DM 监控指标

使用 TiUP 部署 DM 集群的时候，会默认部署一套监控系统。

Task

在 Grafana dashboard 中，DM 默认名称为 DM-task。

Overview

overview 下包含运行当前选定 task 的所有 DM-worker/master instance/source 的部分监控指标。当前默认告警规则只针对于单个 DM-worker/master instance/source。

metric 名称 说明 告警说明 告警级别
task state 迁移子任务的状态 N/A N/A
storage capacity relay log 占有的磁盘的总容量 N/A N/A
storage remain relay log 占有的磁盘的剩余可用容量 N/A N/A
binlog file gap between master and relay relay 与上游 master 相比落后的 binlog file 个数 N/A N/A
load progress load unit 导入过程的进度百分比，值变化范围为：0% - 100% N/A N/A
binlog file gap between master and syncer 与上游 master 相比 binlog replication unit 落后的 binlog file 个数 N/A N/A
shard lock resolving 当前子任务是否正在等待 shard DDL 迁移，大于 0 表示正在等待迁移 N/A N/A

Operate error

metric 名称 说明 告警说明 告警级别
before any operate error 在进行操作之前出错的次数 N/A N/A
source bound error 数据源绑定操作出错次数 N/A N/A
start error 子任务启动的出错次数 N/A N/A
pause error 子任务暂停的出错次数 N/A N/A
resume error 子任务恢复的出错次数 N/A N/A
auto-resume error 子任务自动恢复的出错次数 N/A N/A
update error 子任务更新的出错次数 N/A N/A
stop error 子任务停止的出错次数 N/A N/A

HA 高可用

metric 名称 说明 告警说明 告警级别
number of dm-masters start leader components per minute 每分钟内 DM-master 尝试启用 leader 相关组件次数 N/A N/A
number of workers in different state 不同状态下有多少个 DM-worker 存在离线的 DM-worker 超过一小时 critical
workers’ state DM-worker 的状态 N/A N/A
number of worker event error 不同类型的 DM-worker 错误出现次数 N/A N/A
shard ddl error per minute 每分钟内不同类型的 shard DDL 错误次数 发生 shard DDL 错误 critical
number of pending shard ddl 未完成的 shard DDL 数目 存在未完成的 shard DDL 数目超过一小时 critical

Task 状态

metric 名称 说明 告警说明 告警级别
task state 迁移子任务的状态 当子任务状态处于 Paused 超过 20 分钟时 critical

Dump/Load unit

下面 metrics 仅在 task-mode 为 full 或者 all 模式下会有值。

metric 名称 说明 告警说明 告警级别
load progress load unit 导入过程的进度百分比，值变化范围为：0% - 100% N/A N/A
data file size load unit 导入的全量数据中数据文件（内含 INSERT INTO 语句）的总大小 N/A N/A
dump process exits with error dump unit 在 DM-worker 内部遇到错误并且退出了 立即告警 critical
load process exits with error load unit 在 DM-worker 内部遇到错误并且退出了 立即告警 critical
table count load unit 导入的全量数据中 table 的数量总和 N/A N/A
data file count load unit 导入的全量数据中数据文件（内含 INSERT INTO 语句）的数量总和 N/A N/A
transaction execution latency load unit 在执行事务的时延，单位：秒 N/A N/A
statement execution latency load unit 执行语句的耗时，单位：秒 N/A N/A
remaining time load unit 完成同步的剩余时间，单位：秒 N/A N/A

Binlog replication

下面 metrics 仅在 task-mode 为 incremental 或者 all 模式下会有值。

metric 名称 说明 告警说明 告警级别
remaining time to sync 预计 Syncer 还需要多少分钟可以和上游 master 完全同步，单位：分钟 N/A N/A
replicate lag gauge 上游 master 到下游的 binlog 复制延迟时间，单位：秒 N/A N/A
replicate lag histogram 上游 master 到下游的 binlog 复制延迟分布，单位：秒。注意由于统计机制不同，数据会有误差 N/A N/A
process exist with error binlog replication unit 在 DM-worker 内部遇到错误并且退出了 立即告警 critical
binlog file gap between master and syncer 与上游 master 相比落后的 binlog file 个数 落后 binlog file 个数超过 1 个（不含 1 个）且持续 10 分钟时 critical
binlog file gap between relay and syncer 与 relay 相比落后的 binlog file 个数 落后 binlog file 个数超过 1 个（不含 1 个）且持续 10 分钟时 critical
binlog event QPS 单位时间内接收到的 binlog event 数量 (不包含需要跳过的 event) N/A N/A
skipped binlog event QPS 单位时间内接收到的需要跳过的 binlog event 数量 N/A N/A
read binlog event duration binlog replication unit 从 relay log 或上游 MySQL 读取 binlog 的耗时，单位：秒 N/A N/A
transform binlog event duration binlog replication unit 解析 binlog 并将 binlog 转换成 SQL 语句的耗时，单位：秒 N/A N/A
dispatch binlog event duration binlog replication unit 调度一条 binlog event 的耗时，单位：秒 N/A N/A
transaction execution latency binlog replication unit 执行事务到下游的耗时，单位：秒 N/A N/A
binlog event size binlog replication unit 从 relay log 或上游 MySQL 读取的单条 binlog event 的大小 N/A N/A
DML queue remain length 剩余 DML job 队列的长度 N/A N/A
total sqls jobs 单位时间内新增的 job 数量 N/A N/A
finished sqls jobs 单位时间内完成的 job 数量 N/A N/A
statement execution latency binlog replication unit 执行语句到下游的耗时，单位：秒 N/A N/A
add job duration binlog replication unit 增加一条 job 到队列的耗时，单位：秒 N/A N/A
DML conflict detect duration binlog replication unit 检测 DML 间冲突的耗时，单位：秒 N/A N/A
skipped event duration binlog replication unit 跳过 binlog event 的耗时，单位：秒 N/A N/A
unsynced tables 当前子任务内还未收到 shard DDL 的分表数量 N/A N/A
shard lock resolving 当前子任务是否正在等待 shard DDL 迁移，大于 0 表示正在等待迁移 N/A N/A
ideal QPS 在 DM 运行耗时为 0 时可以达到的最高 QPS N/A N/A
binlog event row 一个 binlog 事件中的行数 N/A N/A
finished transaction total 执行完毕的事务数量 N/A N/A
replication transaction batch 执行到下游的事务里中 sql 行数 N/A N/A
flush checkpoints time interval 检查点刷新时间间隔，单位：秒 N/A N/A

Relay log

metric 名称 说明 告警说明 告警级别
storage capacity relay log 占有的磁盘的总容量 N/A N/A
storage remain relay log 占有的磁盘的剩余可用容量 小于 10G 的时候需要告警 critical
process exits with error relay log 在 DM-worker 内部遇到错误并且退出了 立即告警 critical
relay log data corruption relay log 文件损坏的个数 立即告警 emergency
fail to read binlog from master relay 从上游的 MySQL 读取 binlog 时遇到的错误数 立即告警 critical
fail to write relay log relay 写 binlog 到磁盘时遇到的错误数 立即告警 critical
binlog file index relay log 最大的文件序列号。如 value = 1 表示 relay-log.000001 N/A N/A
binlog file gap between master and relay relay 与上游 master 相比落后的 binlog file 个数 落后 binlog file 个数超过 1 个（不含 1 个）且持续 10 分钟时 critical
binlog pos relay log 最新文件的写入 offset N/A N/A
read binlog event duration relay log 从上游的 MySQL 读取 binlog 的时延，单位：秒 N/A N/A
write relay log duration relay log 每次写 binlog 到磁盘的时延，单位：秒 N/A N/A
binlog event size relay log 写到磁盘的单条 binlog 的大小 N/A N/A

Instance

在 Grafana dashboard 中，instance 的默认名称为 DM-instance。

Relay log

metric 名称 说明 告警说明 告警级别
storage capacity relay log 占有的磁盘的总容量 N/A N/A
storage remain relay log 占有的磁盘的剩余可用容量 小于 10G 的时候需要告警 critical
process exits with error relay log 在 DM-worker 内部遇到错误并且退出了 立即告警 critical
relay log data corruption relay log 文件损坏的个数 立即告警 emergency
fail to read binlog from master relay 从上游的 MySQL 读取 binlog 时遇到的错误数 立即告警 critical
fail to write relay log relay 写 binlog 到磁盘时遇到的错误数 立即告警 critical
binlog file index relay log 最大的文件序列号。如 value = 1 表示 relay-log.000001 N/A N/A
binlog file gap between master and relay relay 与上游 master 相比落后的 binlog file 个数 落后 binlog file 个数超过 1 个（不含 1 个）且持续 10 分钟时 critical
binlog pos relay log 最新文件的写入 offset N/A N/A
read binlog duration relay log 从上游的 MySQL 读取 binlog 的时延，单位：秒 N/A N/A
write relay log duration relay log 每次写 binlog 到磁盘的时延，单位：秒 N/A N/A
binlog size relay log 写到磁盘的单条 binlog 的大小 N/A N/A

task

metric 名称 说明 告警说明 告警级别
task state 迁移子任务的状态 当子任务状态处于 paused 超过 10 分钟时 critical
load progress load unit 导入过程的进度百分比，值变化范围为：0% - 100% N/A N/A
binlog file gap between master and syncer 与上游 master 相比 binlog replication unit 落后的 binlog file 个数 N/A N/A
shard lock resolving 当前子任务是否正在等待 shard DDL 迁移，大于 0 表示正在等待迁移 N/A N/A