数据库CPU 100% ？？

Hello 我是方才，10人研发leader、4年团队管理&架构经验。

专注于分享成体系的编程知识、职场经验、个人成长历程等！

文末，方才送你一份优质的技术资料，记得领取哟！

今天方才给大家分享一个生产故障：2w条库表的全表扫导致数据库节点cpu使用率100%，最终导致系统故障的问题（什么？2w条就吃满了？不可能，绝对不可能！然而. . .）。

造成故障的原因很低级，但从这故障，你至少可以学到到3点：

1. 生产级故障的定位和处理流程；
2. 对于持续增长的表，一定要在设计阶段创建好索引；
3. 要学会通过数值计算去正确分析问题， 而不是纯靠推测；

故障详情

某日上午，监控机器人突然告警：数据库节点CPU占比90%，然后客服务群反馈系统会时不时自动切换为运维页面（内部服务错误导致）。

通过问题定位和分析，最终故障为：2w条数据库表的全表扫描，仅仅是该表的查询就导致数据库磁盘读取量持续在 20G/min，从而导致节点磁盘读取、网络带宽激增，最终导致 数据库01节点cpu吃满，数据库服务卡死，系统崩溃。

分析过程

通过监控，逐步确认问题点：

1. 数据库指标情况 QPS只有500左右，999延迟指标在10s左右;
2. 数据库服务器资源情况：节点01的cpu 使用率接近 100%，其中user进程 90%以上，说明是数据库自身的问题，并非基础设施故障；（PS：因为方才也遇到是因为底层基础设施导致虚拟机CPU，被system进程吃满的情况，大家如果有兴趣，可以在评论区告诉方才，后续给安排上）
3. 通过tidb自带的面板-流量可视化，发现有异常的高亮磁盘读取，最高达 20G/min ，结合慢sql日志，发现某个sql存在全表扫，单次查询扫描的key大小为 80M，只要每分钟查询250次左右，就会达到这个读取量。
4. ps：为什么全表扫会导致CPU飙升？核心原因在于大规模数据处理带来的计算、I/O和网络资源消耗。

一些重点监控记录：

• 节点CPU情况

image-20250402143015296

• 节点网络带宽情况

• 数据库磁盘读取监控

• 全表扫 2.1万的数据，单个sql 扫描的磁盘大小 83MB：

解决方案

通过上面的描述，是不是感觉解决过程挺顺利的、挺简单的？？

然而现实是，这个问题从发现到彻底解决问题，大概用时1小时！！！

为什么这么久？因为部署实施方案不合理，虽然用到了分布式数据库，但因为服务器资源有限，TiDB节点和Tikv节点、PD节点在同一个虚拟机中，监控面板TiDB Dashboard 也在上面，这导致两个非常严重的问题：

1. 全表扫时，TiDB、TiKV进程，压力均为剧增，服务器资源很快达到瓶颈；
2. 数据库监控可视化面板也一起崩溃，导致只能推测是因为sql的问题导致的问题，但无法知晓是什么sql，两眼一抹黑；

最后通过关停系统，恢复数据库监控，处理问题sql，才恢复了系统。

解决方案很简单，就是根据查询和更新场景的条件，创建合适的索引。

最后，方才想说的是，后端程序员，一定要把创建索引这件事刻在骨子里！

ps：有伙伴问，这个事情最后谁背锅？背锅？什么锅？服务器性能太辣鸡了而已~ ~ ~

ps：方才很想把文章写得更加有趣，奈何能力有限，有兴趣的可以看看AI故事版，哈哈

AI故事版本

"警报！数据库CPU 100%！"上午十点十七分，当老王正喝着第三杯咖啡时，钉钉机器人突然在运维群里炸出一串血红色的告警。监控大屏上，代表数据库01节点的火焰图标正在疯狂跳动。

客服主管张姐的语音紧随其后："所有客户页面都在跳运维提示！"技术部空气骤然凝固，键盘声此起彼伏。我盯着TiDB监控面板上诡异的折线——QPS明明只有500，999延迟却像坐火箭般窜到10秒，这就像看到高速公路车流正常，但每辆车都堵了十公里。

"见鬼，user进程吃掉90%CPU！"运维组长大刘的咆哮回荡在办公区。经验告诉我，这种时候要像法医解剖尸体般精准——快速调出流量可视化面板，果然发现有个"黑洞"在疯狂吞噬资源：某张2.1万行的表正以20G/分钟的恐怖速度读取磁盘，相当于每分钟搬空整个《魔兽世界》客户端。

"查慢SQL日志！"我声音有些发抖。当看到那个没有索引的全表扫描查询时，后背瞬间渗出冷汗——单次扫描83MB数据，每分钟执行250次就是20GB流量。这就像用消防水龙头给花盆浇水，服务器不崩才怪。

但现实远比想象魔幻：当我们试图打开TiDB Dashboard找具体SQL时，监控面板居然先于系统崩溃了！原来为了省资源，TiDB、TiKV、PD三大组件竟挤在同一台虚拟机里。"这架构简直是俄罗斯轮盘赌！"大刘气得摔了马克杯。

生死时速持续了58分钟。最终我们只能壮士断腕——紧急关停服务，在监控恢复瞬间抓出罪魁祸首：某个新上线的查询功能，开发时测试数据量小没暴露问题，上线后直接触发全表扫描风暴。

"加索引！给where条件所有字段加联合索引！"当手指重重敲下回车，监控大屏的红色警报像退潮般消散。张姐在群里发了个跪谢的表情包："页面正常了！"

复盘会上，CTO指着事故报告的手在颤抖："知道吗？这次全表扫描产生的数据流量，相当于每分钟传输20部高清电影。没有索引的查询，就像让数据库在沙漠里找一粒特定的沙子。"

窗外暮色渐沉，我在事故报告末尾敲下三个血泪教训：

• 索引设计要像写遗嘱般严谨——每个字段都要考虑查询场景
• 监控系统必须独立部署，绝不能和数据库同居
• 性能评估要像做数学题——用磁盘读取量（行数×行大小）预判风险

当有人问起谁该背锅时，运维新人小声嘀咕："要不说是服务器太菜？"整个会议室突然爆发出劫后余生的笑声。但在深夜的办公室里，我默默给所有核心表补上了索引——有些学费，交一次就够疼一辈子了。