NDMCDB資料庫hang住故障分析
阿新 • • 發佈：2019-02-13
問題描述：
上午剛剛到辦公室，就有監控人員郵件反饋，昨晚NDMCDB407資料庫被重啟過，讓我分析一下資料庫重啟的原因。由於昨晚業務有版本上線，所以簡訊警告關閉了，所以沒有簡訊下發到我手機上，而且故障時相關人員也沒有通知到我。
1 檢查alert日誌
從alert日誌中，可以看到，先是在03:29時有一個job執行失敗了： Fri Aug 22 03:29:29 2014 Errors in file/opt/oracle/diag/rdbms/ndmcdb/NDMCDB/trace/NDMCDB_j000_28856.trc: ORA-12012: error on auto execute of job 31 ORA-04023: ObjectNDMC.DELETE_ANONY_RSHARE_INFO could not be validated or authorized ORA-06512: at "NDMC.PROC_NDMC_CANCEL_OPEN",line 5 ORA-06512: at line 1 然後在03:49時，出現了連線超時失敗，而且一直持續到05:00:08： Fri Aug 22 03:49:43 2014 *********************************************************************** Fatal NI connect error 12170. VERSION INFORMATION: TNS for Linux: Version 11.1.0.7.0 - Production Oracle Bequeath NT Protocol Adapter for Linux: Version 11.1.0.7.0 -Production TCP/IP NT Protocol Adapter for Linux: Version 11.1.0.7.0 - Production Time: 22-AUG-2014 03:49:43 Tracing not turned on. Tnserror struct: ns main err code: 12535 TNS-12535: TNS:operation timed out ns secondary err code: 12606 nt main err code: 0 nt secondary err code: 0 nt OS err code: 0 Client address: (ADDRESS=(PROTOCOL=tcp)(HOST=192.168.130.87)(PORT=36628)) WARNING: inbound connection timed out(ORA-3136) Fri Aug 22 03:49:44 2014 …… 而且出現了連線數耗盡了： Fri Aug 22 03:49:50 2014 ORA-00020: maximum number of processes 0exceeded ns secondary err code: 12560 ns secondary err code: 12560 ns main err code: 12537 Fri Aug 22 03:49:50 2014 …… Fri Aug 22 03:51:48 2014 *********************************************************************** Fatal NI connect error 12537, connectingto: (LOCAL=NO) VERSION INFORMATION: TNS for Linux: Version 11.1.0.7.0 - Production Oracle Bequeath NT Protocol Adapter for Linux: Version 11.1.0.7.0 -Production TCP/IP NT Protocol Adapter for Linux: Version 11.1.0.7.0 - Production Time: 22-AUG-2014 03:51:48 Tracing not turned on. Tnserror struct: ns main err code: 12537 TNS-12537: TNS:connection closed ns secondaryerr code: 12560 nt main err code: 0 nt secondary err code: 0 nt OS err code: 0 ORA-609 : opiodr aborting process unknownospid (30476_47044991385184) Fri Aug 22 04:14:15 2014 ORA-28 : opiodr aborting process unknownospid (24925_46986315964000) Fri Aug 22 04:16:27 2014 ORA-28 : opiodr aborting process unknownospid (22475_47013891882592) Fri Aug 22 04:16:28 2014 ORA-28 : opiodr aborting process unknownospid (21356_47116835528288) Fri Aug 22 04:16:29 2014 ORA-28 : opiodr aborting process unknownospid (24947_47774766210656) ORA-28 : opiodr aborting process unknownospid (14958_47053435166304) …… Fri Aug 22 05:00:05 2014 ORA-28 : opiodr aborting process unknownospid (25765_46941307182688) Fri Aug 22 05:00:08 2014 ORA-28 : opiodr aborting process unknownospid (4949_47396524895840) 於是在05:04資料庫被關閉，從日誌來看，這是正常關閉的，初步懷疑是人為關閉或是VCS雙機自動將資料庫關閉了： Fri Aug 22 05:04:10 2014 Stopping background process SMCO Stopping background process FBDA Shutting down instance: further logonsdisabled Fri Aug 22 05:04:12 2014 Stopping background process CJQ0 Stopping background process QMNC Stopping background process MMNL Stopping background process MMON Shutting down instance (immediate) License high water mark = 1220 Stopping Job queue slave processes, flags =7 Fri Aug 22 05:04:20 2014 Waiting for Job queue slaves to complete Job queue slave processes stopped Fri Aug 22 05:09:11 2014 License high water mark = 1220 USER (ospid: 25110): terminating theinstance Termination issued to instance processes.Waiting for the processes to exit Fri Aug 22 05:09:21 2014 Instance termination failed to kill one ormore processes Instance terminated by USER, pid = 25110
2 檢查messages日誌
大概在05:03:51時，人為的想將雙機切換到備機中：
Aug 22 05:03:51 NDMCDB11 user_cmd:2014-08-22 05:03:51 hagrp -switch RCS_DB_SG -to system by root from [oraclepts/9 Aug 22 04:29 (192.168.128.142)] Aug 22 05:04:01 NDMCDB11/usr/sbin/cron[15348]: (root) CMD (su - root -c'/opt/watchdog/watchdog_schedule -n OS,oracle' >/dev/null 2>&1) Aug 22 05:04:01 NDMCDB11 su: (to root) rooton none Aug 22 05:04:03 NDMCDB11 su: (to oracle)root on none Aug 22 05:04:09 NDMCDB11 user_cmd:2014-08-22 05:04:09 hagrp -switch RCS_DB_SG -to NDMCDB12 by root from [oraclepts/9 Aug 22 04:29 (192.168.128.142)] Aug 22 05:04:09 NDMCDB11 su: (to oracle)root on none
但雙機切換失敗，最後是直接將雙機停止，重啟VCS：
Aug 22 05:06:18 NDMCDB11 user_cmd:2014-08-22 05:06:18 hastop -all by root from [oracle pts/9 Aug 22 04:29(192.168.128.142)]
……
Aug 22 05:07:02 NDMCDB11 user_cmd:2014-08-22 05:07:02 hastat by root from [oracle pts/9 Aug 22 04:29(192.168.128.142)]所以，到這裡就已經確定，資料庫這所以重啟了，完全是由於人為將VCS叢集重啟引起的。那麼為什麼要VCS群集重啟呢？資料庫到底有沒有問題呢？再來看看。
最後，經向升級人員操作確認，在升級時，有一個儲存過程需要跑，但執行後，資料庫基本響應就非常慢了，一直執行到3:29左右，人為cancel掉了，所以這也就是為什麼會出現這樣的報錯了：
Fri Aug 22 03:29:29 2014
Errors in file/opt/oracle/diag/rdbms/ndmcdb/NDMCDB/trace/NDMCDB_j000_28856.trc:
ORA-12012: error on auto execute of job 31
ORA-04023: ObjectNDMC.DELETE_ANONY_RSHARE_INFO could not be validated or authorized
ORA-06512: at"NDMC.PROC_NDMC_CANCEL_OPEN", line 5
ORA-06512: at line 13 檢視系統負載
CPU負載：
記憶體負載：
可見，系統在3:49左右，出現了CPU及記憶體均被耗盡的情況，這個時間段，剛好資料庫出現了大量連線超時失敗，甚至是出現了連線數超過閥值：
Fri Aug 22 03:49:50 2014
ORA-00020: maximum number of processes 0exceeded
ns secondary err code: 12560
ns secondary err code: 12560
ns main err code: 12537
Fri Aug 22 03:49:50 20144 分析AWR
從這裡看，資料庫在2點到3點時，已經非常的繁忙，但從之前有系統負載來看，2點到3點時，CPU及記憶體使用率都不算很高的。接著看：
指標都沒有什麼特別高的。
從top 5 event中，看到了有大量的cursor: pin S wait on X等待，可見出現mutex爭用，但通常這只是表象而已，並非根因。
絕大部分時間都在做SQL的解析，而且解析還失敗了，這就是資料庫hang住的根因。正常來說，一個數據庫的絕大部分時間應該是用於SQL的執行，所以這個是佔用最多時間的：sql execute elapsedtime等。
不存在較高的versioncount。
那麼資料庫什麼時候出現的不停解析SQL，並且解析失敗了呢？
查了DBA_HIST_ACTIVE_SESS_HISTORY，分析了下歷史會話資訊，發現在02:57:00至03:00:00出現的問題：
經過確認，恰巧就是執行儲存過程的時間點左右。
至此，資料庫從3:00開始，已經是不正常的，資料庫不停的在解析SQL，SQL都還沒有到執行這一步，資料庫已經處於無響應的狀態，連線會話都被阻塞住了，直到連線數達到了最大連線數，最後被升級操作人員重啟了VCS叢集。
5 分析結論
（1）資料庫down機主要還是人為進行了VCS切換失敗後，進行了VCS重啟操作引起。
（2）這套資料庫故障的根因，還是為什麼資料庫在2:58左右時出現解析SQL失敗上。從目前的日誌分析來看，看不出是什麼原因。
-- Bosco ---- END -----------------------------------------------------------------------------------------------------------
版權所有，文章允許轉載，但必須以連結方式註明源地址，否則追究法律責任!