus, um Ihren aktuellen Verbindungsstatus zu überprüfen:

SELECT setting::int AS max_connections, (SELECT count(*) FROM pg_stat_activity) AS current_connections, (SELECT count(*) FROM pg_stat_activity WHERE state = 'idle') AS idle_connections, (SELECT count(*) FROM pg_stat_activity WHERE state = 'idle in transaction') AS idle_in_txn FROM pg_settings WHERE name = 'max_connections';

Eine hohe Anzahl von idle oder idle in transaction Verbindungen relativ zu max_connections zeigt an, dass Verbindungen nicht ordnungsgemäß freigegeben werden. Idle-in-transaction Verbindungen sind besonders problematisch, da sie Sperren halten und verhindern, dass durch Autovakuum tote Tupel zurückgewonnen werden.

Abhilfe

  • Stellen Sie Verbindungspooling bereit. Verwenden PgBouncer oder Amazon RDS-Proxy um die Anzahl der direkten Verbindungen zu Ihrer Datenbank zu reduzieren. Beim Verbindungspooling werden bestehende Verbindungen wiederverwendet, anstatt für jede Anfrage neue zu erstellen.

  • Einstellen idle_in_transaction_session_timeout. Dieser Parameter beendet automatisch Sitzungen, die in einer Transaktion über die angegebene Dauer hinaus inaktiv bleiben. Dadurch wird verhindert, dass lang andauernde Transaktionen im Leerlauf gesperrt sind und das Autovacuum blockiert wird.

  • Überprüfen Sie den Umgang mit Anwendungsverbindungen. Stellen Sie sicher, dass Ihre Anwendung Verbindungen umgehend schließt und Transaktionen nicht länger als nötig offen hält.

Anmerkung

Parallele Abfrage-Worker verbrauchen CPU und Arbeitsspeicher. Wenn Sie neben der parallelen Abfrageaktivität auch eine Erschöpfung der Ressourcen beobachten, finden Sie unter Erschöpfung der Ressourcen für parallele Abfragen für Anleitungen zur Steuerung der parallelen Worker-Nutzung.

Verwenden von Performance Insights-Warteereignissen zur Fehlerbehebung

Performance Insights erfasst Warteereignisse, die zeigen, wo Ihre Datenbank Zeit verbringt. Wenn Sie Leistungsprobleme untersuchen, können Sie anhand von Warteereignissen feststellen, ob der Engpass in der CPU liegt, I/O, Sperren, Netzwerk- oder prozessübergreifende Kommunikation. Zu den häufigsten Kategorien von Warteereignissen, die bei den in diesem Handbuch beschriebenen Problemen auftreten, gehören:

  • CPU — Die Sitzung ist auf der CPU aktiv oder wartet auf die CPU. Ereignisse mit hoher CPU-Wartezeit korrelieren häufig mit übermäßiger Parallelität oder ineffizienten Abfrageplänen beim Scannen aufgeblähter Tabellen.

  • IPC (Kommunikation zwischen Prozessen) — Warte auf Ereignisse wie IPC:BgWorkerStartup, IPC:ExecuteGather, und IPC:ParallelFinish geben den Aufwand für die Koordination paralleler Abfragen an.

  • IO — Warte auf Ereignisse wie IO:DataFileRead weist darauf hin, dass Abfragen Daten aus dem Speicher lesen, weil sich die erforderlichen Seiten nicht im gemeinsamen Speicher befinden. Dies ist häufig der Fall, wenn aufgeblähte Tabellen den Puffercache überschreiten.

  • Sperren — Warte auf Ereignisse wie Lock:transactionid und Lock:tuple weist auf Konflikte zwischen den Sitzungen hin. Idle-in-transaction Verbindungen können Sperren enthalten, die andere Abfragen und Autovakuum blockieren.

  • Klient — Warte auf Ereignisse wie Client:ClientRead gibt an, dass die Datenbank darauf wartet, dass die Anwendung Daten sendet. Ereignisse mit hoher Client-Wartezeit können auf Verbindungsabwanderung oder Netzwerklatenz hinweisen.

Eine vollständige Übersicht über Warteereignisse, die häufig auf Leistungsprobleme hinweisen, sowie die empfohlenen Abhilfemaßnahmen finden Sie unter Warteereignisse in RDS für PostgreSQL.

Autovakuum-Tuning

Autovacuum ist der Hintergrundprozess, der tote Tupel zurückgewinnt, das Aufblähen von Tabellen und Indizes verhindert, die Planer-Statistiken aktualisiert und vor einem Rundumschlag von Transaktions-IDs schützt. Die Standardeinstellungen für das Autovakuum sind konservativ und für kleine Datenbanken konzipiert. High-write Produktionsworkloads müssen fast immer optimiert werden.

Wenn Autovacuum mit Ihrer Schreibarbeit nicht Schritt halten kann, häufen sich Überlastungen an, die Planer-Statistiken werden veraltet und das Risiko eines Rundumlaufs der Transaktions-ID steigt. Wenn age(relfrozenxid) nähert sich 2 Milliarden, wird die Datenbank heruntergefahren, um Datenbeschädigungen zu verhindern.

Eine ausführliche Anleitung zur Optimierung der Autovakuum-Parameter, zur Überwachung der Vakuumaktivität und zur Konfiguration von Overrides pro Tabelle finden Sie unter Arbeiten mit PostgreSQL-Autovacuum auf Amazon RDS.

Ähnliche Informationen