TiKV进程还在，但是 cluster display 显示down，后续 reload 失败

[阿ken (Aken)]

为提高效率，请提供以下信息，问题描述清晰能够更快得到解决：
【 TiDB 使用环境】
生产环境
【概述】场景+问题概述
监控发现有个tikv节点服务挂了，上机发现tikv-server还在，启动时间忘了，有一段时间了，所以当时觉得很奇怪。然后查看tikv相关时间段日志，未发现明显导致服务挂掉的异常。tiup reload 该 tikv 后，tikv 进程可以起来，但是会一直重启，报错 [ERROR] [kv.rs:603] [“KvService::batch_raft send response fail”] [err=RemoteStopped] 。

【背景】做过哪些操作

【现象】业务和数据库现象

【业务影响】

【TiDB 版本】
V4.0.12

【附件】

• 相关日志 和 监控

1. TiUP Cluster Display 信息

2. TiUP Cluster Edit Config 信息

3. TiDB- Overview 监控

• 对应模块日志（包含问题前后1小时日志）

---

若提问为性能优化、故障排查类问题，请下载脚本运行。终端输出的打印结果，请务必全选并复制粘贴上传。

[阿ken (Aken)]

tikv 监控down掉时间日志
2021080810_tikv.log.tar.gz (4.9 MB)

日志中的关键点：
10:22 的时候，开始了一轮新选举，然后开始transfre leader，随即有一个failed gc.
从 10:22 开始，这个机器的iO就瞬间拉满。

[Lucien-卢西恩 (路西恩)]

1. 目前 TiDB 集群是否可以正常处理业务请求 ？ 2. 如果 TiKV 一直频繁重启，需要确认一下，是否存在 TIKV 读写请求热点问题，可能查询 SQL 大量 cop 请求导致 TiKV oom，建议确认一下。3. 可以看一下 trouble shooting 文档，按照 TiKV 的读慢排查一下。

[阿ken (Aken)]

可以正常处理业务请求
查看tikv truouble shooting面板和 tidb dashboard，并没发现有读热点现象。

[Lucien-卢西恩 (路西恩)]

不一定是热点，可能是低效 SQL，比如大量 cop stask 请求 或者 全表扫 场景，可能在这个 TiKV 有大量的 cop 请求计算，导致 TiKV OOM。先查一下 TIKV 是否 oom ，可以通过 /var/demsg 日志查看服务状态。

[阿ken (Aken)]

确实有oom，但是时间点不太对
这种情况，找到对应的查询，解决掉就好了吗

查看 7 常见问题处理思路 - 7.4 TiDB OOM 的常见原因 - 《TiDB实战（TiDB in Action）》 - 书栈网 · BookStack 文档
按照里面的 tikv-server oom 三种问题排查
都没有匹配上

[Lucien-卢西恩 (路西恩)]

可以参考这个文档排查一下 读性能慢-TiKV Server 读流程详解

[阿ken (Aken)]

查了一遍没有很明显匹配上的点。不过有两个地方有点怀疑。

还有就是集群上周有个节点磁盘损坏了，就把它缩容了，然后重新扩入，端口什么的都一样，只是部署目录不一样，示例也起来了，老的stroe也置为Tombstone状态了，怎么删也删不掉，remove也不行。
然后我看这台tikv（不是缩容又重扩的那台）事发左右的日志中，有频繁请求Tombstone节点服务的错误，再结合你贴的文章，发现了这个监控。

辛苦帮忙看下噶~

[Lucien-卢西恩 (路西恩)]

TiKV log 里面有没有 slow query 的 table id ，找一下对应的 table id 对应的 slow query log 里面记录看看那。