问题现象

使用 sysbench + haproxy 对 TiDB 进行压测，运行 25 小时后遇到报错。

问题分析步骤

根据 sysbench 报错提示 error 8022，判断是事务提交失败出错。

以下日志 185 TiKV 节点对应报错日志，时间点与此事务报错完全一致。

[2024/07/17 14:52:42.842 +08:00] [INFO] [commit.rs:68] ["txn conflict (lock not found)"] [commit_ts=451202033330946287] [start_ts=451202027340441782] [key=7480000000000000FF8E5F728000000000FF996DBA0000000000FA] [thread_id=62]
[2024/07/17 14:52:42.842 +08:00] [WARN] [errors.rs:390] ["txn conflicts"] [err="Error(Txn(Error(Mvcc(Error(TxnLockNotFound { start_ts: TimeStamp(451202027340441782), commit_ts: TimeStamp(451202033330946287), key: [116, 128, 0, 0, 0, 0, 0, 0, 142, 95, 114, 128, 0, 0, 0, 0, 153, 109, 186] })))))"] [thread_id=62]

根据官网说明，报错说明事务在 commit 提交时锁已经被清除导致。

https://docs.pingcap.com/zh/tidb/stable/troubleshoot-lock-conflicts#%E9%94%81%E8%A2%AB%E6%B8%85%E9%99%A4-locknotfound-%E9%94%99%E8%AF%AF

根据错误信息解析报错日志的开始时间和提交时间，事务的时间范围在 (14:52:19 - 14:52:42)

开始时间
[tidb@tidb17 ~]$ tiup ctl；v8.1.0 pd tso 451202027340441782
Starting component ctls/home/tidb/.tiup/components/ctl/v8.1.0/ctl pd tso 451202027340441782
system: 2024-07-17 14:52:19.94 +0800 CST
logic: 10422
提交时间
[tidb@tidb17 ~]$ tiup ctl:v8.1.0 pd tso 451202033330946287
Starting component ctl: /home/tidb/.tiup/components/ctl/v8.1.0/ctl pd tso 451202033330946287
system: 2024-07-17 14:52:42.792 +0800 CST
logic: 239

收集 Clinic。根据以下步骤收集 Clinic 并上传进一步分析。

tiup diag config clinic.token eyJrIjoiV1BFY2JWYmFIdlh5d2VBMSIsInUiOjg3MiwiaWQiOjgzMn0=
tiup diag config clinic.region CN
tiup diag collect tidb-test --include="monitor" -f="2024-07-11T00:00:00+08:00" -t="2024-07-11T11:00:00+08:00"
tiup diag package /home/tidb/diag-tidb-test-gs9727jn7ky
tiup diag upload /home/tidb/diag-tidb-test-gs9727jn7ky.diag

分析 Grafana 图表及日志。查看问题时间点的异常情况，发现主要问题点包括：
1. 在报错时间点发生 184 TiKV 的 Leader 切换。时间点约 14：53 分。
3. Raft 层进行了 Leader 的切换（184节点）和选举（185 186 节点）。
5. 通过日志聚合可以看到 184 节点共有 528 次 leader 被降级的情况（received a message with higher term，收到新任期的 leader 信息）（14:52:50-14:53:01），对应上述监控中约 530 左右个 leader 。
7. 取其中某一个 region id 8801 对应日志。
8. 先有大量的 scheduler handle 日志（写入请求超过 1 s 的慢日志）后，Raft Leader 进行切换。
10. 181 节点 PD 持久化 WAL 花费时间耗时约 8 秒。
12. 184 日志信息大量请求 PD LEADER 失败（14:52:30-14:52:40）

根据上述现象判断可能是因为网络原因或硬盘延迟导致 Raft 或 WAL 同步延迟。查看 Performance Overview 后发现在故障时间点磁盘延迟极高。
1. 181 节点
3. 184 节点

根据上述分析，能够确认由于故障时间点 184 节点磁盘延迟突增，导致此节点上的 Raft 日志无法持久化到磁盘且无法正常向其余 Follower 同步。
1. 在 184 节点 TiKV 磁盘不正常导致 scheduler 超长的时间（14:52:20-14:53:00）
3. 所有的写入请求只要处理时间超过 1 s 都会记录 scheduler prewrite 日志，14:52:20-14:53:00，共出现 8098 次日志。

184 节点 Leader 切换的原因是由于 TiDB 在 v5.2 版本后增加了慢节点的自动检测机制。由于磁盘延迟导致此节点严重变慢，184 被标记为慢节点( score 达到 80)，从而引发 Leader 全部切换。

https://docs.pingcap.com/zh/tidb/stable/tikv-configuration-file#inspect-interval

从 182 PD 日志也证明产生了 evict-slow-store-scheduler 调度任务

[2024/07/17 14:52:38.143 +08:00] [INFO] [coordinator.go:478] ["create scheduler with independent configuration"] [scheduler-name=evict-slow-store-scheduler]
[2024/07/17 14:52:38.146 +08:00] [INFO] [coordinator.go:507] ["create scheduler"] [scheduler-name=evict-slow-store-scheduler] [scheduler-args="[]"]
[2024/07/17 14:52:56.215 +08:00] [INFO] [evict_slow_store.go:325] ["detected slow store, start to evict leaders"] [store-id=7]
...

在 184 节点 TiKV 磁盘不正常导致 scheduler 超长的时间（14:52:20-14:53:01）和报错对应事务提交时间 14:52:42.792 重叠 (启动时间 14:52:19.94 ~ 提交时间 14:52:42.792），属于“建议检查下是否是因为写入性能的缓慢导致事务提交的效率差，进而出现了锁被清除的情况。”

分析结论

分布式事务中持有的锁在事务提交前，是需要不断得进行 TTL 续期的，TTL 的设计是为了防止由于事务异常中断，存储引擎上锁信息长期不释放的情况，导致其他事务无法获得该记录的锁的情况，第一次持有时间是 20 s。因为磁盘延迟突增引发写入性能严重下降的原因，导致锁的 TTL 续期不正常，其他会话获得锁时发现该记录上的锁已经过期，进行清除处理，最终原事务提交时发现锁被其他会话清理，已经不存在，不符合提交条件，事务提交失败。

有关 TiDB 锁行为分析，可参考 https://tidb.net/blog/bbcb5a11

一次 sysbench 长稳测试过程中锁丢失导致事务提交失败的问题分析排查

问题现象

问题分析步骤

分析结论