Для PostgreSQL Zabbix поддерживает TimescaleDB.
Он добавляет time-based partitioning:
history
↓
time chunks
и может использовать сжатие старых данных. Для крупных инсталляций это очень интересный вариант. В частности, обслуживание данных по времени становится архитектурно ближе к самой природе мониторинга:
новые данные → активно пишутся старые данные → становятся менее активными очень старые данные → удаляются
Но:
установили TimescaleDB
≠
все проблемы базы исчезли
Плохой storage, неправильный retention или нехватка ресурсов никуда автоматически не денутся.
31. Partitioning тоже не магия
Главное преимущество разбиения данных по времени:
огромная таблица
↓
несколько временных частей
При удалении старых данных можно работать с целыми временными диапазонами гораздо эффективнее, чем удалять огромные объёмы строк обычными DELETE.
Но добавление partitioning в существующую production-базу — уже архитектурное изменение.
Его нужно планировать:
- — по поддерживаемой Zabbix схеме;
- — с резервной копией;
- — с оценкой времени миграции;
- — с проверкой rollback.
32. Рассмотрим учебный сценарий
Исходно:
Zabbix queue растёт
Видим:
history syncers: 98–100%
и:
history cache free: 2–5%
Это уже важная улика. На PostgreSQL:
CPU: 35%
Первый вывод: БД не нагружена. Но storage:
write latency: 80–150 ms
а pg_stat_activity показывает sessions, ожидающие I/O.
Получаем совсем другую картину:
CPU свободен
≠
database работает быстро
33. Формулируем гипотезу
Не: PostgreSQL медленная. А конкретнее:
history syncers не успевают записывать поток значений, поскольку транзакции PostgreSQL задерживаются на операциях записи в storage. Теперь гипотеза проверяема.
34. Что можно сделать неправильно
Например:
StartDBSyncers 4 → 32
Теперь 32 процесса одновременно пытаются писать в ту же медленную storage-подсистему. Результат:
I/O contention ↑ latency ↑ database waits ↑
Параметр Zabbix изменили. Причину не устранили.
35. Что делать правильно
Сначала подтвердить источник задержек. Затем работать именно с ним. Например:
storage configuration
или:
виртуализация / datastore
или:
RAID
или:
cloud disk limits
или:
filesystem
После устранения проблемы снова измеряем:
write latency ↓ ? history syncer utilization ↓ ? history cache free ↑ ? Zabbix queue ↓ ?
36. Validation обязательна
После любого tuning нельзя останавливаться на: параметр изменён. Нужно проверить цепочку результата. Например:
изменили PostgreSQL
↓
query latency ↓
↓
history syncers ↓
↓
history cache стабилен
↓
queue нормализовалась
Только тогда есть основания говорить: изменение действительно повлияло на проблему.
37. Минимальный чек-лист диагностики
Если подозреваю PostgreSQL в проблемах Zabbix, я бы собрал минимум:
ZABBIX [ ] NVPS [ ] queue [ ] history syncer utilization [ ] history cache usage [ ] preprocessing utilization [ ] poller utilization [ ] periods of history / trends [ ] housekeeper state
POSTGRESQL [ ] CPU [ ] memory [ ] active connections [ ] wait events [ ] slow / expensive queries [ ] temporary files [ ] dead tuples [ ] autovacuum activity [ ] checkpoints / WAL [ ] database size
STORAGE / OS [ ] read latency [ ] write latency [ ] IOPS [ ] throughput [ ] disk queue [ ] filesystem free space [ ] network latency to DB
Только после этого я бы переходил к tuning.
Главное Когда Zabbix начинает отставать, легко увидеть:
queue ↑
и решить: нужно добавить процессов Zabbix. Но проблема может выглядеть так:
данные собираются нормально
↓
preprocessing работает
↓
history cache заполняется
↓
history syncers ждут
↓
PostgreSQL ждёт storage
Поэтому:
history syncers 100%
≠
мало history syncers
PostgreSQL CPU низкий
≠
PostgreSQL быстрая
база большая
≠
нужно просто добавить RAM
очередь Zabbix растёт
≠
проблема находится в Zabbix server
Правильный вопрос: на каком именно этапе поток данных перестаёт успевать за скоростью их поступления? Когда этот этап найден, tuning перестаёт быть набором случайных параметров. Он становится проверяемым инженерным изменением.