Google Cloud SQL是否有故障转移日志？如何查询故障原因

你可以按以下优先级逐一排查，绝大多数未出现在数据库运行日志里的故障转移原因，都能通过这些路径定位：

• 优先查询云平台审计日志
  数据库本身的日志只会记录数据库进程感知到的事件，平台侧触发的故障转移不会写入PG日志。你可以在日志筛选器里限定故障转移发生的时间窗口，使用如下过滤规则快速定位相关事件：

  resource.type="cloudsql_database"
  protoPayload.methodName=~"cloudsql.instances.(failover|restart|update)"
  

  匹配到的事件详情里的reason字段会直接标注触发原因：包括用户手动触发、自动健康检查失败、底层基础设施故障、配置变更触发等。
• 查询实例层面的系统事件流
  不要只筛选PostgreSQL数据库输出的运行日志，切换到clouda.googleapis.com/instance_event日志流，这里会记录平台侧观测到的宿主机层异常：比如宿主机内核故障、磁盘IO阻塞、实例与仲裁节点网络分区时长超过故障转移阈值（Cloud SQL for PostgreSQL默认连续60秒健康检查失败即触发切换），这类底层异常完全不会透传到数据库进程日志中，是最容易被遗漏的排查点。
• 拉取细粒度监控指标核对异常
  不要直接看默认1分钟聚合粒度的监控指标，把指标粒度调整到10秒，重点核对故障转移前后5分钟窗口内的以下指标：CPU使用率是否持续冲到100%导致健康检查无响应、磁盘读写IO延迟是否突涨到数百毫秒以上、网络收发流量是否存在掉零的窗口、数据库连接数是否存在突降。分钟级聚合会把几十秒的短时间异常平均抹平，很容易出现“指标全部正常”的误判。
• 核对主动触发类的操作记录
  排查故障转移前后1小时内的实例操作记录：包括实例规格调整、数据库参数修改、小版本升级、高可用配置变更、自动维护窗口任务执行，以上涉及主实例重启的操作，在高可用实例上都会主动触发故障转移，将流量切到备实例以降低业务影响，这类切换属于计划内操作，不会在数据库日志里留下异常类记录。同时也要核对你自己配置的自动化脚本、云函数是否存在误调用故障转移接口的情况。
• 联系云平台支持调取后台记录
  如果以上路径都没有查到对应原因，可以提交工单向GCP支持索要对应时间点的实例底层运维记录，平台侧留存有宿主机硬件故障预警、可用区网络设备临时割接、底层虚拟化层异常等未对用户开放日志查询权限的事件记录，这类未造成大面积影响的底层事件不会主动推送到用户侧日志面板，只有后台运维团队可查询。

内容的提问来源于stack exchange，提问作者Mario Alberto Ceron Mendez