Statistiques de transaction

Spanner fournit des tables intégrées qui stockent des statistiques concernant les transactions. Vous pouvez récupérer les statistiques de ces tables SPANNER_SYS.TXN_STATS* à l'aide d'instructions SQL.

Quand utiliser les statistiques sur les transactions ?

Les statistiques sur les transactions sont utiles pour analyser les problèmes de performances. Par exemple, vous pouvez vérifier si des transactions de longue durée sont susceptibles d'affecter les performances ou le nombre de requêtes par seconde (RPS) de votre base de données. Un autre scénario se produit lorsque vos applications clientes subissent une latence élevée pour l'exécution des transactions. L'analyse des statistiques relatives aux transactions peut aider à détecter les goulots d'étranglement potentiels, tels que des volumes de mises à jour importants sur une colonne particulière, susceptibles d'impacter la latence.

Accéder aux statistiques sur les transactions

Spanner fournit les statistiques sur les transactions de table dans le schéma SPANNER_SYS. Vous pouvez accéder aux données SPANNER_SYS de différentes manières :

• Page Spanner Studio d'une base de données dans la console Google Cloud .

• La commande gcloud spanner databases execute-sql.

• Tableau de bord Insights sur les transactions.

• La méthode executeSql ou executeStreamingSql.

Les méthodes de lecture unique suivantes fournies par Spanner ne sont pas compatibles avec SPANNER_SYS :

• effectuer une lecture forte à partir d'une ou de plusieurs lignes d'une table ;
• effectuer une lecture non actualisée à partir d'une ou de plusieurs lignes d'une table ;
• lire à partir d'une ou de plusieurs lignes d'un index secondaire.

Statistiques de latence regroupées par transaction

Les tableaux suivants permettent d'effectuer le suivi des statistiques des transactions TOP consommant des ressources au cours d'une période donnée.

• SPANNER_SYS.TXN_STATS_TOP_MINUTE : statistiques des transactions cumulées sur une minute.

• SPANNER_SYS.TXN_STATS_TOP_10MINUTE : statistiques des transactions cumulées sur des intervalles de 10 minutes.

• SPANNER_SYS.TXN_STATS_TOP_HOUR : statistiques des transactions cumulées sur une heure.

Ces tables ont les propriétés suivantes :

• Chaque table contient les données correspondant à des intervalles de temps sans chevauchement de la durée spécifiée par le nom de la table.

• Les intervalles sont définis selon l'heure réelle. Les intervalles d'une minute se terminent toutes les minutes, les intervalles de 10 minutes s'achèvent toutes les 10 minutes à partir de l'heure juste, et les intervalles d'une heure prennent fin toutes les heures.

  Par exemple, à 11:59:30, les intervalles les plus récents disponibles pour les requêtes SQL sont les suivants :

  • 1 minute : 11:58:00 – 11:58:59
  • 10 minutes : 11:40:00 – 11:49:59
  • 1 heure : 10:00:00 – 10:59:59

• Spanner regroupe les statistiques en fonction du FPRINT (empreinte) des transactions. Si un tag de transaction est présent, FPRINT correspond au hachage du tag. Dans le cas contraire, il s'agit du hachage calculé en fonction des opérations associées à la transaction.

• Étant donné que les statistiques sont regroupées en fonction du FPRINT, si la même transaction est exécutée plusieurs fois dans un intervalle de temps donné, ces tables n'affichent qu'une seule entrée pour cette transaction.

• Chaque ligne contient les statistiques correspondant à toutes les exécutions d'une transaction donnée pour laquelle Spanner enregistre des statistiques pendant l'intervalle spécifié.

• Si Spanner ne parvient pas à stocker dans ces tables les statistiques de toutes les transactions exécutées pendant l'intervalle, le système donne la priorité aux transactions qui ont présenté le niveau de latence, de tentatives de commit et d'octets écrits le plus élevé durant l'intervalle spécifié.

• Toutes les colonnes des tables sont acceptent la valeur NULL.

Schéma de la table

¹ _exists est un champ interne utilisé pour vérifier si une ligne existe ou non.

Exemples de requêtes

Cette section présente plusieurs exemples d'instructions SQL permettant d'extraire des statistiques sur les transactions. Vous pouvez exécuter ces instructions SQL à l'aide des bibliothèques clientes, de gcloud spanner ou de la consoleGoogle Cloud .

Répertorier les statistiques de base de chaque transaction sur une période donnée

La requête suivante renvoie les données brutes correspondant aux principales transactions exécutées au cours de la minute précédente.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds,
       avg_commit_latency_seconds,
       operations_by_table,
       avg_bytes
FROM spanner_sys.txn_stats_top_minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_top_minute);

Sortie de la requête

Répertorier les transactions avec la latence de commit moyenne la plus élevée

La requête suivante renvoie les transactions avec une latence de commit moyenne élevée au cours de l'heure précédente, triées de la latence de commit moyenne la plus élevée à la plus faible.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds,
       avg_commit_latency_seconds,
       avg_bytes
FROM spanner_sys.txn_stats_top_hour
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_top_hour)
ORDER BY avg_commit_latency_seconds DESC;

Sortie de la requête

Déterminer la latence moyenne des transactions lisant certaines colonnes

La requête suivante renvoie les informations de latence moyenne pour les transactions qui lisent la colonne ADDRESS à partir des statistiques de l'heure précédente :

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds
FROM spanner_sys.txn_stats_top_hour
WHERE 'ADDRESS' IN UNNEST(read_columns)
ORDER BY avg_total_latency_seconds DESC;

Sortie de la requête

Lister les transactions en fonction du nombre moyen d'octets modifiés

La requête suivante renvoie les transactions échantillonnées au cours de l'heure précédente, triées suivant le nombre moyen d'octets modifiés par la transaction.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_bytes
FROM spanner_sys.txn_stats_top_hour
ORDER BY avg_bytes DESC;

Sortie de la requête

Statistiques globales

SPANNER_SYS contient également des tables de stockage des données agrégées pour toutes les transactions pour lesquelles Spanner a capturé des statistiques sur une période donnée :

• SPANNER_SYS.TXN_STATS_TOTAL_MINUTE : statistiques globales pour toutes les transactions effectuées toutes les minutes
• SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE : statistiques globales pour toutes les transactions effectuées durant des intervalles de 10 minutes
• SPANNER_SYS.TXN_STATS_TOTAL_HOUR : statistiques globales pour toutes les transactions effectuées toutes les heures

Les tableaux de statistiques globales présentent les propriétés suivantes :

• Chaque table contient les données correspondant à des intervalles de temps sans chevauchement de la durée spécifiée par le nom de la table.

• Les intervalles sont définis selon l'heure réelle. Les intervalles d'une minute se terminent toutes les minutes, les intervalles de 10 minutes s'achèvent toutes les 10 minutes à partir de l'heure juste, et les intervalles d'une heure prennent fin toutes les heures.

  Par exemple, à 11:59:30, les intervalles les plus récents disponibles pour les requêtes SQL sur les statistiques de transaction globales sont les suivants :

  • 1 minute : 11:58:00 – 11:58:59
  • 10 minutes : 11:40:00 – 11:49:59
  • 1 heure : 10:00:00 – 10:59:59

• Chaque ligne contient les statistiques globales correspondant à l'ensemble des transactions exécutées sur la base de données au cours de l'intervalle spécifié. Il n'y a par conséquent qu'une seule ligne par intervalle de temps.

• Les statistiques capturées dans les tables SPANNER_SYS.TXN_STATS_TOTAL_* peuvent inclure des transactions que Spanner n'a pas capturées dans les tables SPANNER_SYS.TXN_STATS_TOP_*.

• Certaines colonnes de ces tableaux sont exposées en tant que métriques dans Cloud Monitoring. Les métriques exposées sont les suivantes :

  • Nombre de tentatives de commit
  • Nombre de nouvelles tentatives de validation
  • Participants à la transaction
  • Latences des transactions
  • Octets écrits

  Pour en savoir plus, consultez Métriques Spanner.

Schéma de la table

Exemples de requêtes

Cette section présente plusieurs exemples d'instructions SQL permettant d'extraire des statistiques sur les transactions. Vous pouvez exécuter ces instructions SQL à l'aide des bibliothèques clientes, de gcloud spanner ou de la consoleGoogle Cloud .

Trouver le nombre total de tentatives de commit pour toutes les transactions

La requête suivante renvoie le nombre total de tentatives de commit pour toutes les transactions au cours de la dernière minute complète :

SELECT interval_end,
       commit_attempt_count
FROM spanner_sys.txn_stats_total_minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_minute)
ORDER BY interval_end;

Sortie de la requête

Notez qu'il n'y a qu'une ligne dans le résultat, car les statistiques agrégées ne comportent qu'une seule entrée par interval_end pour une durée donnée.

Déterminer la latence de commit totale pour l'ensemble des transactions

La requête suivante renvoie la latence de commit totale pour toutes les transactions au cours des 10 dernières minutes :

SELECT (avg_commit_latency_seconds * commit_attempt_count / 60 / 60)
  AS total_commit_latency_hours
FROM spanner_sys.txn_stats_total_10minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_10minute);

Sortie de la requête

Notez qu'il n'y a qu'une ligne dans le résultat, car les statistiques agrégées ne comportent qu'une seule entrée par interval_end pour une durée donnée.

Trouver la latence au 99e centile pour les transactions

La requête suivante renvoie la latence du 99e centile pour les transactions exécutées au cours des 10 dernières minutes :

SELECT interval_end, avg_total_latency_seconds,
       SPANNER_SYS.DISTRIBUTION_PERCENTILE(total_latency_distribution[OFFSET(0)], 99.0)
  AS percentile_latency
FROM spanner_sys.txn_stats_total_10minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_10minute)
ORDER BY interval_end;

Sortie de la requête

Notez la grande différence entre la latence moyenne et celle du 99e centile. La latence du 99e centile permet d'identifier les transactions aberrantes potentielles présentant une latence élevée.

Il n'y a qu'une seule ligne dans le résultat, car les statistiques agrégées ne comportent qu'une seule entrée par interval_end pour une durée donnée.

Conservation des données

Spanner conserve les données de chaque table pendant une durée minimale variable selon le type de table :

• SPANNER_SYS.TXN_STATS_TOP_MINUTE et SPANNER_SYS.TXN_STATS_TOTAL_MINUTE : intervalles couvrant les six heures précédentes

• SPANNER_SYS.TXN_STATS_TOP_10MINUTE et SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE : intervalles couvrant les quatre derniers jours.

• SPANNER_SYS.TXN_STATS_TOP_HOUR et SPANNER_SYS.TXN_STATS_TOTAL_HOUR : intervalles couvrant les 30 derniers jours.

Les statistiques sur les transactions dans Spanner fournissent des informations sur l'utilisation d'une base de données par une application. Elles sont utiles pour analyser les problèmes de performances. Par exemple, vous pouvez vérifier si des transactions de longue durée sont susceptibles d'entraîner des conflits, ou identifier des sources potentielles de charge élevée, telles que des volumes de mises à jour importants sur une colonne particulière. Les étapes ci-dessous vous montreront comment utiliser les statistiques de transaction pour étudier les situations de contention au sein de votre base de données.

Comprendre les transactions et le nombre de commits

Une transaction Spanner devra peut-être être testée plusieurs fois avant d'être validée. Cela se produit le plus souvent lorsque deux transactions tentent de manipuler les mêmes données en même temps, et que l'une d'elles doit être abandonnée pour préserver la propriété d'isolation de la transaction. Voici d'autres événements transitoires qui peuvent également entraîner l'abandon d'une transaction :

• Problèmes réseau temporaires.

• Des modifications de schéma de base de données sont appliquées pendant qu'une transaction est en cours de validation.

• L'instance Spanner n'a pas la capacité de traiter toutes les requêtes qu'elle reçoit.

Dans de tels scénarios, un client doit relancer la transaction abandonnée jusqu'à ce qu'elle soit validée ou qu'elle expire. Pour les utilisateurs des bibliothèques clientes Spanner officielles, chaque bibliothèque a implémenté un mécanisme de nouvelle tentative automatique. Si vous utilisez une version personnalisée du code client, enveloppez vos validations de transactions dans une boucle de nouvelle tentative.

Une transaction Spanner peut également être abandonnée en raison d'une erreur non récupérable, telle qu'un délai avant expiration de la transaction, des problèmes d'autorisation ou un nom de table/colonne non valide. Il n'est pas nécessaire de réessayer ces transactions. La bibliothèque cliente Spanner renverra l'erreur immédiatement.

Le tableau suivant décrit quelques exemples de la façon dont COMMIT_ATTEMPT_COUNT, COMMIT_ABORT_COUNT et COMMIT_RETRY_COUNT sont enregistrés dans différents scénarios.

Les données des tables "transactions-stats" sont des données agrégées pour un intervalle de temps. Pour un intervalle donné, il est possible qu'une transaction soit abandonnée et qu'une nouvelle tentative se produise autour des limites et tombe dans différents buckets. Par conséquent, les abandons et les nouvelles tentatives peuvent ne pas être égaux dans un intervalle de temps donné.

Ces statistiques sont conçues pour le dépannage et l'introspection, et leur précision à 100 % n'est pas garantie. Les statistiques sont agrégées en mémoire avant d'être stockées dans les tables Spanner. Lors d'une mise à niveau ou d'autres activités de maintenance, les serveurs Spanner peuvent redémarrer, ce qui affecte la précision des chiffres.

Résoudre les problèmes de contention de bases de données à l'aide de statistiques de transaction

Vous pouvez utiliser le code SQL ou le tableau de bord Insights sur les transactions pour afficher les transactions de votre base de données susceptibles d'entraîner des latences élevées en raison de conflits de verrouillage.

Les rubriques suivantes expliquent comment examiner ces transactions à l'aide de code SQL.

Sélectionner une période à examiner

La période peut-être trouvée à partir de l'application qui utilise Spanner.

Pour les besoins de cet exercice, imaginons que le problème a commencé vers 17h20 le 17 mai 2020.

Vous pouvez utiliser les tags de transaction pour identifier la source de la transaction et établir une corrélation entre la table des statistiques de transaction et celle des statistiques de verrouillage afin de résoudre efficacement les problèmes de contention de verrouillage. Pour en savoir plus, consultez Résoudre les problèmes liés aux tags de transaction.

Collecter les statistiques de transaction pour la période sélectionnée

Pour commencer notre enquête, nous allons interroger la table TXN_STATS_TOTAL_10MINUTE sur la période correspondant au début du problème. Les résultats de cette requête nous indiqueront comment ont évolué la latence et autres statistiques sur les transactions au cours de cette période.

Par exemple, la requête suivante renvoie les statistiques de transaction agrégées de 4:30 pm à 7:40 pm (inclus).

SELECT
  interval_end,
  ROUND(avg_total_latency_seconds,4) as avg_total_latency_seconds,
  commit_attempt_count,
  commit_abort_count
FROM SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE
WHERE
  interval_end >= "2020-05-17T16:40:00"
  AND interval_end <= "2020-05-17T19:40:00"
ORDER BY interval_end;

Le tableau suivant répertorie les données d'exemple renvoyées par notre requête.

Ici, nous voyons que la latence agrégée et le nombre d'abandons sont plus élevés dans les périodes mises en surbrillance. Nous pouvons choisir n'importe quel intervalle de 10 minutes durant lequel la latence agrégée et/ou le nombre d'abandons sont élevés. Nous allons choisir l'intervalle qui se termine à 2020-05-17T18:40:00 et l'utiliser lors de l'étape suivante pour identifier les transactions contribuant à une latence élevée et à un abandon.

Identifier les transactions qui présentent une latence élevée

Nous allons maintenant interroger la table TXN_STATS_TOP_10MINUTE dans l'intervalle sélectionné à l'étape précédente. À l'aide de ces informations, nous pouvons commencer à identifier les transactions qui présentent une latence élevée et/ou un nombre d'abandons élevé.

Exécutez la requête suivante pour obtenir les principales transactions ayant un impact sur les performances, par ordre décroissant de latence totale pour notre exemple d'intervalle se terminant à 2020-05-17T18:40:00.

SELECT
  interval_end,
  fprint,
  ROUND(avg_total_latency_seconds,4) as avg_total_latency_seconds,
  ROUND(avg_commit_latency_seconds,4) as avg_commit_latency_seconds,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end = "2020-05-17T18:40:00"
ORDER BY avg_total_latency_seconds DESC;

Nous pouvons constater clairement que la première ligne (mise en surbrillance) du tableau précédent montre une transaction présentant une latence élevée en raison d'un nombre élevé d'abandons de commit. Nous pouvons également constater un nombre élevé de tentatives de commit, ce qui indique que les commits abandonnés ont été retentés par la suite. Nous analyserons le problème plus en détail à l'étape suivante.

Identifier les colonnes impliquées dans une transaction présentant une latence élevée

Au cours de cette étape, nous allons vérifier si les transactions à latence élevée travaillent sur le même ensemble de colonnes en récupérant les données read_columns, write_constructive_columns et write_delete_tables pour les transactions présentant un nombre élevé d'abandons. La valeur FPRINT sera également utile à l'étape suivante.

SELECT
  fprint,
  read_columns,
  write_constructive_columns,
  write_delete_tables
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end = "2020-05-17T18:40:00"
ORDER BY avg_total_latency_seconds DESC LIMIT 3;

Comme le résultat le montre dans le tableau précédent, les transactions présentant la latence totale moyenne la plus élevée lisent les mêmes colonnes. Nous pouvons également observer un conflit d'écriture, car les transactions écrivent dans la même colonne, à savoir TestHigherLatency._exists.

Déterminer l'évolution des performances des transactions au fil du temps

Nous pouvons voir l'évolution des statistiques associées à cette forme de transaction au cours d'une période donnée. Utilisez la requête suivante, où $FPRINT correspond à l'empreinte de la transaction à latence élevée déterminée à l'étape précédente.

SELECT
  interval_end,
  ROUND(avg_total_latency_seconds, 3) AS latency,
  ROUND(avg_commit_latency_seconds, 3) AS commit_latency,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count,
  commit_failed_precondition_count,
  avg_bytes
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end >= "2020-05-17T16:40:00"
  AND interval_end <= "2020-05-17T19:40:00"
  AND fprint = $FPRINT
ORDER BY interval_end;

Dans le résultat ci-dessus, nous pouvons constater que la latence totale est élevée pour la période mise en surbrillance. De plus, si la latence totale est élevée, commit_attempt_count, commit_abort_count et commit_retry_count sont également élevés même si la latence de commit (commit_latency) n'a guère changé. Étant donné que les commits de transactions sont annulés plus fréquemment, le nombre de tentatives de commit est également élevé en raison des nouvelles tentatives de commit.

Conclusion

Dans cet exemple, nous avons constaté qu'un nombre élevé d'abandons de commit était la cause d'une latence élevée. L'étape suivante consiste à examiner les messages d'erreur associés aux abandons de commit et reçus par l'application afin de connaître la raison de ces abandons. En inspectant les journaux de l'application, nous constatons que, dans les faits, celle-ci a connu une modification de sa charge de travail durant cette période, c'est-à-dire qu'une autre forme de transaction est apparue avec un nombre élevé de attempts_per_second. Cette transaction différente (par exemple une tâche de nettoyage nocturne) est responsable des conflits de verrouillage supplémentaires.

Identifier les transactions qui n'ont pas été relancées correctement

La requête suivante renvoie les transactions échantillonnées au cours des dix dernières minutes qui ont un nombre élevé d'abandons de commit, mais sans nouvelle tentative.

SELECT
  *
FROM (
  SELECT
    fprint,
    SUM(commit_attempt_count) AS total_commit_attempt_count,
    SUM(commit_abort_count) AS total_commit_abort_count,
    SUM(commit_retry_count) AS total_commit_retry_count
  FROM
    SPANNER_SYS.TXN_STATS_TOP_10MINUTE
  GROUP BY
    fprint )
WHERE
  total_commit_retry_count = 0
  AND total_commit_abort_count > 0
ORDER BY
  total_commit_abort_count DESC;

Nous pouvons voir que la transaction avec fprint 1557557373282541312 a été abandonnée 44 232 fois, mais qu'elle n'a jamais été relancée. Cela semble suspect, car le nombre d'abandons est élevé et il est peu probable que chaque abandon ait été causé par une erreur non réessayable. En revanche, la transaction avec l'empreinte digitale 5776062322886969344 est moins suspecte, car le nombre total d'annulations n'est pas très élevé.

La requête suivante renvoie plus de détails sur la transaction avec l'empreinte numérique 1557557373282541312,y compris les read_columns, write_constructive_columns et write_delete_tables. Ces informations permettent d'identifier la transaction dans le code client, où la logique de nouvelle tentative peut être examinée pour ce scénario.

SELECT
  interval_end,
  fprint,
  read_columns,
  write_constructive_columns,
  write_delete_tables,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count
FROM
  SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  fprint = 1557557373282541312
ORDER BY
  interval_end DESC;

Nous pouvons voir que la transaction implique une lecture de la colonne masquée Singers._exists pour vérifier l'existence d'une ligne. La transaction écrit également dans les colonnes Singers.FirstName et Singer.LastName. Ces informations peuvent vous aider à déterminer si le mécanisme de nouvelle tentative de transaction implémenté dans votre bibliothèque cliente personnalisée fonctionne comme prévu.

Étape suivante

• Découvrez d'autres outils d'introspection.
• Découvrez les autres informations stockées par Spanner pour chaque base de données dans les tables du schéma d'informations de cette base de données.
• Explorez les bonnes pratiques SQL relatives à Spanner.
• En savoir plus sur l'investigation de l'utilisation élevée du processeur.