应用Profiler优化SQL Server数据库系统

亿博

　　概述 　　 　　当你的SQL Server数据库系统运行缓慢的时候，你或许多多少少知道可以使用SQL Server Profiler（中文叫SQL事件探查器）工具来进行跟踪和分析。是的，Profiler可以用来捕获发送到SQL Server的所有语句以及语句的执行性能相关数据（如语句的read/writes页面数目，CPU的使用量，以及语句的duration等）以供以后分析。但本文并不介绍如何使用Profiler 工具，而是将介绍如何使用read80trace（有关该工具见后面介绍）工具结合自定义的存储过程来提纲挈领地分析Profiler捕获的Trace文件，最终得出令人兴奋的数据分析报表，从而使你可以高屋建瓴地优化SQL Server数据库系统。 　　 　　本文对那些需要分析SQL Server大型数据库系统性能的读者如DBA等特别有用。在规模较大、应用逻辑复杂的数据库系统中Profiler产生的文件往往非常巨大，比如说在Profiler中仅仅配置捕获基本的语句事件，运行二小时后捕获的Trace文件就可能有GB级的大小。应用本文介绍的方法不但可以大大节省分析Trace的时间和金钱，把你从Trace文件的海量数据中解放出来，更是让你对数据库系统的访问模式了如指掌，从而知道哪一类语句对性能影响最大，哪类语句需要优化等等。 　　 　　Profiler trace文件性能分析的传统方法以及局限 　　 　　先说一下什么是数据库系统的访问模式。除了可以使用Trace文件解决如死锁，阻塞，超时等问题外，最常用也是最主要的功能是可以从Trace文件中得到如下三个非常重要的信息： 　　 　　1.运行最频繁的语句 　　 　　2.最影响系统性能的关键语句 　　 　　3.各类语句群占用的比例以及相关性能统计信息 　　 　　本文提到的访问模式就是上面三个信息。我们知道，数据库系统的模块是基本固定的，每个模块访问SQL Server的方式也是差不多固定的，具体到某个菜单，某个按钮，都是基本不变的，所以，在足够长的时间内，访问SQL Server的各类语句及其占用的比例也基本上是固定的。换句话说，只要Profiler采样的时间足够长（我一般运行2小时以上），那么从Trace文件中就肯定可以统计出数据库系统的访问模式。每一个数据库系统都有它自己独一无二的访问模式。分析Profiler Trace文件的一个重要目标就是找出数据库系统的访问模式。一旦得到访问模式，你就可以在优化系统的时候做到胸有成竹，心中了然。可惜直到目前为止还没有任何工具可以方便地得到这些信息。 　　 　　传统的Trace分析方法有两种。一种是使用Profiler工具本身。比如说可以使用Profiler的Filter功能过滤出那些运行时间超过10秒以上的语句，或按照CPU排序找出最耗费CPU的语句等。另一种是把Trace文件导入到数据库中，然后使用T-SQL语句来进行统计分析。这两种方法对较小的Trace文件是有效的。但是，如果Trace文件数目比较多比较大（如4个500MB以上的trace文件），那么这两种方法就有很大的局限性。其局限性之一是因为文件巨大的原因，分析和统计都非常不易，常常使你无法从全局的高度提纲挈领地掌握所有语句的执行性能。你很容易被一些语句迷惑而把精力耗费在上面，而实际上它却不是真正需要关注的关键语句。局限性之二是你发现尽管很多语句模式都非常类似（仅仅是执行时参数不同），却没有一个简单的方法把他们归类到一起进行统计。简而言之，你无法轻而易举地得到数据库系统的访问模式，无法在优化的时候做到高屋建瓴，纲举目张。这就是传统分析方法的局限性。使用下面介绍的Read80trace工具以及自定义的存储过程可以克服这样的局限性。 　　 　　Read80trace工具介绍以及它的Normalization 功能 　　 　　Read80Trace工具是一个命令行工具。使用Read80Trace工具可以大大节省分析Trace文件的时间，有事半功倍的效果。Read80Trace的主要工作原理是读取Trace文件，然后对语句进行Normalize (标准化)，导入到数据库，生成性能统计分析的HTML页面。另外，Read80trace可以生成RML文件，然后OSTRESS工具使用RML文件多线程地重放Trace文件中的所有事件。这对于那些想把Profiler捕获的语句在另外一台服务器上重放成为可能。本文不详细介绍Read80trace或OStress工具，有兴趣的读者请自行参阅相关资料，相关软件可以从微软网站下载（注：软件名称为RML，http://www.microsoft.com/downloads/）。 　　 　　我要利用的是Read80Trace的标准化功能。什么是标准化？就是把那些语句模式类似，但参数不一样的语句全部归类到一起。举例说Trace中有几条语句如下： 　　 　　select * from authors where au_lname = 'white' 　　select * from authors where au_lname = 'green' 　　select * from authors where au_lname = 'carson' 　　 　　经过标准化后，上面的语句就变成如下的样子： 　　 　　select * from authors where au_lname = {str} 　　select * from authors where au_lname = {str} 　　select * from authors where au_lname = {str} 　　 　　有了标准化后的语句，统计出数据库系统的访问模式就不再是难事。运行Read80trace 的时候我一般使用如下的命令行： 　　 　　Read80trace –f –dmydb –Imytrace.trc 　　 　　其中－f开关是不生成RML文件，因为我不需要重放的功能。生成的RML文件比较大，建议读者如果不需要重放的话，也使用－f开关。 　　 　　－d开关告诉read80trace把trace文件的处理结果存到mydb数据库中。我们后面创建的存储过程正是访问read80trace在mydb中生成的表来进行统计的。－I开关是指定要分析的的trace文件名。Read80trace工具很聪明，如果该目录下有Profiler产生的一系列Trace文件，如mytrace.trc,mytrace1.trc,mytrace2.trc等，那么它会一一顺序读取进行处理。 　　 　　除了上面介绍的外，Read80trace还有很多其它有趣的开关。比如说使用－i开关使得Read80trace可以从zip或CAB文件中读取trace文件，不用自己解压。所有开关在Read80trace.chm中有详细介绍。我最欣赏的地方是read80trace的性能。分析几个GB大小的trace文件不足一小时就搞定了。我的计算机是一台内存仅为512MB的老机器，有这样的性能我很满意。 　　 　　你也许会使用read80trace分析压力测试产生的trace文件。我建议还是分析从生产环境中捕获的Trace文件为好。因为很多压力测试工具都不能够真正模拟现实的环境，其得到的trace文件也就不能真实反映实际的情况。甚至有些压力测试工具是循环执行自己写的语句，更不能反映准确的访问模式。建议仅仅把压力测试产生的trace作为参考使用。 　　 　　使用存储过程分析Normalize后的数据 　　 　　有了标准化后的语句就可以使用存储过程进行统计分析了。分析的基本思想是把所有模式一样的语句的Reads，CPU和Duration做group by统计，得出访问模式信息： 　　 　　1.某类语句的总共执行次数，平均读页面数（reads）/平均CPU时间/平均执行时间等。 　　 　　2.该类语句在所有语句的比例，如执行次数比例，reads比例，CPU比例等。 　　 　　存储过程的定义以及说明如下： 　　 　　/*************************************************************/ 　　Create procedure usp_GetAccessPattern 8000 　　@duration_filter int=-1 --传入的参数，可以按照语句执行的时间过滤统计 　　as begin 　　 　　/*首先得到全部语句的性能数据的总和*/ 　　declare @sum_total float,@sum_cpu float,@sum_reads float,@sum_duration float,@sum_writes float 　　select @sum_total=count(*)*0.01,--这是所有语句的总数。 　　@sum_cpu=sum(cpu)*0.01, --这是所有语句耗费的CPU时间 　　@sum_reads=sum(reads)*0.01, --这是所有语句耗费的Reads数目，8K为单位。 　　@sum_writes=sum(writes)*0.01,--这是所有语句耗费的Writes数目，8K为单位。 　　@sum_duration=sum(duration)*0.01--这是所有语句的执行时间总和。 　　from tblBatches --这是Read80Trace产生的表，包括了Trace文件中所有的语句。 　　where duration>=@duration_filter --是否按照执行时间过滤 　　 　　/*然后进行Group by，得到某类语句占用的比例*/ 　　Select ltrim(str(count(*))) exec_stats,'' str(count(*)/@sum_total,4,1) '%' ExecRatio, 　　ltrim(str(sum(cpu))) ' : ' ltrim(str(avg(cpu))) cpu_stats,'' str(sum(cpu)/@sum_cpu,4,1) '%' CpuRatio, 　　ltrim(str(sum(reads) )) ' : ' ltrim(str(avg(reads) )) reads_stats,'' str(sum(reads)/@sum_reads,4,1)　 '%' ReadsRatio , 　　--ltrim(str(sum(writes) )) ' : ' ltrim(str(avg(writes) )) --writes_stats,'' str(sum(writes)/@sum_writes,4,1) '%)', 　　ltrim(str(sum(duration) )) ' : ' ltrim(str(avg(duration))) duration_stats,'' str(sum(duration)/@sum_duration,4,1) '%' DurRatio , 　　textdata,count(*)/@sum_total tp,sum(cpu)/@sum_cpu cp,sum(reads)/@sum_reads rp,sum(duration)/@sum_duration dp 　　into #queries_staticstics from 　　/* tblUniqueBatches表中存放了所有标准化的语句。*/ 　　(select reads,cpu,duration,writes,convert(varchar(2000),NormText)textdata from tblBatches 　　 inner join tblUniqueBatches on tblBatches.HashId=tblUniqueBatches.hashid where duration>@duration_filter 　　) B group by textdata --这个group by很重要，它对语句进行归类统计。 　　 　　print 'Top 10 order by cpu reads duration' 　　select top 10 * from #queries_staticstics order by cp rp dp desc 　　print 'Top 10 order by cpu' 　　select top 10 <