怎么定位哪些SQL產生了大量的Redo日志

發布時間：2021-09-15 21:21:17 來源：億速云閱讀：145 作者：chen 欄目：數據庫

本篇內容介紹了“怎么定位哪些SQL產生了大量的Redo日志”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

首先，我們需要定位、判斷那個時間段的日志突然暴增了，注意，有些時間段生成了大量的redo log是正常業務行為，有可能每天這個時間段都有大量歸檔日志生成，例如，有大量作業在這個時間段集中運行。而要分析突然、異常的大量redo log生成情況，就必須有數據分析對比，找到redo log大量產生的時間段，縮小分析的范圍是第一步。合理的縮小范圍能夠方便快速準確定位問題SQL。下面SQL語句分別統計了redo log的切換次數的相關數據指標。這個可以間接判斷那個時間段產生了大量歸檔日志。

/******統計每天redo log的切換次數匯總,以及與平均次數的對比*****/ WITH T AS  (     SELECT TO_CHAR(FIRST_TIME, 'YYYY-MM-DD')    AS LOG_GEN_DAY,             TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME, 'YYYY-MM-DD'),                         TO_CHAR(FIRST_TIME, 'YYYY-MM-DD'), 1, 0))                 , '999') AS "LOG_SWITCH_NUM"      FROM   V$LOG_HISTORY    WHERE FIRST_TIME < TRUNC(SYSDATE)  --排除當前這一天     GROUP  BY TO_CHAR(FIRST_TIME, 'YYYY-MM-DD')  ) SELECT  T.LOG_GEN_DAY       , T.LOG_SWITCH_NUM       , M.AVG_LOG_SWITCH_NUM       , (T.LOG_SWITCH_NUM-M.AVG_LOG_SWITCH_NUM) AS DIFF_SWITCH_NUM FROM  T CROSS JOIN  (     SELECT  TO_CHAR(AVG(T.LOG_SWITCH_NUM),'999') AS AVG_LOG_SWITCH_NUM     FROM T ) M ORDER BY T.LOG_GEN_DAY DESC;       SELECT    TO_CHAR(FIRST_TIME,'YYYY-MM-DD') DAY,                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'00',1,0)),'999') "00",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'01',1,0)),'999') "01",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'02',1,0)),'999') "02",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'03',1,0)),'999') "03",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'04',1,0)),'999') "04",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'05',1,0)),'999') "05",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'06',1,0)),'999') "06",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'07',1,0)),'999') "07",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'08',1,0)),'999') "08",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'09',1,0)),'999') "09",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'10',1,0)),'999') "10",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'11',1,0)),'999') "11",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'12',1,0)),'999') "12",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'13',1,0)),'999') "13",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'14',1,0)),'999') "14",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'15',1,0)),'999') "15",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'16',1,0)),'999') "16",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'17',1,0)),'999') "17",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'18',1,0)),'999') "18",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'19',1,0)),'999') "19",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'20',1,0)),'999') "20",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'21',1,0)),'999') "21",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'22',1,0)),'999') "22",                 TO_CHAR(SUM(DECODE(TO_CHAR(FIRST_TIME,'HH24'),'23',1,0)),'999') "23" FROM V$LOG_HISTORY GROUP BY TO_CHAR(FIRST_TIME,'YYYY-MM-DD')  ORDER BY 1 DESC;

如下案例所示，2018-03-26日有一個歸檔日志暴增的情況，我們可以橫向、縱向對比分析，然后判定在17點到18點這段時間出現異常，這個時間段與往常對比，生成了大量的redo log。

怎么定位哪些SQL產生了大量的Redo日志

這里分享一個非常不錯的分析redo log 歷史信息的SQL

------------------------------------------------------------------------------------------------ REM Author: Riyaj Shamsudeen @OraInternals, LLC REM         www.orainternals.com REM REM Functionality: This script is to print redo size rates in a RAC claster REM ************** REM REM Source  : AWR tables REM REM Exectution type: Execute from sqlplus or any other tool. REM REM Parameters: No parameters. Uses Last snapshot and the one prior snap REM No implied or explicit warranty REM REM Please send me an email to rshamsud@orainternals.com, if you enhance this script :-) REM  This is a open Source code and it is free to use and modify. REM Version 1.20 REM ------------------------------------------------------------------------------------------------   set colsep '|' set lines 220 alter session set nls_date_format='YYYY-MM-DD HH24:MI'; set pagesize 10000 with redo_data as ( SELECT instance_number,        to_date(to_char(redo_date,'DD-MON-YY-HH24:MI'), 'DD-MON-YY-HH24:MI') redo_dt,        trunc(redo_size/(1024 * 1024),2) redo_size_mb  FROM  (   SELECT dbid, instance_number, redo_date, redo_size , startup_time  FROM  (     SELECT  sysst.dbid,sysst.instance_number, begin_interval_time redo_date, startup_time,   VALUE -     lag (VALUE) OVER     ( PARTITION BY  sysst.dbid, sysst.instance_number, startup_time       ORDER BY begin_interval_time ,sysst.instance_number      ) redo_size   FROM sys.wrh$_sysstat sysst , DBA_HIST_SNAPSHOT snaps WHERE sysst.stat_id =        ( SELECT stat_id FROM sys.wrh$_stat_name WHERE  stat_name='redo size' )   AND snaps.snap_id = sysst.snap_id   AND snaps.dbid =sysst.dbid   AND sysst.instance_number  = snaps.instance_number   AND snaps.begin_interval_time> sysdate-30    ORDER BY snaps.snap_id )   ) ) select  instance_number,  redo_dt, redo_size_mb,     sum (redo_size_mb) over (partition by  trunc(redo_dt)) total_daily,     trunc(sum (redo_size_mb) over (partition by  trunc(redo_dt))/24,2) hourly_rate    from redo_Data order by redo_dt, instance_number /

怎么定位哪些SQL產生了大量的Redo日志

分析到這個階段，我們還只獲取了那個時間段歸檔日志異常(歸檔日志暴增)，那么要如何定位到相關的SQL語句呢?我們可以用下面SQL來定位：在這個時間段，哪些對象有大量數據塊變化情況。如下所示，這兩個對象(當然，對象有可能是表或索引，這個案例中，這兩個對象其實是同一個表和其主鍵索引)有大量的數據塊修改情況。基本上我們可以判斷是涉及這個對象的DML語句生成了大量的redo log，當然有可能有些場景會比較復雜，不是那么容易定位。

SELECT TO_CHAR(BEGIN_INTERVAL_TIME, 'YYYY-MM-DD HH24') SNAP_TIME,         DHSO.OBJECT_NAME,         SUM(DB_BLOCK_CHANGES_DELTA)                     BLOCK_CHANGED  FROM   DBA_HIST_SEG_STAT DHSS,         DBA_HIST_SEG_STAT_OBJ DHSO,         DBA_HIST_SNAPSHOT DHS  WHERE  DHS.SNAP_ID = DHSS.SNAP_ID         AND DHS.INSTANCE_NUMBER = DHSS.INSTANCE_NUMBER         AND DHSS.OBJ# = DHSO.OBJ#         AND DHSS.DATAOBJ# = DHSO.DATAOBJ#         AND BEGIN_INTERVAL_TIME BETWEEN TO_DATE('2018-03-26 17:00',                                         'YYYY-MM-DD HH24:MI')                                         AND             TO_DATE('2018-03-26 18:00', 'YYYY-MM-DD HH24:MI')  GROUP  BY TO_CHAR(BEGIN_INTERVAL_TIME, 'YYYY-MM-DD HH24'),            DHSO.OBJECT_NAME  HAVING SUM(DB_BLOCK_CHANGES_DELTA) > 0  ORDER  BY SUM(DB_BLOCK_CHANGES_DELTA) DESC;

怎么定位哪些SQL產生了大量的Redo日志

此時，我們可以生成這個時間段的AWR報告，那些產生大量redo log的SQL一般是來自TOP Gets、TOP Execution中某個DML SQL語句或一些DML SQL語句，結合上面SQL定位到的對象和下面相關SQL語句，基本上就可以判斷就是下面這兩個SQL產生了大量的redo log。(第一個SQL是調用包，包里面有對這個表做大量的DELETE、INSERT操作)

怎么定位哪些SQL產生了大量的Redo日志

如果你此時還不能完全斷定，也可以使用下面SQL來輔佐判斷那些SQL生成了大量的redo log。在這個案例中，上面AWR報告中發現的SQL語句和下面SQL捕獲的SQL基本一致。那么可以進一步佐證。

注意，該SQL語句執行較慢，執行時需要修改相關條件：時間和具體段對象。

SELECT TO_CHAR(BEGIN_INTERVAL_TIME,'YYYY_MM_DD HH24') WHEN,        DBMS_LOB.SUBSTR(SQL_TEXT,4000,1) SQL,        DHSS.INSTANCE_NUMBER INST_ID,        DHSS.SQL_ID,        EXECUTIONS_DELTA EXEC_DELTA,        ROWS_PROCESSED_DELTA ROWS_PROC_DELTA FROM DBA_HIST_SQLSTAT DHSS,      DBA_HIST_SNAPSHOT DHS,      DBA_HIST_SQLTEXT DHST WHERE UPPER(DHST.SQL_TEXT) LIKE '%<segment_name>%'  --此處用具體的段對象替換   AND LTRIM(UPPER(DHST.SQL_TEXT)) NOT LIKE 'SELECT%'   AND DHSS.SNAP_ID=DHS.SNAP_ID   AND DHSS.INSTANCE_NUMBER=DHS.INSTANCE_NUMBER   AND DHSS.SQL_ID=DHST.SQL_ID   AND BEGIN_INTERVAL_TIME BETWEEN TO_DATE('2018-03-26 17:00','YYYY-MM-DD HH24:MI')   AND TO_DATE('2018-03-26 18:00','YYYY-MM-DD HH24:MI')

其實上面分析已經基本完全定位到SQL語句，剩下的就是和開發人員或Support人員溝通、了解是正常業務邏輯變更還是異常行為。如果需要進一步挖掘深入，我們可以使用日志挖掘工具Log Miner深入分析。在此不做展開分析。其實個人在判斷分析時生成了正常時段和出現問題時段的AWR對比報告(WORKLOAD REPOSITORY COMPARE PERIOD REPORT)，如下所示，其中一些信息也可以供分析、對比參考。可以為復雜場景做對比分析(因為復雜場景，僅僅通過最上面的AWR報告可能無法準確定位SQL)

怎么定位哪些SQL產生了大量的Redo日志