使用 PingCAP Clinic 诊断集群

对于使用 TiUP 部署的 TiDB 集群和 DM 集群，PingCAP Clinic 诊断服务（以下简称为 PingCAP Clinic）可以通过 Diag 诊断客户端（以下简称为 Diag）与 Clinic Server 云诊断平台（以下简称为 Clinic Server）实现远程定位集群问题和本地快速检查集群状态。

注意：

  • 本文档仅适用于使用 TiUP 部署的集群。如需查看适用于使用 Operator 部署的集群，请参阅 在 TiDB Operator 部署环境使用 PingCAP Clinic。

  • PingCAP Clinic 暂时不支持对使用 TiDB Ansible 部署的集群进行数据采集。

使用场景

  • 远程定位集群问题

    • 当集群出现问题，需要远程咨询 PingCAP 技术支持时，你可以先使用 Diag 采集诊断数据，然后将其数据上传到 Clinic Server，最后把数据链接提供给技术支持人员，协助远程定位集群问题。
    • 当集群出现问题，但无法马上进行问题分析时，你可以先使用 Diag 采集数据，并将其数据保存下来，用于自己后期进行问题分析。

  • 本地快速检查集群状态

    即使集群可以正常运行，也需要定期检查集群是否有潜在的稳定性风险。PingCAP Clinic 提供的本地快速诊断功能，用于检查集群潜在的健康风险，本地诊断只覆盖配置项检查。如果需要更全面的检查，推荐上传诊断数据包到 Clinic Server，使用 Clinic Server 提供的 Health Report 对 Metrics、日志和配置项进行全面的快速检查。

准备工作

在使用 PingCAP Clinic 功能之前，你需要先安装数据采集组件 Diag 并准备数据上传环境。

  1. 安装 Diag。

    • 如果你的中控机上已经安装了 TiUP，可以使用以下命令一键安装 Diag：

      1.   tiup install diag

    • 若已安装了 Diag，你可以通过以下命令，将本地的 Diag 一键升级至最新版本：

      1.   tiup update diag

      注意：

      • 对于离线集群，你需要离线部署 Diag 诊断客户端。具体方法，请参照离线部署 TiUP 组件：方式 2。
      • Diag 诊断客户端仅包含在 v6.0.0 及后续版本的 TiDB Server 离线镜像包中。

  2. 获取并设置用于上传数据的 Access Token（以下简称为 Token）。

    使用 Diag 上传采集到的数据时，你需要通过 Token 进行用户认证，以保证数据上传到组织后被安全地隔离。获取一个 Token 后，你可以重复使用该 Token。如果你已经获取过并在 Diag 上设置过 Token，可跳过此步骤。

    首先，通过以下方法获取 Token：

    • 登录 Clinic Server。

      Clinic Server 中国区，数据存储在亚马逊云服务中国区。
      Clinic Server 美国区，数据存储在亚马逊云服务美国区。

    • 点击 Cluster 页面右下角的图标，选择 Get Access Token For Diag Tool，在弹出窗口中点击 + 符号获取 Token 后，复制并保存 Token 信息。

      Token 示例

      注意：

      • 如果你第一次访问 Clinic Server，请参考快速上手指南：准备数据上传环境的相关步骤。
      • 为了确保数据的安全性，TiDB 只在创建 Token 时显示 Token 信息。如果丢失了 Token 信息，你可以删除旧 Token 后重新创建。
      • Token 只用于上传数据。

      然后，参考以下命令，在 Diag 中设置该 Token：

      1. tiup diag config clinic.token ${token-value}

  3. 在 Diag 中设置 region。

    region 决定数据打包时使用的加密证书和上传的目标 Clinic Server 地址。参考以下命令，根据你的 Clinic Server 在 Diag 中设置 clinic.region。

    注意：

    • Diag v0.9.0 及以后的版本支持 region 设置。
    • 对于 Diag v0.9.0 之前的版本，数据默认上传到 Clinic Server 中国区。
    • 如果你的 Diag 是 v0.9.0 之前的版本，你可以通过 tiup update diag 命令将其升级至最新版本后设置 region。
    对于 Clinic Server 中国区，参考以下命令，将 region 设置为 CN： bash tiup diag config clinic.region CN
    对于 Clinic Server 美国区，参考以下命令，将 region 设置为 US： bash tiup diag config clinic.region US

  4. 开启日志脱敏配置（可选步骤）。

    TiDB 在提供详细的日志信息时可能会打印数据库的敏感信息（例如用户数据）。如果希望本地日志及上传到 Clinic Server 的日志中不带有敏感信息，你可以开启日志脱敏配置。具体操作请参考日志脱敏。

远程定位集群问题

你可以使用 Diag 快速抓取 TiDB 集群和 DM 集群的诊断数据，其中包括监控数据、配置信息等。

第 1 步：确定需要采集的数据

如需查看 Diag 支持采集的数据的详细列表，请参阅 PingCAP Clinic 数据采集说明。

建议收集监控数据、配置信息等全量诊断数据，有助于提升后续诊断效率。具体方法，请参考采集集群的数据。

第 2 步：采集数据

你可以使用 Diag 采集使用 TiUP 部署的 TiDB 集群和 DM 集群的数据。

  1. 运行 Diag 数据采集命令。

    例如，如需采集集群从当前时间的 4 小时前到 2 小时前的诊断数据，可以运行以下命令：

    bash tiup diag collect ${cluster-name} -f="-4h" -t="-2h"
    bash tiup diag collectdm ${dm-cluster-name} -f="-4h" -t="-2h"

    采集参数说明：

    • -f/--from：指定采集时间的起始点。如果不指定该参数，默认起始点为当前时间的 2 小时前。如需修改时区，可使用 -f="12:30 +0800" 语法。如果没有在该参数中指定时区信息，如 +0800，则默认时区为 UTC。

    • -t/--to：指定采集时间的结束点。如果不指定该参数，默认结束点为当前时刻。如需修改时区，可使用 -f="12:30 +0800" 语法。如果没有在该参数中指定时区信息，如 +0800，则默认时区为 UTC。

      参数使用提示：

      除了指定采集时间，你还可以使用 Diag 指定更多参数。如需查看所有参数，请使用 tiup diag collect -h 或 tiup diag collectdm -h 命令。

      注意：

      • Diag 默认不收集系统变量数据 (db_vars)。如需收集该数据，你需要额外提供开启了系统变量可读权限的数据库用户名和密码。
      • Diag 默认不收集性能数据 (perf)和 Debug 数据 (debug)。
      • 如需收集全量诊断数据，可以使用命令 tiup diag collect <cluster-name> --include="system,monitor,log,config,db_vars,perf,debug"。

    • -l：传输文件时的带宽限制，单位为 Kbit/s，默认值为 100000（即 scp 的 -l 参数）。

    • -N/--node：支持只收集指定节点的数据，格式为 ip:port。
    • --include：只收集特定类型的数据，可选值为 system，monitor，log，config，db_vars。如需同时列出多种类型的数据，你可以使用逗号 , 来分割不同的数据类型。

    • --exclude：不收集特定类型的数据，可选值为 system，monitor，log，config，db_vars。如需同时列出多种类型的数据，你可以使用逗号 , 来分割不同的数据类型。

      运行 Diag 数据采集命令后，Diag 不会立即开始采集数据，而会在输出中提供预估数据量大小和数据存储路径，并询问你是否进行数据收集。例如：

      ```bash Estimated size of data to collect: Host Size Target

    172.16.7.129:9090 43.57 MB 1775 metrics, compressed 172.16.7.87 0 B /tidb-deploy/tidb-4000/log/tidb_stderr.log … … 172.16.7.179 325 B /tidb-deploy/tikv-20160/conf/tikv.toml Total 2.01 GB (inaccurate) These data will be stored in /home/user/diag-fNTnz5MGhr6 Do you want to continue? [y/N]: (default=N) ```

  2. 如果确认要开始采集数据，请输入 Y。

    采集数据需要一定的时间，具体所需时间与需要收集的数据量有关。例如，在测试环境中收集 1 GB 数据，大概需要 10 分钟。

    采集完成后，Diag 会提示采集数据所在的文件夹路径。例如：

    1.  Collected data are stored in /home/user/diag-fNTnz5MGhr6

第 3 步：本地查看数据（可选步骤）

已收集的数据会根据其数据来源存储于独立的子目录中，这些子目录以机器名和端口号来命名。每个节点的配置、日志等文件的存放位置与在真实服务器中存放的相对路径相同，其中：

  • 系统和硬件的基础信息：位于 insight.json
  • 系统 /etc/security/limits.conf 中的内容：位于 limits.conf
  • 内核参数列表：位于 sysctl.conf
  • 内核日志：位于 dmesg.log
  • 采集时的网络连接情况：位于 ss.txt
  • 配置数据：位于每节点目录下的 config.json
  • 集群本身的元信息：位于 meta.yaml（此文件位于采集数据存储目录的顶层）
  • 监控数据：位于 /monitor 文件目录。默认经过压缩，无法直接查看。如需直接查看监控指标的 JSON 文件内容，可在采集时通过 --compress-metrics=false 参数禁用压缩。

第 4 步：上传数据

如需将集群诊断数据提供给 PingCAP 技术支持人员，请先将数据上传到 Clinic Server 后，再把获取到的数据访问链接发送给技术支持人员。Clinic Server 为 PingCAP Clinic 的云服务，可提供安全的诊断数据存储和共享。

根据集群的网络连接情况，你可以选择以下上传方式之一：

注意：

如果在上传前没有在 Diag 中设置 Token 或 region，Diag 会提示上传失败，并提醒你进行设置。关于 Token 获取方法，请参考准备工作：第 2 步。

方式 1：直接上传

如果你的集群所在的网络可以访问互联网，你可以直接通过以下命令上传在第 2 步：采集数据中收集的数据包文件夹：

  1.  tiup diag upload

完成上传后，Diag 会提示诊断数据的下载路径 Download URL。你可以打开 Download URL 中的链接查看数据，也可以将 Download URL 中的链接发给与你对接的 PingCAP 技术支持人员。

方式 2：打包后上传

如果你的集群所在的网络无法访问互联网，你需要先在内网打包数据后，再将其数据包发送到网络连通的设备上进行上传。具体操作方法如下：

  1. 打包在第 2 步：采集数据中采集的数据，并对其数据包进行压缩和加密：

    1.  tiup diag package ${filepath}

    打包时，Diag 会同时对数据进行压缩和加密。在测试环境中，800 MB 数据压缩后变为 57 MB。示例输出如下：

    1.  Starting component `diag`: /root/.tiup/components/diag/v0.7.0/diag package diag-fNTnz5MGhr6
    2.  packaged data set saved to /home/user/diag-fNTnz5MGhr6.diag

    完成打包后，数据包为 .diag 格式。只有上传到 Clinic Server 后，该数据包才能被解密并查看。如需直接转发已收集的数据，而不在 Clinic Server 中查看，你可以自行压缩后转发数据。

  2. 使用可以访问互联网的机器上传数据压缩包。

    1.  tiup diag upload ${filepath}

    完成上传后，Diag 会提示诊断数据的下载路径 Download URL。你可以打开 Download URL 中的链接，在 Clinic Server 页面进行数据查看，也可以将 Download URL 中的链接发给与你对接的 PingCAP 技术支持人员。

本地快速检查集群状态

你可以使用 Diag 对集群状态进行快速诊断。即使集群可以正常运行，也需要定期检查集群是否有潜在的稳定性风险。PingCAP Clinic 提供的本地快速诊断功能，用于检查集群潜在的健康风险，本地诊断只覆盖配置项检查。如果需要更全面的检查，推荐上传诊断数据包到 Clinic Server，使用 Clinic Server 提供的 Health Report 对 Metrics、日志和配置项进行全面的快速检查。

  1. 采集配置数据：

    1.  tiup diag collect ${cluster-name} --include="config"

    配置文件数据较小，采集后会默认存放至当前路径下。在测试环境中，对于一个 18 个节点的集群，配置文件数据量小于 10 KB。

  2. 诊断配置数据：

    1.  tiup diag check ${subdir-in-output-data}

    其中，${subdir-in-output-data} 为采集数据的存放路径，其路径中存放 meta.yaml 文件。

  3. 查看诊断结果：

    诊断结果会在命令行中返回，示例如下：

    1.  Starting component `diag`: /root/.tiup/components/diag/v0.7.0/diag check diag-fNTnz5MGhr6
    3.  # 诊断结果
    4.  lili 2022-01-24T09:33:57+08:00
    6.  ## 1. 诊断集群名称等基础信息
    7.  - Cluster ID: 7047403704292855808
    8.  - Cluster Name: lili
    9.  - Cluster Version: v5.3.0
    11.  ## 2. 诊断数据来源信息
    12.  - Sample ID: fNTnz5MGhr6
    13.  - Sampling Date: 2022-01-24T09:33:57+08:00
    14.  - Sample Content:: [system monitor log config]
    16.  ## 3. 诊断结果信息，包括发现的可能的配置问题
    17.  In this inspection, 22 rules were executed.
    19.  The results of **1** rules were abnormal and needed to be further discussed with support team.
    21.  The following is the details of the abnormalities.
    23.  ### 诊断结果摘要
    24.  The configuration rules are all derived from PingCAP’s OnCall Service.
    26.  If the results of the configuration rules are found to be abnormal, they may cause the cluster to fail.
    28.  There were **1** abnormal results.
    30.  #### 诊断结果文档的保存路径
    31.  Rule Name: tidb-max-days
    32.  - RuleID: 100
    33.  - Variation: TidbConfig.log.file.max-days
    34.  - For more information, please visit: https://s.tidb.io/msmo6awg
    35.  - Check Result:
    36.    TidbConfig_172.16.7.87:4000   TidbConfig.log.file.max-days:0   warning
    37.    TidbConfig_172.16.7.86:4000   TidbConfig.log.file.max-days:0   warning
    38.    TidbConfig_172.16.7.179:4000   TidbConfig.log.file.max-days:0   warning
    40.  Result report and record are saved at diag-fNTnz5MGhr6/report-220125153215

    在上述示例诊断结果信息的最后一部分（即“#### 诊断结果文档的保存路径”）中，对于被发现的每一条潜在的配置问题，Diag 都会提供对应的知识库链接，以便查看详细的配置建议。在上面示例中，相关链接为 https://s.tidb.io/msmo6awg。

常见问题

  1. 如果数据上传失败了，可以重新上传吗？

    可以。数据上传支持断点上传，如果上传失败了，可以直接再次上传。

  2. 数据上传后，无法打开返回的数据访问链接，怎么办？

    你可以先尝试登录 Clinic Server。如果登录后依然无法打开链接，请确认你是否拥有访问该数据的权限。如果没有权限，你需要联系数据所有人给你添加权限后，重新登录 Clinic Server 并访问数据链接。

  3. 上传到 Clinic Server 的数据后会保存多久？

    最长 180 天，用户可以随时通过 Clinic Server 页面删除自己上传的集群诊断数据。