利用高级监控仪表板解决常见数据库问题

关注

原创最新推荐文章于 2026-11-05 15:03:20 发布 820 阅读 AI 写同款· GEO 优化 ›

【高级篇】第9章 Elasticsearch 监控与故障排查除了预置仪表板，用户还可以根据特定需求创建自定义视图和仪表板，通过Elasticsearch索引中的监控数据，设计个性化的监控界面，聚焦于特定的性能指标或问题区域。阅读详情

本文字数：8293；估计阅读时间：21分钟

作者： Lionel Palacin

本文在公众号【ClickHouseInc】首发

在生产环境中，数据库系统的监控是不可或缺的。了解部署的健康状况是避免中断或快速解决问题的关键。

ClickHouse 深知这一点，因此默认提供了一组预配置的高级监控仪表板。高级仪表板是一款轻量级工具，可深入分析 ClickHouse 系统及其运行环境，帮助您提前识别性能瓶颈、系统故障以及低效操作，从而保持系统高效运行。

无论您是处理高查询负载的数据工程师，还是保障 ClickHouse 高可用性的站点稳定性工程师 (SRE)，高级仪表板都能为您提供高效的监控和故障排查能力。该工具支持 ClickHouse OSS（开源软件）和 ClickHouse Cloud 环境。

快速上手高级监控仪表板

高级仪表板无需额外安装即可使用。根据您的运行环境，可能需要启用指标日志和异步指标日志来生成默认的可视化效果。如果您使用的是 ClickHouse Cloud，这些功能已默认启用，无需额外配置。

若需手动启用，请参考全球设置文档，修改服务器配置文件 /etc/clickhouse-server/config.d/metric_log.xml：

<clickhouse>
    <metric_log>
        <database>system</database>
        <table>metric_log</table>
        <flush_interval_milliseconds>7500</flush_interval_milliseconds>
        <collect_interval_milliseconds>1000</collect_interval_milliseconds>
        <max_size_rows>1048576</max_size_rows>
        <reserved_size_rows>8192</reserved_size_rows>
        <buffer_size_rows_flush_threshold>524288</buffer_size_rows_flush_threshold>
        <flush_on_crash>false</flush_on_crash>
    </metric_log>
    <asynchronous_metric_log>
        <database>system</database>
        <table>asynchronous_metric_log</table>
        <flush_interval_milliseconds>7500</flush_interval_milliseconds>
        <collect_interval_milliseconds>1000</collect_interval_milliseconds>
        <max_size_rows>1048576</max_size_rows>
        <reserved_size_rows>8192</reserved_size_rows>
        <buffer_size_rows_flush_threshold>524288</buffer_size_rows_flush_threshold>
        <flush_on_crash>false</flush_on_crash>
    </asynchronous_metric_log>
</clickhouse>

启动 ClickHouse 服务器后，您可以通过以下地址访问高级监控仪表板：

‍‍‍<your_clickhouse_url>/dashboard‍‍‍

默认情况下，您可以使用系统的默认用户登录访问仪表板。但为了安全起见，建议为此专门创建一个独立的用户。

要正常运行默认的可视化功能，该用户需要具备以下表的读取权限：

system.dashboards：存储仪表板的可视化定义。
system.metric_log：记录来自 system.metrics 和 system.events 表的历史指标值。
system.asynchronous_metric_log：保存 system.asynchronous_metrics 的历史数据。

同时，用户还需要以下两个特殊权限：CREATE TEMPORARY TABLE ON *.* 和 REMOTE ON *.*。

下面，我们为实验创建一个仪表板专用用户：

-- Create dashboard user
CREATE USER dashboard_user IDENTIFIED BY ;

-- Create dashboard role and assign to dashboard_user
CREATE ROLE dashboard;
GRANT dashboard TO dashboard_user;

-- Grant rights to access advanced dashboards
GRANT REMOTE ON *.* to dashboard;
GRANT CREATE TEMPORARY TABLE on *.* to dashboard;
GRANT SELECT ON system.metric_log to dashboard;
GRANT SELECT ON system.asynchronous_metric_log to dashboard;
GRANT SELECT ON system.dashboards to dashboard;

您可以通过在 URL 中添加用户名参数的方式访问，例如：

‍<your_clickhouse_url>/dashboard?user=dashboard‍

登录时，输入创建仪表板用户时设置的密码。

在页面顶部的导航栏中，您可以查看应用程序加载仪表板定义时使用的 SQL 查询。

-- Load dashboard definition
SELECT title, query FROM system.dashboards WHERE dashboard = 'Overview'

仪表板的查询过滤器默认设置为 "Overview"。不同的仪表板集适用于不同的场景：默认的 "Overview" 仪表板适合本地部署，而 "Cloud Overview" 则针对云部署环境进行了优化。

高级仪表板的默认可视化功能

高级仪表板内置了一系列默认图表，能够为您提供 ClickHouse 系统的实时运行状况和性能洞察。为了便于查看，这些图表被分为三类，分别对应不同的使用场景。

ClickHouse 专用指标

这些图表专注于监控 ClickHouse 实例的运行状况和性能表现：

每秒查询数 (Queries Per Second)：监控系统每秒处理的查询数量。
每秒读取行数 (Selected Rows/Sec)：显示查询读取的数据行数。
每秒插入行数 (Inserted Rows/Sec)：反映数据写入的速率。
MergeTree 活跃分片总数 (Total MergeTree Parts)：展示 MergeTree 表中活跃的分片数，帮助识别未批量处理的插入操作。
单分区最大分片数 (Max Parts for Partition)：突出显示某个分区中分片数量的峰值。
当前运行的查询数 (Queries Running)：显示系统中正在执行的查询数目。
每秒读取字节数 (Selected Bytes Per Second)：显示查询读取的数据量。

系统健康状况相关指标

除了 ClickHouse 本身，底层系统的状态同样至关重要。这些图表帮助您监控相关的系统资源：

I/O 等待时间 (IO Wait)：跟踪磁盘 I/O 操作的等待时间。
CPU 等待时间 (CPU Wait)：测量因 CPU 争用导致的操作延迟。
磁盘读取量 (Read From Disk)：显示从磁盘读取的数据量。
文件系统读取量 (Read From Filesystem)：记录从文件系统（包括页面缓存）读取的数据量。
内存使用量 (Memory tracked, bytes)：展示 ClickHouse 跟踪的内存占用情况。
15 分钟平均负载 (Load Average (15 minutes))：显示系统最近 15 分钟的平均负载。
用户空间 CPU 使用率 (OS CPU Usage (Userspace))：监控运行用户空间代码时的 CPU 使用情况。
内核空间 CPU 使用率 (OS CPU Usage (Kernel))：监控运行内核代码时的 CPU 使用情况。

ClickHouse Cloud 专用指标

ClickHouse Cloud 采用对象存储（如 S3 类型）保存数据。以下图表可帮助您检测相关接口的性能：

S3 读取等待时间 (S3 Read wait)：反映对 S3 进行读取请求的延迟。
每秒 S3 读取错误数 (S3 read errors per second)：监控读取错误的发生频率。
每秒从 S3 读取数据量 (Read From S3 (bytes/sec))：展示从 S3 存储读取数据的速率。
每秒写入 S3 的请求数 (Disk S3 write req/sec)：监控写入 S3 的操作频率。
每秒读取 S3 的请求数 (Disk S3 read req/sec)：监控从 S3 读取的操作频率。
页面缓存命中率 (Page cache hit rate)：评估页面缓存的使用效率。
文件系统缓存命中率 (Filesystem cache hit rate)：显示文件系统缓存的命中情况。
文件系统缓存大小 (Filesystem cache size)：记录文件系统缓存的当前大小。
每秒发送的网络流量 (Network send bytes/sec)：监控出站网络流量的速率。
每秒接收的网络流量 (Network receive bytes/sec)：监控入站网络流量的速率。
并发网络连接数 (Concurrent network connections)：显示当前的并发网络连接数量。

定制高级仪表板中的图表

在高级仪表板中，每个可视化图表都由一个关联的 SQL 查询驱动，这些查询负责提供图表的数据内容。您可以通过点击图表上的铅笔图标来修改相关查询。

在编辑界面中，您可以根据需求调整查询内容。此外，您还可以通过点击“添加图表 (Add chart)”按钮新增自定义图表，并在新图表中编辑对应的查询。例如，我们可以新增一个图表来跟踪主键的内存使用情况。以下是为该图表提供支持的 SQL 查询：

SELECT toStartOfInterval(event_time, INTERVAL {rounding:UInt32} SECOND)::INT AS t, avg(value) FROM merge('system', '^asynchronous_metric_log') WHERE event_date >= toDate(now() - {seconds:UInt32}) AND event_time >= now() - {seconds:UInt32} AND metric = 'TotalPrimaryKeyBytesInMemory' GROUP BY t ORDER BY t WITH FILL STEP {rounding:UInt32}

需要注意，通过 Web 应用程序添加的图表是以查询参数的形式编码的，这使得它们可以方便地添加到书签中。

如果您需要一种更稳定的方式，可以将自定义图表直接存储到 ClickHouse 数据库中。操作步骤如下：

1. 创建一个与默认表 system.dashboards 架构一致的新表。

-- Create a separate database
CREATE DATABASE custom;

-- Create the custom dashboard table
CREATE TABLE custom.dashboards
(
    `dashboard` String,
    `title` String,
    `query` String
) ORDER BY ()

2. 将您的自定义可视化内容插入到新表中。

-- Total size primary keys visualization query
INSERT INTO custom.dashboards (dashboard, title, query)
VALUES (
    'Overview',
    'Total primary keys size',
    'SELECT toStartOfInterval(event_time, INTERVAL {rounding:UInt32} SECOND)::INT AS t, avg(value) FROM merge(\'system\', \'^asynchronous_metric_log\') WHERE event_date >= toDate(now() - {seconds:UInt32}) AND event_time >= now() - {seconds:UInt32} AND metric = \'TotalPrimaryKeyBytesInMemory\' GROUP BY t  ORDER BY t WITH FILL STEP  {rounding:UInt32}'
);

通过这种方式，您可以将自定义数据库中的仪表板定义与 Web 应用程序中默认的定义合并，从而实现扩展和优化。

SELECT title, query FROM merge(REGEXP('custom|system'),'dashboards') WHERE dashboard = 'Overview'

最后，请确保仪表板用户具备访问自定义数据库所需的权限。例如，用户需要对相关表拥有读取和修改的权限，以便正确加载和管理仪表板内容。

如何通过高级仪表板识别问题

实时监控 ClickHouse 服务的运行状况，可以帮助您在问题影响业务之前及时发现和解决问题。以下是利用高级仪表板可以识别的一些常见问题。

未批量插入的数据问题

根据最佳实践文档的建议，在 ClickHouse 中插入数据时应尽量使用批量插入。

合理的批量大小可以显著减少数据写入过程中创建的部分数量，从而优化磁盘写入效率，并降低合并操作的频率。

要判断插入操作是否优化，可以关注以下两个关键指标：每秒插入行数 (Inserted Rows/sec) 和每个分区的最大部分数 (Max Parts for Partition)。

如上图所示，从 13 点到 14 点之间，每秒插入行数和每个分区的最大部分数出现了两次峰值。这表明数据摄取速度是合理的。

然而，16 点之后，我们注意到每个分区的最大部分数急剧上升，但每秒插入行数却很低。这表明数据分区的大小可能未得到有效优化。

资源密集型查询问题

某些 SQL 查询可能会占用大量资源（如 CPU 或内存）。监控这些查询的资源消耗情况，对于保障系统整体性能至关重要。

如果资源使用量突然增加，而查询吞吐量并未显著变化，则可能是某些高成本查询导致的。这种现象可以通过高级仪表板快速发现。

以下是一个 CPU 使用率达到峰值，但每秒执行的查询数量未发生显著变化的示例：

主键设计问题

高级仪表板还可以帮助识别主键设计不当的问题。根据文档，针对具体使用场景选择合适的主键，能够显著提升查询性能，因为这样可以减少 ClickHouse 在查询过程中需要读取的行数。

您可以通过监控“每秒选中行数 (Selected Rows/sec)”指标来判断主键设计是否需要优化。选中行数的突然激增，可能意味着查询吞吐量的增加，也可能表明某些查询需要选中大量行来执行操作。

通过时间戳过滤条件，您可以在 system.query_log 表中找到峰值时间段内执行的查询。

例如，我们可以运行以下查询，查看上午 11:20 到 11:30 之间执行的所有查询，以找出哪些查询读取了过多的行。

SELECT
    type,
    event_time,
    query_duration_ms,
    query,
    read_rows,
    tables
FROM system.query_log
WHERE has(databases, 'default') AND (event_time >= '2024-12-23 11:20:00') AND (event_time <= '2024-12-23 11:30:00') AND (type = 'QueryFinish')
ORDER BY query_duration_ms DESC
LIMIT 5
FORMAT VERTICAL

Row 1:
──────
type:              QueryFinish
event_time:        2024-12-23 11:22:55
query_duration_ms: 37407
query:             SELECT
    toStartOfMonth(review_date) AS month,
    any(product_title),
    avg(star_rating) AS avg_stars
FROM amazon_reviews_no_pk
WHERE
    product_category = 'Home'
GROUP BY
    month,
    product_id
ORDER BY
    month DESC,
    product_id ASC
LIMIT 20
read_rows:         150957260
tables:            ['default.amazon_reviews_no_pk']

Row 2:
──────
type:              QueryFinish
event_time:        2024-12-23 11:26:50
query_duration_ms: 7325
query:             SELECT
    toStartOfMonth(review_date) AS month,
    any(product_title),
    avg(star_rating) AS avg_stars
FROM amazon_reviews_no_pk
WHERE
    product_category = 'Home'
GROUP BY
    month,
    product_id
ORDER BY
    month DESC,
    product_id ASC
LIMIT 20
read_rows:         150957260
tables:            ['default.amazon_reviews_no_pk']

Row 3:
──────
type:              QueryFinish
event_time:        2024-12-23 11:24:10
query_duration_ms: 3270
query:             SELECT
    toStartOfMonth(review_date) AS month,
    any(product_title),
    avg(star_rating) AS avg_stars
FROM amazon_reviews_pk
WHERE
    product_category = 'Home'
GROUP BY
    month,
    product_id
ORDER BY
    month DESC,
    product_id ASC
LIMIT 20
read_rows:         6242304
tables:            ['default.amazon_reviews_pk']

Row 4:
──────
type:              QueryFinish
event_time:        2024-12-23 11:28:10
query_duration_ms: 2786
query:             SELECT
    toStartOfMonth(review_date) AS month,
    any(product_title),
    avg(star_rating) AS avg_stars
FROM amazon_reviews_pk
WHERE
    product_category = 'Home'
GROUP BY
    month,
    product_id
ORDER BY
    month DESC,
    product_id ASC
LIMIT 20
read_rows:         6242304
tables:            ['default.amazon_reviews_pk']

在这个示例中，我们看到同一个查询分别对 amazon_reviews_no_pk 和 amazon_reviews_pk 表进行了执行。这表明可能有人正在测试 amazon_reviews 表的主键设计选项。

总结

通过这篇文章，我们了解了 ClickHouse 的高级仪表板功能，包括如何开始使用它，以及如何利用它识别和解决常见问题。

无论您选择哪种部署方式，这款轻量级的监控工具都可以开箱即用。如果您倾向于使用 Prometheus 等第三方监控工具，也可以参考官方文档中的示例进行配置。

此外，ClickHouse Cloud 还提供了专属的新仪表板功能，让您可以创建更丰富的可视化效果，值得进一步探索。

征稿启示

面向社区长期正文，文章内容包括但不限于关于 ClickHouse 的技术研究、项目实践和创新做法等。建议行文风格干货输出&图文并茂。质量合格的文章将会发布在本公众号，优秀者也有机会推荐到 ClickHouse 官网。请将文章稿件的 WORD 版本发邮件至：Tracy.Wang@clickhouse.com