CDC 新建任务 TSO 不推进

可以查看 cdc 同步监控中，TiKV unresolved region count 监控。当这个监控面板为 0 时，同步开始推进。

当前 cdc 的行为中，新建的同步任务和重启同步任务都会触发扫一遍 region。后续相关行为会优化。

CDC 同步延迟越来越大

发现有两个 CDC 同步任务延迟越来越大，无法追赶上同步进度。

初步排查：查看 Checkpoint 没有推进，怀疑是遇到非预期情况导致任务卡住。

排查上游：发现集群 GC 卡住 2 天以上，但同步任务没有报错。判断情况异常。因为默认 cdc 异常任务是卡 gc 24h

查看任务配置：发现两个任务存在重叠的表。在这种情况下，当前 ticdc 的机制为：

CDC 同步任务会触发主键冲突，但 CDC 自身有修复机制。当前逻辑是：重试 8 次 → 失败则重启 Sink → 进入安全模式(replace into) → 成功推进 Checkpoint → 关闭安全模式 → 继续同步（。因此，CDC 任务本身没有报错，但是进入了一个自我修复的一个循环中。
GC 卡住原因： CDC 正常任务会向 PD 注册一个 Service Safepoint，保证 Safepoint 后的数据不会被 GC 回收。因此，没有报错的 CDC 任务，如果延迟越大，就会导致 GC 卡住的时间越长。

关键字：

查看 cdc 日志发现：

[xxxx] [WARN] [manager.go:270] ["Sink manager backend sink fails"] [namespace=default] [changefeed=2xxxx] [error="[CDC:ErrReachMaxTry]reach maximum try: 8, error: [CDC:ErrMySQLTxnError]MySQL txn error: Error 1062: Duplicate entry 'xxxx' for key 'xxx.PRIMARY': [CDC:ErrMySQLTxnError]MySQL txn error: Error 1062: Duplicate entry 'xxxx' for key 'xxxx.PRIMARY'"]

因此当前情况部分符合产品预期。需要调整 CDC 同步配置，去除重叠的表即可解决问题。

CDC 删除 changefeed 后，仍然报 ticdc_changefeed_failed

版本 v6.5.6.

这个有一个已知 BUG，https://github.com/pingcap/tiflow/issues/10449。

大体理解就是如果删除一个失败的 cdc 任务，大概率是删不干净的。虽然 cdc cli 查看是看不到相关任务了。

也就是失败的 cdc 任务，正常删除，query 查不到，但是告警还在。

处理方法就是：创建同名任务，不同步任何表，然后删除即可。

TiCDC 任务报错、checkpoint 不推进

版本为 6.5.5，做了 tidb 同步 tidb 操作。用 BR 做的备份还原。

看了 CDC 日志，发现关键报错(已经脱敏)：

2024/06/27 17:36:24.826 +08:00] [ERROR] [mysql.go:772] ["execute DMLs with error, can not retry"] [error="[CDC:ErrMySQLTxnError]MySQL txn error: context deadline exceeded"] [errorVerbose="[CDC:ErrMySQLTxnError]MySQL txn error: context deadline exceeded\ngithub.com/pingcap/errors.AddStack\n\tgithub.com/pingcap/errors@v0.11.5-0.20220729040631-518f63d66278/errors.go:174\ngithub.com/pingcap/errors.(*Error).GenWithStackByArgs\n\tgithub.com/pingcap/errors@v0.11.5-0.20220729040631-518f63d66278/normalize.go:164\ngithub.com/pingcap/tiflow/pkg/errors.WrapError\n\tgithub.com/pingcap/tiflow/pkg/errors/helper.go:34\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql.(*mysqlBackend).multiStmtExecute\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql/mysql.go:636\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql.(*mysqlBackend).execDMLWithMaxRetries.func1.3\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql/mysql.go:708\ngithub.com/pingcap/tiflow/cdc/sinkv2/metrics.(*Statistics).RecordBatchExecution\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/metrics/statistics.go:74\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql.(*mysqlBackend).execDMLWithMaxRetries.func1\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql/mysql.go:696\ngithub.com/pingcap/tiflow/pkg/retry.run\n\tgithub.com/pingcap/tiflow/pkg/retry/retry_with_opt.go:57\ngithub.com/pingcap/tiflow/pkg/retry.Do\n\tgithub.com/pingcap/tiflow/pkg/retry/retry_with_opt.go:34\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql.(*mysqlBackend).execDMLWithMaxRetries\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql/mysql.go:685\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql.(*mysqlBackend).Flush\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/mysql/mysql.go:176\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn.(*worker).doFlush\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/worker.go:179\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn.(*worker).runLoop\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/worker.go:135\ngithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn.newSink.func1\n\tgithub.com/pingcap/tiflow/cdc/sinkv2/eventsink/txn/txn_sink.go:109\ngolang.org/x/sync/errgroup.(*Group).Go.func1\n\tgolang.org/x/sync@v0.1.0/errgroup/errgroup.go:75\nruntime.goexit\n\truntime/asm_amd64.s:1594"] [duration=2m5.005272856s] [query="DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` = ? AND `column3` = ? LIMIT 1;DELETE FROM `database_name`.`table_name` WHERE `column1` = ? AND `column2` ="] [count=359] [changefeed=default.feed_name]

可以看到，SQL 在下游执行了 2m5s。这个时候去看了下游相关 SQL 执行计划和表结构后发现：

不符合 cdc 同步最佳实践，未满足有效索引(当期调整了参数强行同步的)：https://docs.pingcap.com/zh/tidb/stable/ticdc-overview#%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5
br 导入数据库，需要手动收集下所有表的统计信息(没有统计信息，SQL 走了全表扫)。当前 BR 备份还原带统计信息后续版本也会优化。

分区表写入热点导致 CDC 延迟

版本为 6.5.3.

实际上这个问题要分析两个地方：

热点问题是否会导致 cdc 延迟，什么会优先成为瓶颈。
分区表为何会带来热点问题。

关于 1.的结论是：写热点会导致 cdc 延迟。 CDC endpoint CPU 会更快的 100%，cdc endpoint 是指 TiKV 里服务 CDC 的 gRPC 接口，正常处理 gRPC 要么很快完成、要么丢给 cdc worker 跑，所以 cdc endpoint 是单线程的。

关于 2.分区表为何带来热点问题：默认参数下，一张表连续创建新分区 Region Leader 会集中在一个 TiKV ，tidb 中一个分区相当于一个表，他有独立的 table id(partition id)，在新建的时候他会从同一个 region 分裂出来(split table 参数控制，默认会开)。也就是新建一个表就会 new 一个新 region。但是默认 scatter 是不开启的，因此新分裂的 region 会在一个 TiKV 上。处理方法：

可以尝试开启 tidb scatter region 配置， https://docs.pingcap.com/zh/tidb/stable/system-variables#tidb_scatter_region
手动 scatter：curl http://{TiDBIP}:10080/tables/{db}/{table}/scatter ，关闭：curl http://{TiDBIP}:10080/tables/{db}/{table}/stop-scatter

cdc no owner 告警误报

版本是 6.5.9

问题是告警误报：instance: cdc cluster has no owner for more than 10 minutes,

有做过：

检查 Prometheus 和 cdc 节点时钟，没有问题
尝试在 Prometheus 中调试公式，发现结果正确。但是观察判断上有问题，初步判断是 Prometheus bug

处理方法是：

Prometheus 单独升级：

https://docs.pingcap.com/zh/tidb/stable/upgrade-monitoring-services#%E5%8D%87%E7%BA%A7-prometheus

用 patch 的方式升级到了 Prometheus 最新版本。

并且升级前，扩容了一个 Prometheus，复现了告警，然后升级扩容的 Prometheus 后问题消失。

这个问题比较奇怪，很多 TiDB 用户一样告警公式是没有遇到相关问题的。不确定触发条件到底是什么。

TiDB CDC 近期遇到问题总结