update the 'Overview' metrics doc for grafana dashboard (#3286)

grafana-overview-dashboard.md

@@ -6,7 +6,7 @@ aliases: ['/docs-cn/dev/reference/key-monitoring-metrics/overview-dashboard/']
 
 # Overview 面板重要监控指标详解
 
-使用 TiDB Ansible 部署 TiDB 集群时，一键部署监控系统 (Prometheus/Grafana)，监控架构请看 [TiDB 监控框架概述](/tidb-monitoring-framework.md)。
+使用 TiDB Ansible 或 TiUP 部署 TiDB 集群时，一键部署监控系统 (Prometheus & Grafana)，监控架构参见 [TiDB 监控框架概述](/tidb-monitoring-framework.md)。
 
 目前 Grafana Dashboard 整体分为 PD、TiDB、TiKV、Node\_exporter、Overview 等。
 
@@ -16,61 +16,60 @@ aliases: ['/docs-cn/dev/reference/key-monitoring-metrics/overview-dashboard/']
 
 ## Services Port Status
 
-- Services Online：各服务在线节点数量
-- Services Offline：各服务 Down 掉节点数量
+- Services Up：各服务在线节点数量
 
 ## PD
 
-- Storage Capacity：TiDB 集群总可用数据库空间大小
-- Current Storage Size：TiDB 集群目前已用数据库空间大小
-- Number of Regions：当前集群的 Region 总量
-- Leader Balance Ratio：Leader 数量最多和最少节点相差的百分比，一般小于 5%，节点重启时会有比较大的波动
-- Region Balance Ratio：Region 数量最多和最少节点相差的百分比，一般小于 5%，新增/下线节点时相差比较大
-- Store Status：集群 TiKV 节点的状态
-    - Up Stores：正常运行的 TiKV 节点数量
-    - Disconnect Stores：短时间内通信异常的 TiKV 节点数量
-    - LowSpace Stores：剩余可用空间小于 20% 的 TiKV 节点数量
-    - Down Stores：停止工作的 TiKV 节点数量，如果大于 0，说明有节点不正常
-    - Offline Stores：正在下线的 TiKV 节点数量（正在下线的 TiKV 节点还在提供服务）
-    - Tombstone Stores：下线成功的 TiKV 节点数量
+- PD role：当前 PD 的角色
+- Storage capacity：TiDB 集群总可用数据库空间大小
+- Current storage size：TiDB 集群目前已用数据库空间大小，TiKV 多副本的空间占用也会包含在内
+- Normal stores：处于正常状态的节点数目
+- Abnormal stores：处于异常状态的节点数目，正常情况应当为 0
+- Number of Regions：当前集群的 Region 总量，请注意 Region 数量与副本数无关
 - 99% completed\_cmds\_duration\_seconds：单位时间内，99% 的 pd-server 请求执行时间小于监控曲线的值，一般 <= 5ms
-- handle\_requests\_duration\_seconds：PD 发送请求的网络耗时
+- Handle\_requests\_duration\_seconds：PD 发送请求的网络耗时
+- Region health：每个 Region 的状态，通常情况下，pending 的 peer 应该少于 100，miss 的 peer 不能一直大于 0
+- Hot write Region's leader distribution：每个 TiKV 实例上是写入热点的 leader 的数量
+- Hot read Region's leader distribution：每个 TiKV 实例上是读取热点的 leader 的数量
+- Region heartbeat report：TiKV 向 PD 发送的心跳个数
+- 99% Region heartbeat latency：99% 的情况下，心跳的延迟
 
 ## TiDB
 
-- Statement OPS：SQL 执行数量统计（包含 select、insert、update 等）
-- Duration：SQL 执行的时间
-- QPS By Instance：每个 TiDB 上的 QPS
-- Failed Query OPM：失败 SQL 的统计，例如语法错误、主键冲突等
+- Statement OPS：不同类型 SQL 语句每秒执行的数量。按 `SELECT`、`INSERT`、`UPDATE` 等来统计
+- Duration：执行的时间
+    - 客户端网络请求发送到 TiDB，到 TiDB 执行结束后返回给客户端的时间。一般情况下，客户端请求都是以 SQL 语句的形式发送，但也可以包含 `COM_PING`、`COM_SLEEP`、`COM_STMT_FETCH`、`COM_SEND_LONG_DATA` 之类的命令执行的时间
+    - 由于 TiDB 支持 Multi-Query，因此，可以接受客户端一次性发送的多条 SQL 语句，如：`select 1; select 1; select 1;`。此时，统计的执行时间是所有 SQL 执行完之后的总时间
+- QPS By Instance：每个 TiDB 上的 QPS。按照命令和执行结果成功或失败来统计
+- Failed Query OPM：每个 TiDB 实例上，每秒钟执行 SQL 语句发生错误按照错误类型的统计（例如语法错误、主键冲突等）。包含了错误所属的模块和错误码
 - Connection count：每个 TiDB 的连接数
-- Heap Memory Usage：每个 TiDB 使用的堆内存大小
-- Transaction OPS：事务执行数量统计
+- Memory Usage：每个 TiDB 实例的内存使用统计，分为进程占用内存和 Golang 在堆上申请的内存
+- Transaction OPS：每秒事务执行数量统计
 - Transaction Duration：事务执行的时间
 - KV Cmd OPS：KV 命令执行数量统计
 - KV Cmd Duration 99：KV 命令执行的时间
-- PD TSO OPS：TiDB 从 PD 获取 TSO 的数量
-- PD TSO Wait Duration：TiDB 从 PD 获取 TS 的时间
+- PD TSO OPS：TiDB 每秒从 PD 获取 TSO 的数量
+- PD TSO Wait Duration：TiDB 等待从 PD 获取 TS 的时间
 - TiClient Region Error OPS：TiKV 返回 Region 相关错误信息的数量
-- Lock Resolve OPS：事务冲突相关的数量
+- Lock Resolve OPS：TiDB 清理锁操作的数量。当 TiDB 的读写请求遇到锁时，会尝试进行锁清理
 - Load Schema Duration：TiDB 从 TiKV 获取 Schema 的时间
-- KV Backoff OPS：TiKV 返回错误信息的数量（事务冲突等）
+- KV Backoff OPS：TiKV 返回错误信息的数量
 
 ## TiKV
 
 - leader：各个 TiKV 节点上 Leader 的数量分布
 - region：各个 TiKV 节点上 Region 的数量分布
 - CPU：各个 TiKV 节点的 CPU 使用率
 - Memory：各个 TiKV 节点的内存使用量
-- store size：各个 TiKV 节点存储的数据量
-- cf size：集群不同 CF 存储的数据量
-- channel full：正常情况显示 No data，如果有了监控值，说明对应 TiKV 节点的消息处理不过来了
-- server report failures：正常情况显示 No data，如果出现了 Unreachable，说明 TiKV 之间通信有问题
-- scheduler pending commands：写入堆积的数量，偶尔出现峰值属于正常现象
-- coprocessor pending requests：正常情况监控为 0 或者数量很少
-- coprocessor executor count：不同类型的查询操作数量
-- coprocessor request duration：TiKV 中查询消耗的时间
+- store size：每个 TiKV 实例的使用的存储空间的大小
+- cf size：每个列族的大小
+- channel full：每个 TiKV 实例上 channel full 错误的数量，正常情况下应当为 0
+- server report failures：每个 TiKV 实例上报错的消息个数，正常情况下应当为 0
+- scheduler pending commands：每个 TiKV 实例上 pending 命令的个数
+- coprocessor executor count：TiKV 每秒收到的 coprocessor 操作数量，按照 coprocessor 类型统计
+- coprocessor request duration：处理 coprocessor 读请求所花费的时间
 - raft store CPU：raftstore 线程的 CPU 使用率，线程数量默认为 2 (通过 `raftstore.store-pool-size` 配置)。如果单个线程使用率超过 80%，说明使用率很高
-- Coprocessor CPU：TiKV 查询线程的 CPU 使用率，和业务相关，复杂查询会使用大量的 CPU 资源
+- Coprocessor CPU：coprocessor 线程的 CPU 使用率
 
 ## System Info
 
@@ -80,7 +79,7 @@ aliases: ['/docs-cn/dev/reference/key-monitoring-metrics/overview-dashboard/']
 - Load [1m]：1 分钟的负载情况
 - Memory Available：剩余内存大小
 - Network Traffic：网卡流量统计
-- TCP Retrans：网络监控，TCP 相关信息统计
+- TCP Retrans：TCP 重传数量统计
 - IO Util：磁盘使用率，最高为 100%，一般到 80% - 90% 就需要考虑加节点
 
 ## 图例