Top 5 Timed Events 应聚焦“总耗时长+平均等待高+频次异常”三重叠加信号;DB Time需结合Elapsed、Sessions及Active Sessions判断真实并发;db file sequential read占比高未必磁盘慢,须看Avg Wait(ms)与Waits次数;log file sync高多因应用频繁commit;Wait Class仅辅助筛选,须以具体事件名为分析单位。

Top 5 Timed Events 不是“挑占比最高的等事件优化”,而是找“总耗时长 + 平均等待高 + 频次异常”三者叠加的信号点。
看 %DB time 之前,先确认 DB Time 和 Elapsed 时间是否合理
DB Time 是所有前台会话消耗时间的总和(含 CPU + 等待),它天然大于 Elapsed(采样窗口时长)。比如 Elapsed 是 60 分钟,DB Time 却只有 70 分钟,说明系统几乎空闲;若 DB Time 达到 12000 分钟,意味着平均有 200 个并发会话在持续工作——这时候单看 %DB time 容易低估压力密度。务必对照 Snapshot Information 里的 Sessions 和 Active Sessions 数值,判断等待是否由真实并发驱动,而非采样偏差或短时抖动。
db file sequential read 占比高 ≠ 磁盘慢,要看 Avg Wait(ms) 和 Waits 次数组合
常见误判:看到 db file sequential read 占比 42%,立刻报修存储。实际可能只是某张小表被高频随机访问(如配置表每秒被查 500 次),平均等待仅 2ms,Waits 超 180 万次。这种场景优化方向是加缓存或改应用逻辑,不是换磁盘。
- 若
Avg Wait(ms)> 20ms,去Tablespace IO Stats查具体数据文件的Av Rd(ms),定位物理瓶颈 - 若
Waits极高但Avg Wait(ms)极低(to_char(create_time, 'yyyymmdd') = '20261001') - 若
db file scattered read+db file sequential read合计 > 70%,I/O 子系统大概率已饱和,需结合Physical Reads Per Exec高的 SQL 下钻
log file sync 高占比时,别只盯 LGWR,先查应用 commit 频率
log file sync 占比 15%、Avg Wait 896 µs、Waits 140 万次/小时 → 这不是 LGWR 写得慢,是应用层每条 INSERT 后都跟了 COMMIT。AWR 里 Load Profile 的 Commits per Second 若超过 300,基本可锁定问题根源。
- 用
SELECT sql_id, sql_text FROM dba_hist_sqltext WHERE sql_text LIKE '%COMMIT%'查是否有隐式提交语句 - 对比正常时段快照:若
log file syncWaits 翻倍但Redo Generated Per Sec变化不大,就是事务粒度太细 - RAC 环境下还要排除
gc cr block lost导致的连锁重传,它会让log file sync看似升高
Wait Class 是分类线索,但不能替代事件名本身
Wait Class 列把事件归到 User I/O、Commit、Cluster 等大类,方便快速过滤,但它掩盖细节。比如同属 Cluster 类的 gc buffer busy acquire 和 gc current grant 2-way,前者平均等待 15ms 很可能是热点块争用,后者平均 0.3ms 则属正常 RAC 协议开销。
- 永远以具体事件名为分析单位,
Wait Class只用于辅助筛选 -
Concurrency类事件(如enq: TX - row lock contention)必须立刻跳转Segments by Row Lock Waits定位表与索引 -
row cache lock出现在Configuration类,大概率是序列 CACHE 值为 1,查dba_sequences.cache_size确认
真正卡住系统的,往往不是单次耗时最长的等待,而是那个“每次只等 5ms、但每秒发生 2 万次”的事件——它不会在 Top 5 里排第一,却让 DB Time 悄悄翻倍。AWR 报告里没有“自动标红”的根因,只有靠你把 Waits、Avg Wait(ms)、%DB time 和业务上下文对齐。











