SQL Server 磁盘请求超时的833错误原因及解决方法

SQL Server 磁盘请求超时的833错误原因及解决方法

最近遇到一个SQL Server服务器响应极度缓慢，并且出现客户端请求报错的情况，在数据库中的errorlog中出现磁盘请求超过15s才完成的error消息。

对于此类问题，到底是存储系统或者磁盘的故障，还是SQL Server 自己的问题，亦或是应用程序引发的呢？又要如何解决？

本文将对引起此问题的某一方面的因素进行简单的分析，但是无法涵盖所有潜在的可能性，因此遇到类似问题还要做具体的分析。

SQL Server中的磁盘请求超时

　　该错误的英文版的错误信息如下:

　　SQL Server has encountered %d occurrence(s) of I/O requests taking longer than %d seconds to complete on file [%ls] in database id %d. The OS file handle is 0x%p. 0
　　The offset of the latest long I/O is: %#016I64x

　　中文版的错误信息如下

　　SQL Server 已遇到 %1! 次对数据库 ID %4! 中的文件 [%3!] 进行的 I/O 请求超过 %2! 秒才完成。 *** 作系统文件句柄为 0x%5!。最新的长时间 I/O 的偏移量为: %6!

　　参考message信息中的833号错误消息

具体的833 error 申请磁盘请求超时现象

　　具体报错情况如下：

　　SQL Server 已遇到 m 次对数据库 n 中的文件***进行的 I/O 请求超过 15 秒才完成。 *** 作系统文件句柄为 ***。最新的长时间 I/O 的偏移量为: ***

　　也就是说在数据库的文件自动增长的过程中遇到了错误。

。

　　

　　

　　比较有意思的是某DBA将此错误信息报告给负责存储（SAN存储，并非挂的磁盘）的工程师，认为是可能存储系统存在故障或者不稳定造成的，

　　存储工程师认为存储没有问题，检查服务器后说服务器不正常，内存“几乎占满”，对于数据库服务器，内存“几乎占满”的情况可以说是完全正常的，鉴于负责存储的工程师并非专业DBA，对于SQL Server数据库服务器的内存使用可能不是太了解，提出此疑问也可以理解。

　　因为数据库服务器使用的存储是高性能的SAN存储，存储是作为一个服务存在的，有N多服务器共同来使用的，其他服务器并没有出现磁盘请求，不太可能说某一台服务器会出现疑似“存储故障”就简单认定为是存储故障。

　　那么究竟原因在什么地方呢？

数据库引擎错误833的含义

　　首先来看这个833错误的具体含义是什么，就不自己装13解释一通了，那本经典的书上写的很清楚了。

　　总之，意思就是，SQL Server在请求磁盘读写的时候，遇到磁盘繁忙或者其他一些因素，超过了15秒还没有完成
　　比如数据的读写的时候需要向磁盘发起请求，而磁盘正忙或者其他问题，来不及或者相应的不够及时，这样无疑会严重影响SQL Server对外提供服务器的响应时间。

　　上面简单分析了，因为该问题并非普片发生的，存储系统不太可能出现问题，那就很有可能定位到当前服务器自身的因素了。

原因分析

　　因为是专门的SQL Server服务器，没有其他应用程序的请求，很有可能跟向sqlserver数据库发起的请求有关。

　　其实发生这个问题之前，早就有预兆了，平时还算稳定的服务器（CPU很少超过60%，内存的PLE也可以稳定在20分钟以上，磁盘IO延迟较低等等），只是偶尔会存在抽风一阵子的情况

　　抽风的时候表现为CPU狂飙到80%左右，内存的PLE会严重下降，IO延迟严重增高。

　　现在只能从SQL Server的Session入手，在观察SQL Server中的活动Session的时候，发现某一类的SQL语句的查询时间非常长，
　　平时这类SQL在某一个时间段内执行的频率还算比较高。

　　但是正常情况下，这类SQL的执行效率还是比较高的，为什么突然就变的非常之底？

　　在检查活动Session的对应的执行计划的时候，发现这类活动Session的等待状态都是IO等待（PAGEIOLATCH_SH），同时SQL的执行完全是意料之外的执行方式。

　　因为类似查询还是执行的比较频繁的，此类Session会从不同的客户端发起，一旦SQL的执行效率降下来，服务器上会积压大量的活动Session

　　为什么平时执行的好好的SQL语句突然就变的很慢很慢，

　　原因就在于在某一点，SQL Server自动触发了统计信息的更新，但是这是一个比较大的表，但是默认统计信息更新的取样比例是不够的，如果取样百分比不够，这个统计信息完全是不可用的。

　　一旦自动收集统计信息完成之后，会根据当前收集到的统计信息，向之前的SQL语句发出一种它认为高效的方式（table scan而不是index seek），其实这种方式并非是合理的，
　　由此引发对应的SQL利用一种并非合理的执行计划来实现查询，同时会引发Session的拥堵，客户端发过来大量的Session同时在利用一种低效的方式缓慢执行。

　　所以CPU会飙升，IO延迟增加，内存的PLE严重下降。

　　由此也不难理解，数十个查询的Session正在以一种不合理的方式疯狂地想磁盘发出请求，磁盘正在忙于活动Session的数据请求，出现无法响应因为数据或者索引文件的自动增长请求，造成一开始说的问题。

　　最后经过索引重建（促使统计信息更新，当然纯粹的统计信息更新也可以）解决，长期预防的话，需要安排job人为地定义统计信息更新的阈值以及取样百分比。

总结：

　　数据库服务器上的问题，很多问题都是一个连锁反应的过程，对应观察到的一部分现象，很有可能并不是表面上的反应的那样（磁盘请求超时，问题出在存储上？）
　　专业的位置上必须要有专业的素养，比如一开始DBA误以为是存储问题，存储工程师认为服务器内存用满了是不正常的等，其实都不是问题的根本原因所在。
　　面对问题，要追本溯源，找出来最根本的原因，才是解决问题的关键。