PostgreSQL / 技术文章

PostgreSQL 连接暴增怎么排查

应用并发没有明显增加,PostgreSQL 却突然出现连接数暴涨、获取连接超时甚至拒绝新连接,这类故障通常不是单一参数的问题。本文面向 SRE、DBA、后端工程师和值班工程师,给出一条从应用连接池、PostgreSQL 会话到连接上限的排查路径,完成后可以判断连接究竟在哪里被放大、哪些会话正在占用容量,以及应该先止损还是继续深挖。

先确认到底是连接暴增还是请求暴增

排查连接异常时,不要先改 max_connections。第一步是把业务请求量与数据库连接量放在同一时间窗口比较。

重点观察四个信号:应用实例数、数据库连接总数、活跃会话数、连接池获取等待。如果请求量基本稳定而连接数快速增长,优先怀疑连接复用失效、连接创建风暴、连接泄漏或某类空闲会话堆积;如果请求量、活跃会话和连接数一起增长,则更可能是业务并发直接放大了数据库压力。

可以先在 PostgreSQL 查看当前连接构成:

sql
SELECT
  count(*) AS total_connections,
  count(*) FILTER (WHERE state = 'active') AS active_connections,
  count(*) FILTER (WHERE state = 'idle') AS idle_connections,
  count(*) FILTER (WHERE state = 'idle in transaction') AS idle_in_transaction
FROM pg_stat_activity;

预期结果:

text
total_connections | active_connections | idle_connections | idle_in_transaction
------------------+--------------------+-----------------+--------------------
               48 |                  9 |              35 |                  4

这里的关键不是某一个绝对值,而是构成比例。例如总连接持续上涨、active 基本不变而 idle 快速增加,说明数据库并没有同时获得更多有效工作,却有更多会话占着连接容量。

看清连接到底来自哪些应用

确认数据库连接暴增后,下一步要回答两个问题:谁建立了这些连接,以及连接是否集中来自少数实例。

pg_stat_activity 可以按用户、数据库、客户端地址和应用名聚合。生产环境尤其建议检查 application_name 是否已经在应用侧正确设置,否则多实例排查时很容易只看到一堆无法区分的连接。

sql
SELECT
  usename,
  datname,
  application_name,
  client_addr,
  state,
  count(*) AS connections
FROM pg_stat_activity
GROUP BY usename, datname, application_name, client_addr, state
ORDER BY connections DESC;

预期结果:

text
 usename | datname | application_name | client_addr | state  | connections
---------+---------+------------------+-------------+--------+------------
 app     | orders  | api-01           | 10.0.1.21   | idle   |          14
 app     | orders  | api-02           | 10.0.1.22   | idle   |          13
 app     | orders  | api-03           | 10.0.1.23   | active  |           5

如果连接主要集中在某一批新扩容实例,应重点检查实例启动时的连接初始化行为和连接池上限;如果大量连接来自单个客户端地址,则要继续确认该实例是否存在连接泄漏、重连循环或池配置异常。

同时注意,pg_stat_activity 一行代表一个服务器端会话,而不是一次业务请求。应用请求并发为 100,并不意味着 PostgreSQL 一定要同时存在 100 个连接,因为连接池通常会复用有限数量的服务器连接。

区分连接池放大与数据库会话堆积

连接暴增最常见的误判,是把“数据库连接很多”直接等同于“数据库正在处理很多请求”。真正需要看的是连接生命周期和池化关系。

对于应用内连接池,先核对实例数、每实例最大连接数以及初始化连接数。一个简单的上限估算是:

Capp≤Ninstance×PmaxC_{app} \leq N_{instance} \times P_{max}

其中 NinstanceN_{instance} 是应用实例数,PmaxP_{max} 是单实例连接池最大连接数。这个值只是应用层理论上限,还要结合 PgBouncer、PostgreSQL max_connections 以及其他工作负载预留容量。

例如应用从 4 个实例扩容到 12 个实例,而单实例池上限保持 30,那么应用侧理论连接上限会从 120 放大到 360。即使单实例业务流量没有异常,实例数增加本身也可能让数据库连接总量显著上升。

如果使用 PgBouncer,还要继续区分客户端连接与 PostgreSQL 后端连接。事务池模式下,大量客户端连接可以等待池化资源,但 PostgreSQL 后端连接数量受 default_pool_size 等参数约束。此时客户端连接增加,并不必然意味着服务器端会话按同样比例增加。

因此排查时应该同时记录:应用池已创建连接、等待获取连接数、PgBouncer client connections、PgBouncer server connections,以及 PostgreSQL pg_stat_activity 中的会话数。只看最后一项,往往无法解释连接是在哪一层被放大的。

排查 idle、idle in transaction 与异常活跃会话

确认连接来源后,再按会话状态分类。三类状态最值得优先处理。

idle 表示会话当前没有执行 SQL,但连接仍然存在。适量的 idle 属于正常池化现象;如果它们持续堆积并逼近容量上限,就要检查连接池上限是否过大、空闲连接回收是否失效,或者应用是否存在连接泄漏。

idle in transaction 风险更高,因为事务已经开始但当前没有执行 SQL。它可能长时间持有锁、阻碍清理,并让一个本应快速结束的事务占据连接。

可以先看最老的事务会话:

sql
SELECT
  pid,
  usename,
  application_name,
  client_addr,
  state,
  now() - xact_start AS xact_age,
  now() - state_change AS state_age,
  wait_event_type,
  wait_event,
  left(query, 120) AS query
FROM pg_stat_activity
WHERE xact_start IS NOT NULL
ORDER BY xact_start;

预期结果:

text
 pid  | usename | application_name | state               | xact_age | wait_event_type | wait_event | query
------+---------+------------------+---------------------+----------+-----------------+------------+------------------------
 8123 | app     | api-02           | idle in transaction | 00:08:31 | Client          | ClientRead | UPDATE orders SET ...

如果发现长时间 idle in transaction,不要只把它当成“连接多”的问题。此时要回到应用代码检查事务边界,尤其是事务开始后是否夹杂外部 HTTP 调用、用户等待、复杂计算或其他不需要占用数据库连接的工作。

对于 active 会话,则继续看 wait_event_type 和 wait_event。如果大量会话处于 Lock 等待,连接暴增可能只是锁竞争后的结果;如果大量会话处于 I/O 等待,则应进一步检查慢 SQL、磁盘或数据访问模式。也就是说,连接数是结果性指标,不能脱离等待类型单独判断根因。

识别连接上限触发与连接创建风暴

当连接数接近 PostgreSQL max_connections 时,要先确认是不是“容量真的不够”,还是短时间内发生了异常建连。

sql
SHOW max_connections;

SELECT count(*) AS current_connections
FROM pg_stat_activity;

预期结果:

text
 max_connections
-----------------
 200

 current_connections
--------------------
 194

如果当前连接数已经逼近 max_connections,继续观察新连接失败日志以及应用连接获取超时。此时最危险的行为是让所有应用实例同时重试新建连接,因为数据库已经处于高水位,再增加连接创建请求只会形成连接创建风暴。

典型场景包括:应用批量扩容、数据库短暂不可达后大量实例同步重连、连接池将创建连接作为突发任务集中执行、部署导致旧连接断开后所有实例同时补齐连接池。

排查这类问题时,重点看“连接创建速率”而不是只看“连接总数”。总数可以相同,但每秒新建连接从几个突然升到几十甚至几百,已经意味着系统进入了高风险状态。应用侧应检查连接超时、重试退避、池初始化策略和实例启动节奏;数据库侧则要确认连接上限是否已经成为故障放大器。

按证据顺序完成止损与定位

线上连接暴增时,可以按“先限制新增、再确认占用、最后定位根因”的顺序处理。

第一步是停止继续放大连接。控制异常实例继续扩容,避免在数据库高水位时执行无退避重连;必要时降低应用连接池上限或暂停低优先级工作负载。第二步是确认连接主要被谁占用,重点检查来源实例、会话状态、事务年龄和等待事件。第三步才是决定是否终止特定会话,并优先处理明确异常且风险可控的连接,例如长时间 idle in transaction 或已经确认失效的客户端会话。

可以把一次故障定位压缩成一条判断链:请求量是否同步上涨 → 数据库连接是否同步上涨 → 连接主要是 active、idle 还是 idle in transaction → 连接集中来自哪些实例 → 应用池是否发生放大 → 是否存在 PgBouncer 层客户端堆积 → 是否接近 max_connections → 是否存在锁、I/O 或连接重试导致的二次放大。

最终不要把“把 max_connections 调大”当成默认修复。连接上限只是容量边界,不能解决连接泄漏、池配置过大、长事务、连接创建风暴或数据库内部等待。真正有效的治理结果,应当是明确每一层连接数量的上限与角色,并让应用连接池、PgBouncer 和 PostgreSQL 的容量关系可观测、可解释、可门禁。

目录与阅读设置

记录一个想法

PostgreSQL 连接暴增怎么排查

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通