SQLServer · BUG分析 · Agent 链接泄露分析
最后更新于：2022-04-01 10:35:56
## 背景
SQLServer Agent作为Windows服务提供给用户定期执行管理任务，这些任务被称为Job；考虑应用镜像的场景如何解决Job同步问题，AWS RDS的做法是不予理会，由用户维护Job，假如发生切换用户需要在新的Principal端创建Job；另一种做法是镜像端保持同步Job，切换后尽量让用户无感知不需要多余维护动作，但这种做法在某些情况会遇到非常严重的问题——内存耗尽。
## 问题排查分析
### 第一次分析
问题发生时实例的ERRORLOG出现：
~~~
Error: 701, Severity: 17, State: 123.
~~~
并且记录了 MEMORYSTATUS，根据 MEMORYSTATUS 的信息本身已经可以做推断，但既然有现场 我们不妨用DAC（Dedicated Administrator Connection）看一下：
~~~
SELECT
TOP 10 [type],
sum ( single_pages_kb) as [SPA MEM/KB],
SUM(multi_pages_kb) AS [MPA MEM/KB]
FROM sys.dm_os_memory_clerks
GROUP BY type
ORDER BY SUM ( single_pages_kb+multi_pages_kb) DESC ;
~~~
内存占用
占用最多的 OBJECTSTORE_SNI_PACKET、MEMORYCLERK_SQLCONNECTIONPOOL 一般跟连接数、network packet size有关；
~~~
select
c.session_id,
c.net_packet_size,
s.host_name as client_host_name,
s.program_name,
s.client_interface_name
from sys.dm_exec_connections c
join sys.dm_exec_sessions s
on c.session_id = s.session_id
join sys.endpoints e
on c.endpoint_id = e.endpoint_id
order by c.net_packet_size desc
~~~
net_packet_size
~~~
select value_in_use from sys.configurations where configuration_id=1544
select program_name,count(*) as conn_num from sys.sysprocesses where spid>50 group by program_name order by conn_num desc
~~~
内存规格
1W+的链接保持，根据`sys.dm_exec_sessions.program_name`可以确认都来自SQLServer Agent，每个session的packet size是4K，实例的max server memory是1G，所以出现内存耗尽；
那么这1W个链接在干嘛？根据`sys.dm_exec_sessions.program_name`中暴露的job_id我们找到对应的Job，先看下这个Job要做什么；
~~~
select * from msdb.dbo.sysjobs where job_id=0x825F84340AFD5B4BA1D5AD82A8E76C1A
~~~
Job信息
### 第一次推论
这部分内容涉及业务逻辑我不再贴出，重点是Job_Step使用的DATABASE是镜像中的（RESTORING），因为镜像的DB不可用，Schedule又设置的过于频繁，所以SQLServer Agent没能及时释放这部分链接导致内存耗尽。
### 第一次验证
重新搭建了一个测试环境，制造类似的场景但问题并没能复现。感兴趣的小伙伴可以测试下：镜像 + Mirror端Job + Job链接镜像库且频度调成10s + Job内容不限（为什么不限后续通过Profiler可以看出）。
借助Profiler和Session相关视图我们可以看出，当Job-Step的链接DB设置为镜像DB时，会出现：
~~~
Error: 18456, Severity: 14, State: 38.
~~~
表示账号校验成功但数据库不可访问或登录权限不够，SQLServer Agent会重试多次，但最后都会释放链接，这跟之前的推论不符。
Profiler信息
~~~
select program_name,count(*) as conn_num from sys.sysprocesses where spid>50 group by program_name order by conn_num desc
~~~
connection
### 第二次分析
回到原现场，我们再做分析；尝试复现时我们发现完整的链接都无法建立，但这1W个链接是如何做到的：
~~~
select spid,program_name,loginame,login_time as time,db_name(dbid) as dbname from sys.sysprocesses where spid>50
~~~
dbname
根据spid我们看一下未释放的链接最后执行的SQL是什么：
inputbuffer
~~~
(@P1 nvarchar(max),@P2 uniqueidentifier,@P3 int,@P4 int)DECLARE @logTextWithPreAndPost nvarchar(max) set @logTextWithPreAndPost = N'' + @P1 + N''; EXECUTE msdb.dbo.sp_write_sysjobstep_log @job_id = @P2, @step_id = @P3, @log_text=@logTextWithPreAndPost, @append_to_last=@P4
~~~
看下 `msdb.dbo.sp_write_sysjobstep_log`这个存储过程：
~~~
exec sp_helptext 'sp_write_sysjobstep_log'
Text
-------------------------------------------------------------------------------
CREATE PROCEDURE sp_write_sysjobstep_log
@job_id UNIQUEIDENTIFIER,
@step_id INT,
@log_text NVARCHAR(MAX),
@append_to_last INT = 0
AS
BEGIN
DECLARE @step_uid UNIQUEIDENTIFIER
DECLARE @log_already_exists int
SET @log_already_exists = 0
SET @step_uid = ( SELECT step_uid FROM msdb.dbo.sysjobsteps
WHERE (job_id = @job_id)
AND (step_id = @step_id) )
IF(EXISTS(SELECT * FROM msdb.dbo.sysjobstepslogs
WHERE step_uid = @step_uid ))
BEGIN
SET @log_already_exists = 1
END
--Need create log if "overwrite is selected or log does not exists.
IF (@append_to_last = 0) OR (@log_already_exists = 0)
BEGIN
-- flag is overwrite
--if overwrite and log exists, delete it
IF (@append_to_last = 0 AND @log_already_exists = 1)
BEGIN
-- remove previous logs entries
EXEC sp_delete_jobsteplog @job_id, NULL, @step_id, NULL
END
INSERT INTO msdb.dbo.sysjobstepslogs
(
log,
log_size,
step_uid
)
VALUES
(
@log_text,
DATALENGTH(@log_text),
@step_uid
)
END
ELSE
BEGIN
DECLARE @log_id INT
--Selecting TOP is just a safety net - there is only one log entry row per step.
SET @log_id = ( SELECT TOP 1 log_id FROM msdb.dbo.sysjobstepslogs
WHERE (step_uid = @step_uid)
ORDER BY log_id DESC )
-- Append @log_text to the existing log record. Note that if this
-- action would make the value of the log column longer than
-- nvarchar(max), then the engine will raise error 599.
UPDATE msdb.dbo.sysjobstepslogs
SET
log .WRITE(@log_text,NULL,0),
log_size = DATALENGTH(log) + DATALENGTH(@log_text) ,
date_modified = getdate()
WHERE log_id = @log_id
END
RETURN(@@error) -- 0 means success
END
~~~
MSDN 没有找到详尽 Document，但看完定义也可以确认它是Job-Step做Advanced配置时会用到的一个存储过程，作用是把Job-Step日志写到表 msdb.dbo.sysjobstepslogs 中，根据参数的不同可能会overwrite或append；
log_to_table
### 第二次推论
根据之前的信息我们可以推测出，这1W+空闲链接是由于执行完Job-Step后，内部更新msdb的日志表，更新完成后链接未释放。
### 第二次验证
构造的场景跟第一次基本相同，只需要增加一点的是Job-Step开启了log to table。
验证成功
结果稳定复现，40s左右新增一个链接（Schedule 10s 不开启Step Retry attempts 和 Retry interval），根据msdb.dbo.sysjobstepslogs.log_size和msdb.dbo.sysjobstepslogs.log可以确认日志的更新频度在40s。
开启Profiler、不断调整Schedule时间、监控msdb.dbo.sysjobstepslogs.log_size大小，可以发现，当调度频度大于40s时，新增链接按照频度增加，当频度小于40s时，新增链接按照40s一个增加。
## 结论
如果Job-Step中定义的链接 DATABASE 是镜像库（RESTORING）且配置了Log To Table，那么每次做日志记录的Session（msdb.dbo.sysjobstepslogs）都不会自动关闭，即Agent在这种场景下存在链接泄露。
version