物联网老兵亲授：SQL Server DBA实战运维手册

　　掘金这地方，老熟人一刷就看见你ID后面挂个“已读”，比SQL Agent作业还准时。去年国庆，我在南苑机房蹲着换第三块RAID卡，对讲机里小王喊“DBA快上来”，我说“上什么上我正扒磁盘托架呢”，结果他喊的是“主库redo log爆了”，不是“食堂红烧肉没了”。

　　冷风是从机柜底部往上灌的，不是从天花板下来——这点我敢打包票。因为蹲久了膝盖发麻，抬腿时裤脚被风兜得啪一下贴在UPS背面散热格栅上，嗡鸣声忽然高了半拍。那台UPS用了七年零四个月，风扇转速表早归零了，但只要用手背蹭它外壳，能感觉到振动频率在变。监控页面显示一切正常。我以为监控覆盖了——结果根本没覆盖：温度传感器插在PDU后面，物理盲区，整整十七厘米。

　　告警群99+，全是“自动清除”，没人点开看原始消息。小李截图发我：“这个‘Tempdb contention’告警，连续三小时每分钟一次。”我回他：“查下session_wait_stats里wait_type=’PAGELATCH_UP’的top3 resource description”。他秒回：“查了，全是tempdb的数据文件编号103、104、105。”我说：“停，别再往下查了，去把105号文件删掉。”他愣住。我原以为他要骂我疯了，结果他直接连上服务器rm -f /var/opt/mssql/data/tempdb_mdf_105.ndf——删完十秒，等待下降七成。这不是玄学，是去年春节前他们改过tempdb文件自动增长策略，但没同步更新filestream路径的硬编码逻辑，留了个裸奔的LDF尾巴，每次auto-growth都触发锁升降序重排……可这个我说不准，当时没抓到xevent trace，只靠perfmon里看到log flush延迟跳变反推的。

　　食堂剩饭在二楼东侧窗口，不锈钢餐盘边缘有三道划痕，深浅不一。第一道是去年五一，老周用叉子刮土豆泥留下的；第二道是我七月闷热天扒拉米饭时划的；第三道昨天刚添，小张端盘子撞了门框。我不记得哪天开始，只要看到那第三道痕，手就会先摸手机看有没有未读SQL Agent失败通知——已经形成条件反射，比Windows登录超时还准。

　　“物联网老兵亲授：SQL Server DBA实战运维手册”？站得住的地方，就一个词：优胜劣汰。不是说写得多好，是活下来的才配翻这本册子。我们组去年走三个DBA，两个倒在AlwaysOn故障演练翻车现场：一个在切换后没及时关secondary的backup compression，结果备份链崩了三天；另一个压根不知道sys.dm_hadr_database_replica_states里is_local=0的记录里，synchronization_state_desc字段的‘NOT_HEALTHY’跟‘SUSPENDED’在DMV里压根不同步——他查视图报错，就真信了“数据库同步正常”。这两个名字我都懒得提，但他们留下的SQL Job命名风格我还得维护：Backup_Daily_V2_Retry_If_Failed_Last_Time_Before_Holiday。太长，agent日志截断，但不敢改，一改就触发上游ETL调度器校验失败。

　　半夜三点被电话吵醒，对方声音带电流杂音：“主库CPU打满，但sp_who2全是sleeping。”我边穿裤子边敲键盘连上去，showplan_xml看了两眼就挂了——执行计划缓存里有个Parameter Sensitive Plan，参数嗅探叼住了一个历史极值，生成的索引扫全表，而那个索引前天刚被运维脚本根据“低使用率报告”给drop了。我让值班的先跑DBCC FREEPROCCACHE，但他卡在“是否确认释放所有计划”交互式提示上，连-h选项都忘了加。我说你Ctrl+C再重来，他说“Ctrl+C没反应”，我就知道他连的是Windows桌面版SSMS，不是Linux终端。我懒得说了，自己ssh过去，ps aux | grep sqlservr，揪出pid，kill -15——三十八秒后CPU回落。这速度比我们组报销流程审批快多了。

　　前天小王问我：“临时表建在tempdb还是model里更安全？”我没答，转头问他对讲机电量还剩多少。他翻过来看屏幕，说“百分之十二”。我说那你先去充个电。他刚转身，我瞥见他工牌挂绳底下露出半截打印纸，上面是某厂商给的“SQL Server 2022 IoT Edition”许可条款第7.3条手写批注：“不可用于车载T-Box本地存储节点”——他自己写的，蓝墨水，字有点歪。这事儿我早该提醒他，可上周五开会我盯着大屏上的SQL Error Log滚动，发现其中一条“Error: 825, Severity: 10”在凌晨1:23:17出现过三次，间隔刚好十六秒，但log_reuse_wait_desc始终是NOTHING。我当场截图发群里，没人回。后来我自己重建了那张堆表，加了row_number() over (order by getdate())强制分页……但到现在都没想明白，为什么偏偏是这张表。

文章配图，仅供参考

　　所以这本手册到底值不值？你自己心里有杆秤。我现在每天早上六点四十到机房，泡杯茶，先听十分钟低频噪音——是新换的冷水机组还是旧UPS老化加剧？听不出来，但我得听。听完了，再看一眼告警群未读数，然后打开手册第47页，不是查语法，是找那个被油渍糊住的脚注位置：2019年Q3补丁KB4534310对tempdb元数据锁的修改说明。那里印歪了，少半个句号。但那一页的纸角被我撕掉过，又用透明胶带粘回去，现在胶带泛黄翘边，像没愈合的旧伤疤。

　　这本册子，我建议你别从头看。直接翻到附录C，找“应急熔断checklist”，里面第三项写着：“当所有Agent job运行时间超过平均值二点三倍且持续四次以上，禁用job schedule，手工执行，并通知架构组——但务必在周一上午九点前恢复。”至于“二点三倍”怎么来的？手册没写。我告诉你：是老周当年被逼疯那天算的。他算了三百七十二次job平均耗时，取中位数的2.3倍向上取整。这数字现在还刻在他工位键盘F12键帽背面。你要不信，可以借他键盘摸一摸。

（编辑：汽车网）

【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!