一次 ROLL 表空间使用率达到 92% 的告警,出现在业务低谷时段。按惯例先查慢 SQL 和大批量导入,因为空间增长总要有个来源。但当天的执行记录里,最大的单条 DML 影响行数不到两千,也没有任何批量作业在运行。
最终定位到一个持续九小时未提交的事务。它本身只改了几百行,却阻塞了整张回滚表空间的回收。
这里的判断依据与修改量无关:回滚表空间的占用取决于最老那个未提交事务的年龄。
DM8 的 ROLL 表空间中存放数据变更前的旧版本镜像,它服务两个用途:事务回滚,以及一致性读。
事务提交后,它产生的旧版本并不会立即释放。只要有其他事务的快照比它更早,这些旧版本就必须保留,供对方做一致性读。清理失效版本的机制叫 purge。
这里的约束是:purge 只能清理「所有活动事务中最老那个快照」之前产生的版本。如果存在一个从 09:00 开始、一直未提交的事务,那么 09:00 之后产生的所有旧版本,哪怕对应的修改早已提交,都无法回收。
这就解释了一个反复出现的疑惑:明明大量短事务都已经提交,回滚表空间却一直不下降。因为在最老那个事务结束之前,purge 没有操作空间。
回滚空间出现异常时,常见的做法是先调整 UNDO_RETENTION,认为调大它就能解决回收问题。这个参数的实际语义需要先澄清。
它表示「希望把已提交事务的旧版本尽量保留多久」,用于支撑较长的查询做一致性读。它是软性目标而非硬保证:当回滚空间不足时,数据库会优先满足活动事务需要的版本,牺牲掉超出保留期的历史版本。
回顾一下相关参数。DM8 的 INI 参数可以直接从 V$DM_INI 查询:
SELECT PARA_NAME, PARA_VALUE, FILE_VALUE, MIN_VALUE, MAX_VALUE, DESCRIPTION
FROM V$DM_INI
WHERE PARA_NAME LIKE '%UNDO%' OR PARA_NAME LIKE '%PURGE%';
这个视图同时包含 INI 参数和 dminit 建库参数,PARA_VALUE 是当前生效值,FILE_VALUE 是 dm.ini 中的值,两者不一致通常意味着参数改了但未重启。
调整 UNDO_RETENTION 解决的是「长查询读不到一致快照」,不解决「长事务阻塞回收」。两件事经常被混为一谈,因为表现都是回滚空间异常。
排查步骤
第一步确认空间确实被回滚段占用。注意 V$TABLESPACE 中 TOTAL_SIZE 和 USED_SIZE 的单位都是页,不是 MB,直接看数字会误判:
SELECT NAME,
STATUS$,
TOTAL_SIZE,
USED_SIZE,
ROUND(USED_SIZE * 100.0 / NULLIF(TOTAL_SIZE, 0), 2) AS USED_PCT,
FREE_EXTENTS
FROM V$TABLESPACE
WHERE NAME = 'ROLL';
STATUS$ 是数字编码而非字符串:0 对应 ONLINE,1 对应 OFFLINE,2 是 RES_OFFLINE,3 是 CORRUPT。按字符串比较 WHERE STATUS$ = ‘ONLINE’ 查不出任何结果。
第二步看 purge 是否还在工作。如果 purge 线程已经停了,问题方向完全不同:
SELECT OBJ_NUM, IS_RUNNING, PURG_FOR_TS FROM V$PURGE;
OBJ_NUM 是待 PURGE 的事务个数。这个数字持续上涨而 IS_RUNNING 为 N,说明清理任务本身异常;如果 IS_RUNNING 一直是 Y 却回收不了,说明碰到了快照边界。
第三步查询最老的活动事务,这一步决定后续的排查方向:
SELECT ID, SESS_ID, STATUS, ISOLATION, START_TIME,
ROUND((SYSDATE - START_TIME) * 24 * 60) AS AGE_MIN,
INS_CNT + UPD_CNT + DEL_CNT AS ROLLBACK_RECS,
N_PAGES
FROM V$TRX
WHERE STATUS = 'ACTIVE'
ORDER BY START_TIME
FETCH FIRST 5 ROWS ONLY;
几个字段值得注意。主键是 ID 而不是 TRXID;隔离级列名是 ISOLATION,取值 0 到 3 分别对应读未提交、读提交、可重复读、串行化;事务开始时间是 START_TIME。
AGE_MIN 直接算出来比较直观,「事务持续多久」比事务 ID 更具参考意义。ROLLBACK_RECS 和 N_PAGES 是本次排查中最关键的两个指标,原因见下一节。
第四步确认这个事务在做什么,避免误判为空闲连接残留:
SELECT SESS_ID, USER_NAME, STATE, CLNT_HOST, CLNT_IP,
APPNAME, SUBSTR(SQL_TEXT, 1, 200) AS SQL_TEXT
FROM V$SESSIONS
WHERE SESS_ID = :sess_id;
当时查到的会话 STATE 是 ACTIVE,SQL 是一条普通的 UPDATE,但 APPNAME 指向某个批处理脚本,而该脚本等待的网络响应一直没回来,事务就悬在那里。
终止会话前需要评估的成本
找到源头之后最容易做的动作是终止会话,但这一步必须看一个前提:它已经产生了多少回滚记录。
V$TRX 中的 INS_CNT、UPD_CNT、DEL_CNT 分别是插入、更新、删除产生的回滚记录个数,N_PAGES 是事务实际使用的回滚页数量。这三个计数器加起来的量级,直接决定回滚要花多久。
终止一个已经修改了大量数据的事务,需要把它的变更逐条回滚。回滚本身也是写操作,会产生日志、占用回滚资源、消耗 I/O。如果一个事务已经跑了几小时、产生了几千万条回滚记录,终止之后数据库可能要用更久来回滚,期间性能反而更差。
判断依据是 ROLLBACK_RECS 的量级和 N_PAGES 的实际占用。当时的实例这几个数都很小,回滚成本可以忽略,直接处理即可。反过来,如果计数器已经很大,更合理的做法是让它跑完,或者先评估业务窗口再动手。
上图是这次事件的时间线:业务 QPS 在低谷保持平稳,回滚表空间使用率却持续上行。出现这种背离时,基本可以直接判定存在长事务,无需优先排查慢 SQL。
事后再想,这次排查之所以花时间,是因为一开始盯的是「表空间使用率」这个结果指标,而不是「最老事务年龄」这个因指标。
使用率是滞后的,它涨到 92% 才告警,此时 purge 已经被阻塞很久。而事务年龄一异常就能立刻看到,留给处理的时间充裕得多。
现在挂了个定时任务,每分钟采一次:
-- 最老活动事务年龄(分钟),正常应在个位数
SELECT NVL(MAX(ROUND((SYSDATE - START_TIME) * 24 * 60)), 0) AS OLDEST_TRX_MIN
FROM V$TRX
WHERE STATUS = 'ACTIVE';
配套告警阈值按业务容忍度定:超过 30 分钟提示,超过 2 小时告警。使用率作为辅助指标保留,两者一起看能区分「回滚空间被长事务卡住」和「回滚空间本身配置过小」。
顺带一个观测点:V$PSEG_ITEMS 里的 N_COMMIT_TRX 表示已提交但尚未 PURGE 的事务数,N_USED_PAGES 表示正在使用的页数。如果 N_COMMIT_TRX 长期居高不下,基本可以确认是长事务在阻塞,而不是 purge 出问题。
SELECT NTH, N_PAGES, N_USED_PAGES, N_PURGED_PAGES,
N_COMMIT_TRX, RESERVE_TIME
FROM V$PSEG_ITEMS;
如果确认是配置偏小而非长事务,扩展回滚表空间比重建稳妥:
ALTER TABLESPACE ROLL ADD DATAFILE '/dm/data/DAMENG/ROLL02.DBF' SIZE 2048
AUTOEXTEND ON NEXT 128 MAXSIZE 8192;
建议始终开启自动扩展并设置合理上限。但要清楚,扩展解决的是容量问题,解决不了长事务导致的回收停滞。这两类问题处理方式完全不同,先分清再动手。
这次问题没有涉及数据库缺陷,各环节的行为都符合 MVCC 的设计预期:一致性读需要旧版本,旧版本在被引用期间不能清除。问题出在应用侧的事务边界——批处理脚本未设置超时,事务的生命周期就不再受业务控制。
长事务的代价不在它修改了多少行,而在于它使多少已经结束的事务无法完成清理。
文章
阅读量
获赞
