ALM-45458 ClickHouse存在变更任务的堆积

告警解释

告警模块按30秒周期检测ClickHouse服务mutations任务队列中的任务数，当检测到任务数超过阈值（5,000），系统产生此告警。

当系统检测到任务数低于阈值，告警恢复。

告警属性

告警参数

对系统的影响

当ClickHouse节点出现变更任务堆积时，可能会导致查询任务出现延迟，严重时会拖慢整个集群的性能，甚至导致集群服务不可用。

可能原因

• 频繁执行alter table ... update/delete类型的任务。
• 表中有脏数据，导致mutation任务执行失败并且不断重试。

处理步骤

检查是否存在频繁执行alter table ... update/delete类型的任务

1. 登录FusionInsight Manager页面，选择“运维 > 告警 > 告警”，查看当前告警“定位信息”中的角色名以及确认主机名所在的IP地址。
2. 以客户端安装用户，登录客户端的节点，执行如下命令：

   cd {客户端安装路径}

   source bigdata_env

   • 集群已启用Kerberos认证（安全模式）：

     kinit 组件业务用户

     clickhouse client --host 上报告警的ClickHouseServer实例IP --port 9440 --secure

   • 集群未启用Kerberos认证（普通模式）：

     clickhouse client --host 上报告警的ClickHouseServer实例IP --user 用户名 --password --port 9440

3. 执行以下语句，查看system.mutations中的任务类型，判断是否有长时间（超过10分钟）未执行的变更任务：

   select FQDN() as node, database, table, mutation_id, create_time, command, is_done, parts_to_do FROM clusterAllReplicas('default_cluster', system.mutations) WHERE is_done = 0;

4. 根据步骤 3中查询的结果，确认mutation任务相关的表名，尝试清理这些长时间未执行的mutation任务。

   KILL MUTATION WHERE database = '库名' AND table = '表名';

   或者：

   KILL MUTATION WHERE database = '库名' AND table = '表名' AND mutation_id = 'mutation_id';

   

   alter table ... update/delete类型的任务属于mutation任务，对系统资源有大量的消耗，严重影响集群性能，应尽量避免频繁使用。

5. 等待一段时间，查看告警是否恢复。
   • 是，操作结束。
   • 否，执行步骤 6。

检查表中是否存在脏数据

6. 使用root用户登录告警上报的节点，查看对应节点上的“/var/log/Bigdata/clickhouse/clickhouseServer/clickhouse-server.log”日志是否有“Cannot parse xxx”类似的报错。
   • 是，执行步骤 7。
   • 否，执行步骤 8。

7. 排查mutation任务执行的表中是否存在脏数据，导致数据解析时报错“Cannot parse xxx”
   • 是，清理脏数据，重新执行步骤 3。
   • 否，执行步骤 8。

收集故障信息

8. 在FusionInsight Manager界面，选择“运维 > 日志 > 下载”。
9. 在“服务”中勾选待操作集群的“ClickHouse”。
10. 在“主机”中选择异常的主机，单击“确定”。
11. 单击右上角的时间编辑按钮，设置日志收集的“开始时间”和“结束时间”分别为告警产生时间的前后1小时，单击“下载”。
12. 请联系运维人员，并发送已收集的故障日志信息。

告警清除

此告警修复后，系统会自动清除此告警，无需手工清除。

参考信息

不涉及。