ORACLE强大的令人发指

　　作为一名混迹数据库江湖十几年的老DBA，当你对关系型数据库的了解越来越深入时，你会发现，Oracle数据库真的是强大到令人发紫！
　　Oracle数据库的强大，不仅体现在其对ACID的巧妙实现，其对高并发的完美支持，更重要的是他的可管理性，包括可度量、可回溯，以及出现问题后的问题核查接口和问题检查方法论，真是强大到令人发紫，这是其他关系型数据库短期内还无法超越的。
　　问题来了！！！！
　　电话响了，是某银行一位熟悉的资深DBA的来电。
　　在吗？现在应用连接数据库会hang住，sysdba登陆也会hang住，无报错，该如何处理？
　　没有往日的寒暄和客套，直入主题！
　　人的声音是有表情的，从电话那头急促的语气，不难判断，客户很着急。
　　可能有些朋友不清楚数据库登录hang住是怎样的一种现象，下图可以脑补一下：
　　也就是说，正常的登录是可以快速看到SQL这样的提示符的，但出现异常时，就会长时间等不到SQL这样的提示符，这就是所谓的登录数据库会hang住。
　　看到这里，有些朋友开始激动了，要猜一下原因，试一下身手！
　　1）是不是数据库归档满了？
　　答：这归档满了，sysdba登录会报ORA归档错误相关的提示！而且注意细节，之前提到了，客户是资深的DBA，显然这种可能性早就被排除掉了，注意细节啊
　　2）查一下等待事件，看看在等什么呢？
　　答：这数据库都连不进去了，怎么发出SQL来查询呢
　　3）alert日志有什么明显报错么？
　　答：在这个case中alert日志没有报错，也没有明显问题
　　三板斧用完后，接下来不妨思考个两三分钟，如果是你，接下来你要怎么指挥这场战斗
　　别着急，你收两个SSD保存现场，然后杀掉pmon，先恢复业务，然后把SSD的trace发我，我来做下RCA！
　　客户杀完pmon进程，数据库自动重启后，业务恢复正常。随后将SSD发了过来。
　　这里有些同学听到这些术语，有些摸不着头脑了：
　　什么是SSD？固态盘（不会吧）？
　　还有什么是RCA呢？
　　这里给大家科普一下：
　　SSD其实就是SystemStateDump，系统即时状态DUMP的首字母组合，
　　RCA就是RootCauseAnalyze，根因分析，是解决问题的难度要大许多，也有意思许多
　　为什么要收集SSD呢？
　　因为原因的不确定性，怎么能抓到蝴蝶效应中的那只蝴蝶呢？那就需要足够的信息！
　　多年前未掌握SSD这个功能的时候，出现问题，喜欢收集vsession，vsessionwait，vsqlarea，vlock等动态性能的相关信息，然后重启，但是后来往下分析的时候，发现少收集了什么信息，导致分析不顺利，后悔莫及
　　当时就在想，ORACLE是否有一个一键收集的功能：
　　把想要的，不想要的，全都收集下来呢！答案就是SSD。
　　甚至是当sysdba无法登陆时，Oracle依然可以直接attach到共享内存，将内存中的即时状态全部抓取下来，包括系统当前各个进程正在执行什么、正在等什么、进城的堆栈等信息，真是强大大令人发紫的一个功能。
　　SSD的收集非常简单，照敲就是了，以下是SSD收集的命令
　　sqlplusprelimassysdba
　　SQLoradebugsetmypid
　　SQLoradebugdumpsystamstate266
　　SQL等上30秒到1分钟
　　SQLoradebugdumpsystamstate266
　　SQLoradebugtracefilename
　　接下来就带领大家一起去分析SSD，做根因分析，你会发现工作是一件多么有趣的事情。
　　1。查看登陆进程在等什么
　　从xxdbora33030248。trc中搜索waitingfor可以看到：
　　可以看到：
　　1）有N个进程都在等latch：librarycache，latch，并且latch是同一个即70000006b9d8008
　　2）1个进程在等cursor：pinX，即在等待cursor类型的mutex
　　3）latch等待的时间已经长达达到3723秒
　　这里不难看出：
　　由于登陆的时候，要执行包括验证用户、获取权限等内部的SQL（递归SQL），但是在发出SQL后，由于长时间无法获取latch：librarycache这样的资源，因此登陆看上去就像hang住了一样接下来，我们只需要找到无法latch：librarycache的原因，就可以解开数据库hang住的真相了！
　　2。第一次头脑风暴
　　看到这里，也许有同学迫不及待地又想再试试身手：
　　是不是硬解析的问题？
　　可以看到：
　　当客户端发出的SQL到达数据库的服务进程后，要先在sharedpool中去找内存中是否存在该SQL和执行计划，如果存在则拿到执行计划直接执行即可。
　　那么oracle是如何查找的呢？就是对SQL文本计算hash值后，获取latch：librarycache（11g中则采用mutex代替），对对应的链表进行扫描即可。
　　因此，软解析也会申请该latch。
　　所以，不能说是简单的硬解析的问题，一切都有可能。
　　BTW，笔者面试过很多人，其实更像看到的是分析问题的方法论，而不是使劲的猜
　　为什么呢？我们总会遇到很多经验范围之外的事情，怎么可能猜出自己不知道的事情呢？
　　3。找原因，Orale就是这么简单！
　　既然长时间无法获取latch，那么是谁在持有latch呢？
　　需要说明的是，当无法获取latch：librarycache的时候，Oracle在实现上，会将自己放到latch的等待着列表waiterlist当中，那么自然也就有一个对应的持有者列表，
　　这么做的原因在于，当持有者使用完该latch后，到等待者列表中唤醒等待的进程即可。同时，Oracle在做SSD的时候，就已经把持有者给打印到trace里了。
　　搜索waitingfor70000006b9d8008Childlibrary
　　可以看到possibleholderpid19ospid10027060，即持有者是pid19ospid10027060
　　接下来，我们需要去看看latch持有者即pid19ospid10027060的进程在做什么
　　4。持有latch的人去哪了？
　　搜索ospid：10027060，就可以看到LATCH持有者的进程的详细信息了
　　包括进程名，在执行什么SQL，进程状态是什么，在等什么资源
　　可以看到：
　　Pid19，spid10027060的进程，是ORACLE的一个JOBSLVAE进程j001，
　　由于他在持有latch，导致了很多进程需要等待，
　　holding（efd5）70000006b9d8008Childlibrarycache
　　乘胜追击，进一步查看该进程在等什么资源：
　　可以看到：
　　该进程对应的SID是534，当前实际上并没有在等待任何资源，因为lastwait表示的是上一次的等待了。长时间持有latch：librarycache，导致N个进程登陆执行内部SQL的时候无法获取latch，继而无法登陆，但是，进程持有者PID19，SID534，又没有在等待任何资源，SQL：0表示当前没有在执行任何SQL。
　　生无可恋了，那我怎么知道进程持有者在做什么呢，这还怎么往下查呢
　　提示：这里请记住latch的持有者，SID是534，534！
　　5。陷入僵局
　　还记得么，Oracle有一套方法论，那么方法论就是查看callstack，通过查看进程调用的函数轨迹，就可以判断出来，当前进入了哪一种场景。
　　但是由于客户一着急，收集的SSD的level不够，因为没有打印每个进程的callstack！
　　这可如何是好啊，难道问题要陷入僵局。。
　　如果是你，接下来，会怎么往下打这一场仗
　　6。细节决定成败
　　如图所示：
　　红色加框部分显示，该进程的状态处于DEAD状态！即持有latch的那个进程已经死掉了！
　　看到这里：
　　有些朋友又要蒙圈了，这是什么情况？
　　有些朋友可能已经开始有点想法了，心里在嘿嘿乐
　　没错，实际上，这已经设计到道和术的问题。
　　技术层面上，一路找到最终的阻塞者后，已经进行不下去了！
　　接下来，大家不妨停下来，思考一下：
　　原理层面呢？
　　学了那么多体系架构的东西，怎么用到生产问题中呢？
　　是否可以运用原理帮助解开这个数据库挂起的问题呢？
　　我面试候选DBA的时候，喜欢问原理。
　　很多候选DBA答不上来的时候，总喜欢解释道，而且是很坦然的解释到：
　　不好意思，过去从来不关注原理，熟练操作就可以了！
　　听到这些回答，本人总会语重心长的让对方做一道故障题，不掌握原理是不可能解开的，结果很显然的，候选人自然答不上来，之后我会演示问题处理和分析过程，候选人往往都会重新定义对道和术的认知，孺子可教。。。
　　工程师熟练操作是基础，，但是从中级工程师到高级工程师，再到资深工程师，深入原理是一道坎，能将原理熟练应用到实际分析中又是一道坎。什么时候跨过坎了，层次也就不一样了。很多DBA因为没有人点拨，可能永远过不了那道坎
　　7。振聋发聩的一问！
　　为什么进程死掉了，但是进程还在持有latch资源不释放？
　　PMON做什么去了？他是干什么吃的
　　是的！这就是问题的关键！当听到这么一个振聋发聩的惊天一问时，恭喜你，跨过了一道坎！
　　如果已经提示到这个程度，依然无法发出这么一个疑问，实在是！
　　8。看看PMON在做什么
　　搜索（PMON），就可以找到SSD中PMON进程的相关信息。如下所示：
　　可以看到：
　　PMON正在等待cursor：pinx，即申请模式为独占，类型为cursor的mutex
　　waitingforcursor：pinX
　　该mutux的IDN是idnad39e34，即hash值
　　由于PMON被阻塞，卡住了，因此自然没有机会去清理死去进程所持有的LATCH了！
　　我们继续真相又进了一步！
　　只需要集中精力，需要继续到底是是哪个进程，持有了idnad39e34的mutex，导致PMON被长时间阻塞了，就可以解开问题的真相了！
　　接下来，大家不妨停下来，思考一下：
　　上图中，但是BLOCKINGSESS0X0，这里无法直接查看是谁阻塞了PMON进程。
　　那么如果是你，你会怎么往下查呢
　　9。谁阻塞了PMON
　　由于PMON进程以独占方式申请
　　类型为cursor的mutex被阻塞，显然该MUTEX正在被某个进程以独享或独占方式长时间持有。这显然是不正常的。毕竟MUTEX是一种轻量级的资源。
　　接下来，我们在TRACE中搜索idnad39e34oper，结果如下所示
　　Mutex70000003eec4be0（534，0）idnad39e34operGETEXCL
　　Mutex70000003eec4be0（534，0）idnad39e34operEXCL
　　可以看到：
　　该MUTEX上有两个操作，OPER即Operation，操作。
　　一个进程正在以独占方式持有，即operEXCL
　　另外一个进程正以独占方式申请，operGETEXCL，Get表示申请，因此发生阻塞。该进程就是PMON进程。
　　红色底纹部分的534，就表示MUTEX的持有者，即SID534！
　　没错！SID534就是我们之前持有latch：librarycache资源但已经死去的进程！
　　就是哪个等着被PMON清理的死去的进程！
　　10。分析总结
　　综合上述分析，总结如下：
　　1）N个进程无法登陆，是因为无法获得latch：librarycache资源，该资源被一个死去的SID534的进程持有了，还没释放！
　　2）按照原理，PMON有义务去清理死去的SID534的进程所持有的资源（latch等）。
　　3）但是PMON只有一个，PMON正在等cursor：pinX，即以独占方式申请类型为cursor的mutex。所以腾不出手来清理死去的SID534的进程。
　　4）正是SID534持有MUTEX，阻塞了PMON！
　　假设说步骤1，2还合理的话，但是步骤3和4就毁三观了！
　　总结起来就一句话，PMON要去给死去的进程收尸，但是要获得死去进程的同意！
　　这太不合理，太不科学了！为什么会这样呢
　　很简单，命中BUG！
　　11。轻松找BUG
　　分析到这里，掌握了问题的本质，那么找BUG起来就很简单了！
　　ORACLE有一个强大的知识库，记录了全球客户提交过的CASE，里面包含了BUG库！
　　怎么找到具体的BUG呢？
　　接下来不妨思考个1分钟，如果是你，接下来你要怎么定搜索关键字呢
　　这里，以pmoncursordead做为关键字（其他关键字也可以），检索BUG。
　　很快，一个BUG的标题引起了注意：
　　Bug8426816PMONmayhangcleaningupadeadprocess（rare）
　　点开BUG，描述如下：
　　怎么样，看完了吧，这不就是我们这个问题么！
　　aninstancehangmayresultduetoPMONgetting
　　blockedwhenattemptingtocleanupafailedprocess。
　　从现象到问题本质完全吻合！版本10。2。0。4也完全吻合！
　　当PMON要以X模式即独占模式申请MUTEX（cursor：pinX就是一种mutex）去清理一个死去进程的时候，该MUTEX被死去进程持有！从而导致了数据库HANG的情况！
　　问题原因与经验总结
　　故障过程总结：
　　1）SID534的进程在持有latch：librarycache和mutex等资源的时候进程死去
　　2）PMON有义务清理该进程所持有的资源，如mutex
　　3）由于命中BUG5377099，导致PMON无法获得MUTEX，被死去的进程534阻塞
　　4）因此SID534的死去进程长时间持有latch：librarycache，导致其他用户执行递归
　　SQL，无法被软解析，继而无法登陆，即数据库出现了HANG的故障！
　　经验总结：
　　1）运维公式快速收集系统即时状态信息恢复业务
　　2）快速收集系统即时状态信息的目的是做RCA，根因分析，以便在大规模数据库运维中可以预防其他数据库也出现类似问题。
　　3）不定期做补丁分析，发现严重的BUG，提前预防。
　　4）技巧重要，原理更重要。
　　通过这样一个案例，你不难发现，ORACLE的SSD功能，真是强大的令人发指！