加入收藏 | 设为首页 | 会员中心 | 我要投稿 航空爱好网 (https://www.52kongjun.com/)- 自然语言处理、云硬盘、数据治理、数据工坊、存储容灾!
当前位置: 首页 > 站长学院 > MsSql教程 > 正文

SQL Server运维踩坑指南:17年实战排障手册

发布时间:2026-11-02 14:37:27 所属栏目:MsSql教程 来源:DaWei
导读:  去年一月,后台数据跳变那一刻——不是报警,是连警都没报出来。SQL Server Agent 服务自己停了三小时十七分钟,job 全挂,没发邮件,没写 event log,连 Windows 系统日志里都干净得像刚擦过。李工查监控说“看起来正常”,王

  去年一月,后台数据跳变那一刻——不是报警,是连警都没报出来。SQL Server Agent 服务自己停了三小时十七分钟,job 全挂,没发邮件,没写 event log,连 Windows 系统日志里都干净得像刚擦过。李工查监控说“看起来正常”,王总说“这算什么故障”,我盯着 SSMS 里那行绿色的“已连接”发了两分钟呆。


  饮水机在咕嘟响。老张蹲在机房门口吃盒饭,筷子尖蘸着辣酱往SQL配置文件里点,说“你改个max server memory试试”。我没拦他。改完跑了半小时,缓存全崩,tempdb 文件涨到147GB——就卡在147,死活不动,像被钉在那儿。我原以为是磁盘满了,结果df -h一看还有89G空闲。再看磁盘IO队列,avgqu-sz飙到38,但iostat显示util才12%。它压根没在干活,光排队。


文章配图,仅供参考

  风扇把快递单吹到地上。那张单子是上周寄给东莞那边的备份介质,单号还湿着。小陈从隔壁IT室探头问“你们库是不是又锁表了”,我说“没动DML”,他说“可订单系统报错‘无法获取共享锁’”,我翻sys.dm_tran_locks,看到SPID 56占着sysobjects页级锁不放——它早死了,但spid还在sysprocesses里挂着,status=sleeping,last_batch是2023-12-31 23:59:58。杀?不敢。kill spid 56之后,SQL Server实例抖了三秒,然后所有连接池里的连接全断了,包括我们自己写的那个用SqlConnection的.NET Core服务——它重连策略写的是“失败后等1秒再试”,结果387个实例在同一秒撞进来,全卡在login阶段。


  鼠标垫卷边了。去年一月那天,我把它往左推了半寸,露出底下泛黄的防静电膜。就是那一刻我突然想通:所谓“优胜劣汰”,根本不是谁跑得快,是谁能扛住那种“明明活着却没人认出你还在运行”的状态。SQL Server真不是崩溃才叫失败,是那种持续低效、日志不记、告警失能、连DBA自己都信它“应该没问题”的中间态——才是最毒的。某次断货,FBA仓库存同步延迟11小时,原因?主库transaction log backup没触发,因为维护计划里的“成功后执行下一步”判定逻辑,居然把backup device offline状态当成了“成功”。它连offline都没报错,只默默跳过了下一行——就像人打哈欠打到一半忘了合嘴。


  有人在旁边点外卖。美团弹窗刚跳出来,屏幕右下角SQL Server Management Studio突然跳出一个黄色感叹号:数据库“WMS_PROD”恢复模式为SIMPLE,但日志截断失败。我点开,发现LDF文件被Windows Defender实时扫描锁了27秒。不是防病毒软件本身问题,是它跟VSS Writer冲突时的随机落点——只有在周一上午9:17到9:22之间,且刚好有VSS快照发起时,才会卡住log reader线程。这个点,连微软KB都搜不到,只能看perfmon里Log Bytes Flushed/sec那条线,在那五分钟里,像心电图进了ICU。


  仓库卷帘门的声音。凌晨三点四十,深圳仓那边打电话来说“补货单没进WMS”,我顺手查了下Linked Server到Oracle的查询,发现OPENQUERY跑出来全是NULL。不是权限,不是网络——是SQL Server自己的msdb.dbo.sysservers表里,那条Oracle链接服务器的data_source字段,被谁手贱改成小写了“oracle_db”,而Oracle监听器只认大写“ORACLE_DB”。改回来?不行,改完要重启SQL Server Agent服务,可那会儿正跑着日结job。最后拿xp_cmdshell调了个plsql脚本临时顶上,脚本第一行就写着“#勿删——李工2024.1.3凌晨所加”。


  打包台上横着的一卷胶带。蓝的,印着“XX物流专供”,胶面有点翘边。我撕了段贴在笔记本上记重启步骤,结果手抖,粘歪了。那天一共重建了两次msdb,不是因为损坏,是因为sysmaintplan_log表爆了,自动清理job被disable了半年——没人发现,因为那个job名字叫“DBA_Maint_Plan_History_Cleanup”,而所有人日常只扫一眼“Maint”就划过去了。它disabled的图标颜色,和enabled只差12%灰度。


  所以我说“优胜劣汰”站得住。不是淘汰不会建索引的,是淘汰那些觉得“只要不蓝屏就没事”的。真正熬下来的DBA,不是记住所有trace flag,是记得住哪个库的tempdb有5个文件但其中两个初始大小是1MB——因为当年厂长非说“小点好启动快”,现在每次autogrow都像抽筋。那个亏钱案例?去年双十二前夜,促销活动倒计时页面加载慢,排查下来是reporting库的统计信息过期,update statistics on SalesOrderDetail 执行超17分钟,阻塞了所有只读副本同步,导致电商前端缓存失效,整晚下单成功率跌到61%。我数了,就那一晚,退货率多飘了0.8个百分点。不大,但够扣掉三个季度奖金。


  平台规则?管不了。我们连SQL Server自己的登录失败审核开关都没打开,还谈什么平台风控日志对齐。王总昨天问我“能不能把所有backup挪到夜间”,我说可以,但得先关掉那个用了八年、每天凌晨2:17准时跑的DBCC CHECKDB——它正在啃最后一块碎片化的NTFS卷。至于现在?先去把老张昨天改的max server memory设回原值,再看看sys.dm_os_schedulers里有没有status=VISIBLE ONLINE但current_tasks_count=0的幽灵scheduler。反正也不急,它还能撑三天。大概那个量级。

(编辑:航空爱好网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!