原文:/view/aa43ecc3aa00b52acfc7ca94.html?st=1
MySQL性能优化教程
目录
目录1
背景及目标2
Mysql执行优化2
认识数据索引2
为什么使用数据索引能提高效率2
如何理解数据索引的结构3
优化实战范例3
认识影响结果集4
影响结果集的获取4
影响结果集的解读4
常见案例及优化思路5
理解执行状态8
常见关注重点8
执行状态分析8
分析流程10
常见案例解析11
总结13
Mysql运维优化15
存储引擎类型15
内存使用考量15
性能与安全性考量16
存储/写入压力优化16
运维监控体系17
Mysql架构优化18
架构优化目标18
防止单点隐患18
方便系统扩容18
安全可控,成本可控18
分布式方案19
分库&拆表方案19
反范式设计(冗余结构设计)21
主从架构23
故障转移处理23
缓存方案24
缓存结合数据库的读取24
缓存结合数据库的写入24
总结26
背景及目标
厦门游家公司()用于员工培训和分享。
针对用户群为已经使用过mysql环境,并有一定开发经验的工程师
针对高并发,海量数据的互联网环境。
本文语言为口语,非学术标准用语。
以实战和解决具体问题为主要目标,非应试,非常规教育。友情提醒,在校生学习本教程可能对成绩提高有害无益。
非技术挑战,非高端架构师培训,请高手自动忽略。
本文档在7月-12月持续更新,加强了影响结果集分析的内容并增补优化实战案例若干。
Mysql执行优化
认识数据索引
为什么使用数据索引能提高效率
关系型数据库的数据索引(Btree及常见索引结构)的存储是有序的。
在有序的情况下,通过索引查询一个数据是无需遍历索引记录的
关系型数据库数据索引的查询效率趋近于二分法查询效率,趋近于log2(N)。
极端情况下(更新请求少,更新实时要求低,查询请求频繁),建立单向有序序列可替代数据索引。
HASH索引的查询效率是寻址操作,趋近于1次查询,比有序索引查询效率更高,但是不支持比对查询,区间查询,排序等操作,仅支持key-value类型查询。不是本文重点。
如何理解数据索引的结构
数据索引通常默认采用btree索引,(内存表也使用了hash索引)。
仅就有序前提而言,单向有序排序序列是查找效率最高的(二分查找,或者说折半查找),使用树形索引的目的是为了达到快速的更新和增删操作。
在极端情况下(比如数据查询需求量非常大,而数据更新需求极少,实时性要求不高,数据规模有限),直接使用单一排序序列,折半查找速度最快。
在进行索引分析和SQL优化时,可以将数据索引字段想象为单一有序序列,并以此作为分析的基础。涉及到复合索引情况,复合索引按照索引顺序拼凑成一个字段,想象为单一有序序列,并以此作为分析的基础。
一条数据查询只能使用一个索引,索引可以是多个字段合并的复合索引。但是一条数据查询不能使用多个索引。
优化实战范例
实战范例1:ip地址反查
资源:Ip地址对应表,源数据格式为startip, endip, area
源数据条数为10万条左右,呈很大的分散性
目标:需要通过任意ip查询该ip所属地区
性能要求达到每秒1000次以上的查询效率
挑战:如使用between startip and endip这样的条件数据库操作,因为涉及两个字段的betweenand,无法有效使用索引。
如果每次查询请求需要遍历10万条记录,根本不行。
方法:一次性排序(只在数据准备中进行,数据可存储在内存序列)
折半查找(每次请求以折半查找方式进行)
实战范例2:目标:查找与访问者同一地区的异性,按照最后登录时间逆序
挑战:高访问量社区的高频查询,如何优化。
查询SQL:select * from user where area=’$area’ and sex=’$sex’ order bylastlogin desc limit 0,30;
建立复合索引并不难,area+sex+lastlogin三个字段的复合索引,如何理解?
解读:首先,忘掉btree,将索引字段理解为一个排序序列。
另外,牢记数据查询只能使用一个索引,每个字段建立独立索引的情况下,也只能有一条索引被使用!
如果只使用area会怎样?搜索会把符合area的结果全部找出来,然后在这里面遍历,选择命中sex的并排序。遍历所有area=’$area’数据!
如果使用了area+sex,略好,仍然要遍历所有area=’$area’and sex=’$sex’数据,然后在这个基础上排序!!
Area+sex+lastlogin复合索引时(切记lastlogin在最后),该索引基于area+sex+lastlogin三个字段合并的结果排序,该列表可以想象如下。
广州女$时间1
广州女$时间2
广州女$时间3
…
广州男
….
深圳女
….
数据库很容易命中到area+sex的边界,并且基于下边界向上追溯30条记录,搞定!在索引中迅速命中所有结果,无需二次遍历!
认识影响结果集
影响结果集的获取
通过Explain分析SQL,查看rows列内容
通过慢查询日志的Rows_examined:后面的数字
影响结果集数字是查询优化的重要中间数字,工程师在开发和调试过程中,应随时关注这一数字。
影响结果集的解读
查询条件与索引的关系决定影响结果集。
影响结果集不是输出结果数,不是查询返回的记录数,而是索引所扫描的结果数。
范例select* from user where area=’厦门’andsex=’女’
假设 索引为area
假设User表中area=’厦门’的有125000条,而搜索返回结果为60233条。
影响结果集是125000条,索引先命中125000条厦门用户,再遍历以sex=’女’进行筛选操作,得到60233条结果。
如果该SQL增加limit0,30的后缀。查询时,先命中area=’厦门’,然后依顺序执行sex=’女’筛选操作,直到满足可以返回30条为止,所涉及记录数未知。除非满足条件的结果不足30条,否则不会遍历125000条记录。
但是如果SQL中涉及了排序操作,比如order by lastlogin desc再有limit0,30时,排序需要遍历所有area=’厦门’的记录,而不是满足即止。
影响结果集越趋近于实际输出或操作的目标结果集,索引效率越高。
影响结果集与查询开销的关系可以理解为线性相关。减少一半影响结果集,即可提升一倍查询效率!当一条搜索query可以符合多个索引时,选择影响结果集最少的索引。
SQL的优化,核心就是对结果集的优化,认识索引是增强对结果集的判断,基于索引的认识,可以在编写SQL的时候,对该SQL可能的影响结果集有预判,并做出适当的优化和调整。
Limit的影响,需要斟酌对待
如果索引与查询条件和排序条件完全命中,影响结果集就是limit后面的数字($start+ $end),比如limit200,30影响结果集是230.而不是30.
如果索引只命中部分查询条件,甚至无命中条件,在无排序条件情况下,会在索引命中的结果集中遍历到满足所有其他条件为止。比如select* from user limit 10;虽然没用到索引,但是因为不涉及二次筛选和排序,系统直接返回前10条结果,影响结果集依然只有10条,就不存在效率影响。
如果搜索所包含的排序条件没有被索引命中,则系统会遍历是所有索引所命中的结果,并且排序。例如Select * from user order bytimeline desc limit 10;如果timeline不是索引,影响结果集是全表,就存在需要全表数据排序,这个效率影响就巨大。再比如Select * from user wherearea=’厦门’order bytimeline desc limit 10;如果area是索引,而area+timeline未建立索引,则影响结果集是所有命中area=’厦门’的用户,然后在影响结果集内排序。
常见案例及优化思路
毫秒级优化案例
某游戏用户进入后显示最新动态,SQL为select * from userfeed whereuid=$uid order by timeline desc limit 20;主键为$uid。 该SQL每天执行数百万次之多,高峰时数据库负载较高。通过show processlist显示大量进程处于Sendingdata状态。没有慢查询记录。 仔细分析发现,因存在较多高频用户访问,命中uid=$uid的影响结果集通常在几百到几千,在上千条影响结果集情况下,该SQL查询开销通常在0.01秒左右。建立uid+timeline复合索引,将排序引入到索引结构中,影响结果集就只有limit后面的数字,该SQL查询开销锐减至0.001秒,数据库负载骤降。
Innodb锁表案例
某游戏数据库使用了innodb,innodb是行级锁,理论上很少存在锁表情况。出现了一个SQL语句(deletefrom tabname wherexid=…),这个SQL非常用SQL,仅在特定情况下出现,每天出现频繁度不高(一天仅10次左右),数据表容量百万级,但是这个xid未建立索引,于是悲惨的事情发生了,当执行这条delete的时候,真正删除的记录非常少,也许一到两条,也许一条都没有;但是!由于这个xid未建立索引,delete操作时遍历全表记录,全表被delete操作锁定,select操作全部被locked,由于百万条记录遍历时间较长,期间大量select被阻塞,数据库连接过多崩溃。
这种非高发请求,操作目标很少的SQL,因未使用索引,连带导致整个数据库的查询阻塞,需要极大提高警觉。
实时排名策略优化
背景: 用户提交游戏积分,显示实时排名。
原方案:
提交积分是插入记录,略,
selectcount(*) from jifen where gameid=$gameid and fenshu>$fenshu
问题与挑战
即便索引是gameid+fenshu复合索引,涉及count操作,当分数较低时,影响结果集巨大,查询效率缓慢,高峰期会导致连接过多。
优化思路
减少影响结果集,又要取得实时数据,单纯从SQL上考虑,不太有方法。
将游戏积分预定义分成数个积分断点,然后分成积分区间,原始状态,每个区间设置一个统计数字项,初始为0。
每次积分提交时,先确定该分数属于哪两个区间之间,这个操作非常简单,因为区间是预定义的,而且数量很少,只需遍历即可,找到最该分数符合的区间,该区间的统计数字项(独立字段,可用内存处理,异步回写数据库或文件)+1。记录该区间上边界数字为$duandian。
SQL: select count(*) from jifen where gameid=$gameid andfenshu>$fenshu andfenshu<$duandian,如果处于第一区间,则无需$duandian,这样因为第一区间本身也是最好的成绩,影响结果集不会很多。通过该SQL获得其在该区间的名次。
获取前面区间的总数总和。(该数字是直接从上述提到的区间统计数字获取,不需要进行count操作)将区间内名次+前区间的统计数字和,获得总名次。
该方法关键在于,积分区间需要合理定义,保证积分提交成绩能平均散落在不同区间。
如涉及较多其他条件,如日排行,总排行,以及其他独立用户去重等,请按照影响结果集思路自行发挥。
Redis方案
Redis数据结构包括String,list,dict和Zset四种,在本案例中是非常好的替代数据库的方案,本文档只做简介,不做额外扩展。
String哈希索引,key-value结构,主键查询效率极高,不支持排序,比较查询。
List队列结构,在数据异步写入处理中可以替代memcache。
Dict数组结构,存储结构化,序列化内容,可以针对数组中的特定列进行操作。
Zset有序数组结构,分两个子结构,第一是多层树形的存储结构,第二是每个树形节点的计数器,这样类似于前面的分段方式,可以理解为多层分段方式,所以查询效率更高,缺点是更新效率有所增加。
论坛翻页优化
背景,常见论坛帖子页SQL: select * from post wheretagid=$tagid order by lastpost limit $start, $end翻页。索引为tagid+lastpost复合索引
挑战,超级热帖,几万回帖,用户频频翻到末页,limit25770,30一个操作下来,影响结果集巨大(25770+30),查询缓慢。
解决方法:
只涉及上下翻页情况
每次查询的时候将该页查询结果中最大的$lastpost和最小的分别记录为$minlastpost和$maxlastpost,上翻页查询为select * from post wheretagid=$tagid and lastpost<$minlastpost order by lastpost desclimit 30;下翻页为select* from post where tagid=$tagid and lastpost>$maxlastpostorder by lastpost limit 30;使用这种方式,影响结果集只有30条,效率极大提升。
涉及跳转到任意页
互联网上常见的一个优化方案可以这样表述,select* from post where tagid=$tagid and lastpost>=(select lastpostfrom post where tagid=$tagid order by lastpost limit $start,1)order by lastpost limit 30;或者select* from post where pid in (select pid from post wheretagid=$tagid order by lastpost limit $start,30);(第2条S语法在新的mysql版本已经不支持,新版本mysqlin的子语句不再支持limit条件,但可以分解为两条SQL实现,原理不变,不做赘述)
以上思路在于,子查询的影响结果集仍然是$start+30,但是数据获取的过程(Sendingdata状态)发生在索引文件中,而不是数据表文件,这样所需要的系统开销就比前一种普通的查询低一个数量级,而主查询的影响结果集只有30条,几乎无开销。但是切记,这里仍然涉及了太多的影响结果集操作。
延伸问题:
来自于uchome典型查询SELECT * FROM uchome_threadWHERE tagid='73820' ORDER BY displayorder DESC, lastpost DESCLIMIT $start,30;
如果换用 如上方法,上翻页代码SELECT * FROM uchome_threadWHERE tagid='73820' and lastpost<$minlastpost ORDER BYdisplayorder DESC,lastpost DESC LIMIT 0,30;下翻页代码SELECT* FROM uchome_thread WHERE tagid='73820' andlastpost>$maxlastpost ORDER BY displayorder DESC, lastpost ASCLIMIT 0,30;
这里涉及一个orderby索引可用性问题,当orderby中 复合索引的字段,一个是ASC,一个是DESC时,其排序无法在索引中完成。所以只有上翻页可以正确使用索引,影响结果集为30。下翻页无法在排序中正确使用索引,会命中所有索引内容然后排序,效率低下。
总结:
基于影响结果集的理解去优化,不论从数据结构,代码,还是涉及产品策略上,都需要贯彻下去。
涉及limit$start,$num的搜索,如果$start巨大,则影响结果集巨大,搜索效率会非常难过低,尽量用其他方式改写为limit 0,$num;确系无法改写的情况下,先从索引结构中获得limit$start,$num或limit$start,1;再用in操作或基于索引序的limit 0,$num二次搜索。
请注意,我这里永远不会讲关于外键和join的优化,因为在我们的体系里,这是根本不允许的!架构优化部分会解释为什么。
理解执行状态
常见关注重点
慢查询日志,关注重点如下
是否锁定,及锁定时间
如存在锁定,则该慢查询通常是因锁定因素导致,本身无需优化,需解决锁定问题。
影响结果集
如影响结果集较大,显然是索引项命中存在问题,需要认真对待。
Explain操作
索引项使用
不建议用usingindex做强制索引,如未如预期使用索引,建议重新斟酌表结构和索引设置。
影响结果集
这里显示的数字不一定准确,结合之前提到对数据索引的理解来看,还记得嘛?就把索引当作有序序列来理解,反思SQL。
Setprofiling , show profiles for query操作
执行开销
注意,有问题的SQL如果重复执行,可能在缓存里,这时要注意避免缓存影响。通过这里可以看到。
执行时间超过0.005秒的频繁操作SQL建议都分析一下。
深入理解数据库执行的过程和开销的分布
Showprocesslist执行状态监控
这是在数据库负载波动时经常进行的一项操作
具体参见如下
执行状态分析
Sleep状态
通常代表资源未释放,如果是通过连接池,sleep状态应该恒定在一定数量范围内
实战范例:因前端数据输出时(特别是输出到用户终端)未及时关闭数据库连接,导致因网络连接速度产生大量sleep连接,在网速出现异常时,数据库too many connections挂死。
简单解读,数据查询和执行通常只需要不到0.01秒,而网络输出通常需要1秒左右甚至更长,原本数据连接在0.01秒即可释放,但是因为前端程序未执行close操作,直接输出结果,那么在结果未展现在用户桌面前,该数据库连接一直维持在sleep状态!
Waitingfor net, reading from net, writing to net
偶尔出现无妨
如大量出现,迅速检查数据库到前端的网络连接状态和流量
案例:因外挂程序,内网数据库大量读取,内网使用的百兆交换迅速爆满,导致大量连接阻塞在waitingfor net,数据库连接过多崩溃
Locked状态
有更新操作锁定
通常使用innodb可以很好的减少locked状态的产生,但是切记,更新操作要正确使用索引,即便是低频次更新操作也不能疏忽。如上影响结果集范例所示。
在myisam的时代,locked是很多高并发应用的噩梦。所以mysql官方也开始倾向于推荐innodb。
Copyto tmp table
索引及现有结构无法涵盖查询条件,才会建立一个临时表来满足查询要求,产生巨大的恐怖的i/o压力。
很可怕的搜索语句会导致这样的情况,如果是数据分析,或者半夜的周期数据清理任务,偶尔出现,可以允许。频繁出现务必优化之。
Copyto tmp table通常与连表查询有关,建议逐渐习惯不使用连表查询。
实战范例:
某社区数据库阻塞,求救,经查,其服务器存在多个数据库应用和网站,其中一个不常用的小网站数据库产生了一个恐怖的copyto tmp table操作,导致整个硬盘i/o和cpu压力超载。Kill掉该操作一切恢复。
Sendingdata
Sendingdata并不是发送数据,别被这个名字所欺骗,这是从物理磁盘获取数据的进程,如果你的影响结果集较多,那么就需要从不同的磁盘碎片去抽取数据,
偶尔出现该状态连接无碍。
回到上面影响结果集的问题,一般而言,如果sendingdata连接过多,通常是某查询的影响结果集过大,也就是查询的索引项不够优化。
前文提到影响结果集对SQL查询效率线性相关,主要就是针对这个状态的系统开销。
如果出现大量相似的SQL语句出现在showproesslist列表中,并且都处于sendingdata状态,优化查询索引,记住用影响结果集的思路去思考。
Storingresult to query cache
出现这种状态,如果频繁出现,使用setprofiling分析,如果存在资源开销在SQL整体开销的比例过大(即便是非常小的开销,看比例),则说明querycache碎片较多
使用flushquery cache可即时清理,也可以做成定时任务
Querycache参数可适当酌情设置。
Freeingitems
理论上这玩意不会出现很多。偶尔出现无碍
如果大量出现,内存,硬盘可能已经出现问题。比如硬盘满或损坏。
i/o压力过大时,也可能出现Freeitems执行时间较长的情况。
Sortingfor …
和Sendingdata类似,结果集过大,排序条件没有索引化,需要在内存里排序,甚至需要创建临时结构排序。
其他
还有很多状态,遇到了,去查查资料。基本上我们遇到其他状态的阻塞较少,所以不关心。
分析流程
基本流程
详细了解问题状况
Toomany connections是常见表象,有很多种原因。
索引损坏的情况在innodb情况下很少出现。
如出现其他情况应追溯日志和错误信息。
了解基本负载状况和运营状况
基本运营状况
当前每秒读请求
当前每秒写请求
当前在线用户
当前数据容量
基本负载情况
学会使用这些指令
Top
Vmstat
uptime
iostat
df
Cpu负载构成
特别关注i/o压力(wa%)
多核负载分配
内存占用
Swap分区是否被侵占
如Swap分区被侵占,物理内存是否较多空闲
磁盘状态
硬盘满和inode节点满的情况要迅速定位和迅速处理
了解具体连接状况
当前连接数
Netstat–an|grep 3306|wc –l
Showprocesslist
当前连接分布showprocesslist
前端应用请求数据库不要使用root帐号!
Root帐号比其他普通帐号多一个连接数许可。
前端使用普通帐号,在toomany connections的时候root帐号仍可以登录数据库查询show processlist!
记住,前端应用程序不要设置一个不叫root的root帐号来糊弄!非root账户是骨子里的,而不是名义上的。
状态分布
不同状态代表不同的问题,有不同的优化目标。
参见如上范例。
雷同SQL的分布
是否较多雷同SQL出现在同一状态
当前是否有较多慢查询日志
是否锁定
影响结果集
频繁度分析
写频繁度
如果i/o压力高,优先分析写入频繁度
Mysqlbinlog输出最新binlog文件,编写脚本拆分
最多写入的数据表是哪个
最多写入的数据SQL是什么
是否存在基于同一主键的数据内容高频重复写入?
涉及架构优化部分,参见架构优化-缓存异步更新
读取频繁度
如果cpu资源较高,而i/o压力不高,优先分析读取频繁度
程序中在封装的db类增加抽样日志即可,抽样比例酌情考虑,以不显著影响系统负载压力为底线。
最多读取的数据表是哪个
最多读取的数据SQL是什么
该SQL进行explain和set profiling判定
注意判定时需要避免querycache影响
比如,在这个SQL末尾增加一个条件子句and 1=1就可以避免从querycache中获取数据,而得到真实的执行状态分析。
是否存在同一个查询短期内频繁出现的情况
涉及前端缓存优化
抓大放小,解决显著问题
不苛求解决所有优化问题,但是应以保证线上服务稳定可靠为目标。
解决与评估要同时进行,新的策略或解决方案务必经过评估后上线。
常见案例解析
现象:服务器出现toomany connections阻塞
入手点:
查看服务器状态,cpu占用,内存占用,硬盘占用,硬盘i/o压力
查看网络流量状态,mysql与应用服务器的输入输出状况
通过Showprocesslist查看当前运行清单
注意事项,日常应用程序连接数据库不要使用root账户,保证故障时可以通过root进入数据库查看showprocesslist。
状态分析:
参见如上执行状态清单,根据连接状态的分布去确定原因。
紧急恢复
在确定故障原因后,应通过kill掉阻塞进程的方式立即恢复数据库。
善后处理
以下针对常见问题简单解读
Sleep连接过多导致,应用端及时释放连接,排查关联因素。
Locked连接过多,如源于myisam表级锁,更innodb引擎;如源于更新操作使用了不恰当的索引或未使用索引,改写更新操作SQL或建立恰当索引。
Sendingdata连接过多,用影响结果集的思路优化SQL查询,优化表索引结构。
Freeitems连接过多,i/o压力过大或硬盘故障
Waitingfor net , writing to net连接过多,mysql与应用服务器连接阻塞。
其他仍参见如上执行状态清单所示分析。
如涉及不十分严格安全要求的数据内容,可用定期脚本跟踪请求进程,并kill掉僵死进程。如数据安全要求较严格,则不能如此进行。
现象:数据库负载过高,响应缓慢。
入手点:
查看cpu状态,服务器负载构成
分支1:i/o占用过高。
步骤1:检查内存是否占用swap分区,排除因内存不足导致的i/o开销。
步骤2:通过iostat指令分析i/o是否集中于数据库硬盘,是否是写入度较高。
步骤3:如果压力来自于写,使用mysqlbinlog解开最新的binlog文件。
步骤4:编写日志分析脚本或grep指令,分析每秒写入频度和写入内容。
写入频度不高,则说明i/o压力另有原因或数据库配置不合理。
步骤5:编写日志分析脚本或grep指令,分析写入的数据表构成,和写入的目标构成。
步骤6:编写日志分析脚本,分析是否存在同一主键的重复写入。比如出现大量update postset views=views+1 wheretagid=****的操作,假设在一段时间内出现了2万次,而其中不同的tagid有1万次,那么就是有50%的请求是重复update请求,有可以通过异步更新合并的空间。
提示一下,以上所提及的日志分析脚本编写,正常情况下不应超过1个小时,而对系统负载分析所提供的数据支持价值是巨大的,对性能优化方案的选择是非常有意义的,如果您认为这项工作是繁冗而且复杂的工作,那么一定是在分析思路和目标把握上出现了偏差。
分支2:i/o占用不高,CPU占用过高
步骤1:查看慢查询日志
步骤2:不断刷新查看Showprocesslist清单,并把握可能频繁出现的处于Sendingdata状态的SQL。
步骤3:记录前端执行SQL
于前端应用程序执行查询的封装对象内,设置随机采样,记录前端执行的SQL,保证有一定的样本规模,并且不会带来前端i/o负载的激增。
基于采样率和记录频率,获得每秒读请求次数数据指标。
编写日志分析脚本,分析采样的SQL构成,所操作的数据表,所操作的主键。
对频繁重复读取的SQL(完全一致的SQL)进行判定,是否数据存在频繁变动,是否需要实时展现最新数据,如有可能,缓存化,并预估缓存命中率。
对频繁读取但不重复的(SQL结构一致,但条件中的数据不一致)SQL进行判定,是否索引足够优化,影响结果集与输出结果是否足够接近。
步骤4:将导致慢查询的SQL或频繁出现于showprocesslist状态的SQL,或采样记录的频繁度SQL进行分析,按照影响结果集的思路和索引理解来优化。
步骤5:对如上难以界定问题的SQL进行set profiling分析。
步骤6:优化后分析继续采样跟踪分析。并跟踪比对结果。
善后处理
日常跟踪脚本,不断记录一些状态信息。保证每个时间节点都能回溯。
确保随时能了解服务器的请求频次,读写请求的分布。
记录一些未造成致命影响的隐患点,可暂不解决,但需要记录。
如确系服务器请求频次过高,可基于负载分布决定硬件扩容方案,比如i/o压力过高可考虑固态硬盘;内存占用swap可考虑增加内容容量等。用尽可能少的投入实现最好的负载支撑能力,而不是简单的买更多服务器。
总结
要学会怎样分析问题,而不是单纯拍脑袋优化
慢查询只是最基础的东西,要学会优化0.01秒的查询请求。
当发生连接阻塞时,不同状态的阻塞有不同的原因,要找到原因,如果不对症下药,就会南辕北辙
范例:如果本身系统内存已经超载,已经使用到了swap,而还在考虑加大缓存来优化查询,那就是自寻死路了。
影响结果集是非常重要的中间数据和优化指标,学会理解这一概念,理论上影响结果集与查询效率呈现非常紧密的线性相关。
监测与跟踪要经常做,而不是出问题才做
读取频繁度抽样监测
全监测不要搞,i/o吓死人。
按照一个抽样比例抽样即可。
针对抽样中发现的问题,可以按照特定SQL在特定时间内监测一段全查询记录,但仍要考虑i/o影响。
写入频繁度监测
基于binlog解开即可,可定时或不定时分析。
微慢查询抽样监测
高并发情况下,查询请求时间超过0.01秒甚至0.005秒的,建议酌情抽样记录。
连接数预警监测
连接数超过特定阈值的情况下,虽然数据库没有崩溃,建议记录相关连接状态。
学会通过数据和监控发现问题,分析问题,而后解决问题顺理成章。特别是要学会在日常监控中发现隐患,而不是问题爆发了才去处理和解决。
Mysql运维优化
存储引擎类型
Myisam速度快,响应快。表级锁是致命问题。
Innodb目前主流存储引擎
行级锁
务必注意影响结果集的定义是什么
行级锁会带来更新的额外开销,但是通常情况下是值得的。
事务提交
对i/o效率提升的考虑
对安全性的考虑
HEAP内存引擎
频繁更新和海量读取情况下仍会存在锁定状况
内存使用考量
理论上,内存越大,越多数据读取发生在内存,效率越高
Querycache的使用
如果前端请求重复度不高,或者应用层已经充分缓存重复请求,querycache不必设置很大,甚至可以不设置。
如果前端请求重复度较高,无应用层缓存,querycache是一个很好的偷懒选择
对于中等以下规模数据库应用,偷懒不是一个坏选择。
如果确认使用querycache,记得定时清理碎片,flushquery cache.
要考虑到现实的硬件资源和瓶颈分布
学会理解热点数据,并将热点数据尽可能内存化
所谓热点数据,就是最多被访问的数据。
通常数据库访问是不平均的,少数数据被频繁读写,而更多数据鲜有读写。
学会制定不同的热点数据规则,并测算指标。
热点数据规模,理论上,热点数据越少越好,这样可以更好的满足业务的增长趋势。
响应满足度,对响应的满足率越高越好。
比如依据最后更新时间,总访问量,回访次数等指标定义热点数据,并测算不同定义模式下的热点数据规模
性能与安全性考量
数据提交方式
innodb_flush_log_at_trx_commit= 1每次自动提交,安全性高,i/o压力大
innodb_flush_log_at_trx_commit= 2每秒自动提交,安全性略有影响,i/o承载强。
日志同步
Sync-binlog =1每条自动更新,安全性高,i/o压力大
Sync-binlog= 0根据缓存设置情况自动更新,存在丢失数据和同步延迟风险,i/o承载力强。
个人建议保存binlog日志文件,便于追溯更新操作和系统恢复。
如对日志文件的i/o压力有担心,在内存宽裕的情况下,可考虑将binlog写入到诸如/dev/shm这样的内存映射分区,并定时将旧有的binlog转移到物理硬盘。
性能与安全本身存在相悖的情况,需要在业务诉求层面决定取舍
学会区分什么场合侧重性能,什么场合侧重安全
学会将不同安全等级的数据库用不同策略管理
存储/写入压力优化
顺序读写性能远高于随机读写
将顺序写数据和随机读写数据分成不同的物理磁盘进行,有助于i/o压力的疏解
数据库文件涉及索引等内容,写入是随即写
binlog文件是顺序写
淘宝数据库存储优化是这样处理的
部分安全要求不高的写入操作可以用/dev/shm分区存储,简单变成内存写。
多块物理硬盘做raid10,可以提升写入能力
关键存储设备优化,善于比对不同存储介质的压力测试数据。
例如fusion-io在新浪和淘宝都有较多使用。
涉及必须存储较为庞大的数据量时
压缩存储,可以通过增加cpu开销(压缩算法)减少i/o压力。前提是你确认cpu相对空闲而i/o压力很大。新浪微博就是压缩存储的典范。
通过md5去重存储,案例是QQ的文件共享,以及dropbox这样的共享服务,如果你上传的是一个别人已有的文件,计算md5后,直接通过md5定位到原有文件,这样可以极大减少存储量。涉及文件共享,头像共享,相册等应用,通过这种方法可以减少超过70%的存储规模,对硬件资源的节省是相当巨大的。缺点是,删除文件需要甄别该md5是否有其他人使用。去重存储,用户量越多,上传文件越多,效率越高!
文件尽量不要存储到数据库内。尽量使用独立的文件系统存储,该话题不展开。
运维监控体系
系统监控
服务器资源监控
Cpu,内存,硬盘空间,i/o压力
设置阈值报警
服务器流量监控
外网流量,内网流量
设置阈值报警
连接状态监控
Showprocesslist设置阈值,每分钟监测,超过阈值记录
应用监控
慢查询监控
慢查询日志
如果存在多台数据库服务器,应有汇总查阅机制。
请求错误监控
高频繁应用中,会出现偶发性数据库连接错误或执行错误,将错误信息记录到日志,查看每日的比例变化。
偶发性错误,如果数量极少,可以不用处理,但是需时常监控其趋势。
会存在恶意输入内容,输入边界限定缺乏导致执行出错,需基于此防止恶意入侵探测行为。
微慢查询监控
高并发环境里,超过0.01秒的查询请求都应该关注一下。
频繁度监控
写操作,基于binlog,定期分析。
读操作,在前端db封装代码中增加抽样日志,并输出执行时间。
分析请求频繁度是开发架构进一步优化的基础
最好的优化就是减少请求次数!
总结:
监控与数据分析是一切优化的基础。
没有运营数据监测就不要妄谈优化!
监控要注意不要产生太多额外的负载,不要因监控带来太多额外系统开销
Mysql架构优化
架构优化目标
防止单点隐患
所谓单点隐患,就是某台设备出现故障,会导致整体系统的不可用,这个设备就是单点隐患。
理解连带效应,所谓连带效应,就是一种问题会引发另一种故障,举例而言,memcache+mysql是一种常见缓存组合,在前端压力很大时,如果memcache崩溃,理论上数据会通过mysql读取,不存在系统不可用情况,但是mysql无法对抗如此大的压力冲击,会因此连带崩溃。因A系统问题导致B系统崩溃的连带问题,在运维过程中会频繁出现。
实战范例:在mysql连接不及时释放的应用环境里,当网络环境异常(同机房友邻服务器遭受拒绝服务攻击,出口阻塞),网络延迟加剧,空连接数急剧增加,导致数据库连接过多崩溃。
实战范例2:前端代码通常我们封装mysql_connect和memcache_connect,二者的顺序不同,会产生不同的连带效应。如果mysql_connect在前,那么一旦memcache连接阻塞,会连带mysql空连接过多崩溃。
连带效应是常见的系统崩溃,日常分析崩溃原因的时候需要认真考虑连带效应的影响,头疼医头,脚疼医脚是不行的。
方便系统扩容
数据容量增加后,要考虑能够将数据分布到不同的服务器上。
请求压力增加时,要考虑将请求压力分布到不同服务器上。
扩容设计时需要考虑防止单点隐患。
安全可控,成本可控
数据安全,业务安全
人力资源成本>带宽流量成本>硬件成本
成本与流量的关系曲线应低于线性增长(流量为横轴,成本为纵轴)。
规模优势
本教程仅就与数据库有关部分讨论,与数据库无关部门请自行参阅其他学习资料。
分布式方案
分库&拆表方案
基本认识
用分库&拆表是解决数据库容量问题的唯一途径。
分库&拆表也是解决性能压力的最优选择。
分库 –不同的数据表放到不同的数据库服务器中(也可能是虚拟服务器)
拆表 –一张数据表拆成多张数据表,可能位于同一台服务器,也可能位于多台服务器(含虚拟服务器)。
去关联化原则
摘除数据表之间的关联,是分库的基础工作。
摘除关联的目的是,当数据表分布到不同服务器时,查询请求容易分发和处理。
学会理解反范式数据结构设计,所谓反范式,第一要点是不用外键,不允许Join操作,不允许任何需要跨越两个表的查询请求。第二要点是适度冗余减少查询请求,比如说,信息表,fromuid,touid,message字段外,还需要一个fromuname字段记录用户名,这样查询者通过touid查询后,能够立即得到发信人的用户名,而无需进行另一个数据表的查询。
去关联化处理会带来额外的考虑,比如说,某一个数据表内容的修改,对另一个数据表的影响。这一点需要在程序或其他途径去考虑。
分库方案
安全性拆分
将高安全性数据与低安全性数据分库,这样的好处第一是便于维护,第二是高安全性数据的数据库参数配置可以以安全优先,而低安全性数据的参数配置以性能优先。参见运维优化相关部分。
基于业务逻辑拆分
根据数据表的内容构成,业务逻辑拆分,便于日常维护和前端调用。
基于业务逻辑拆分,可以减少前端应用请求发送到不同数据库服务器的频次,从而减少链接开销。
基于业务逻辑拆分,可保留部分数据关联,前端web工程师可在限度范围内执行关联查询。
基于负载压力拆分
基于负载压力对数据结构拆分,便于直接将负载分担给不同的服务器。
基于负载压力拆分,可能拆分后的数据库包含不同业务类型的数据表,日常维护会有一定的烦恼。
混合拆分组合
基于安全与业务拆分为数据库实例,但是可以使用不同端口放在同一个服务器上。
基于负载可以拆分为更多数据库实例分布在不同数据库上
例如,
基于安全拆分出A数据库实例,
基于业务拆分出B,C数据库实例,
C数据库存在较高负载,基于负载拆分为C1,C2,C3,C4等实例。
数据库服务器完全可以做到A+B+C1为一台,C2,C3,C4各单独一台。
分表方案
数据量过大或者访问压力过大的数据表需要切分
纵向分表(常见为忙闲分表)
单数据表字段过多,可将频繁更新的整数数据与非频繁更新的字符串数据切分
范例user表,个人简介,地址,QQ号,联系方式,头像这些字段为字符串类型,更新请求少;最后登录时间,在线时常,访问次数,信件数这些字段为整数型字段,更新频繁,可以将后面这些更新频繁的字段独立拆出一张数据表,表内容变少,索引结构变少,读写请求变快。
横向切表
等分切表,如哈希切表或其他基于对某数字取余的切表。等分切表的优点是负载很方便的分布到不同服务器;缺点是当容量继续增加时无法方便的扩容,需要重新进行数据的切分或转表。而且一些关键主键不易处理。
递增切表,比如每1kw用户开一个新表,优点是可以适应数据的自增趋势;缺点是往往新数据负载高,压力分配不平均。
日期切表,适用于日志记录式数据,优缺点等同于递增切表。
个人倾向于递增切表,具体根据应用场景决定。
热点数据分表
将数据量较大的数据表中将读写频繁的数据抽取出来,形成热点数据表。通常一个庞大数据表经常被读写的内容往往具有一定的集中性,如果这些集中数据单独处理,就会极大减少整体系统的负载。
热点数据表与旧有数据关系
可以是一张冗余表,即该表数据丢失不会妨碍使用,因源数据仍存在于旧有结构中。优点是安全性高,维护方便,缺点是写压力不能分担,仍需要同步写回原系统。
可以是非冗余表,即热点数据的内容原有结构不再保存,优点是读写效率全部优化;缺点是当热点数据发生变化时,维护量较大。
具体方案选择需要根据读写比例决定,在读频率远高于写频率情况下,优先考虑冗余表方案。
热点数据表可以用单独的优化的硬件存储,比如昂贵的闪存卡或大内存系统。
热点数据表的重要指标
热点数据的定义需要根据业务模式自行制定策略,常见策略为,按照最新的操作时间;按照内容丰富度等等。
数据规模,比如从1000万条数据,抽取出100万条热点数据。
热点命中率,比如查询10次,多少次命中在热点数据内。
理论上,数据规模越小,热点命中率越高,说明效果越好。需要根据业务自行评估。
热点数据表的动态维护
加载热点数据方案选择
定时从旧有数据结构中按照新的策略获取
在从旧有数据结构读取时动态加载到热点数据
剔除热点数据方案选择
基于特定策略,定时将热点数据中访问频次较少的数据剔除
如热点数据是冗余表,则直接删除即可,如不是冗余表,需要回写给旧有数据结构。
通常,热点数据往往是基于缓存或者key-value方案冗余存储,所以这里提到的热点数据表,其实更多是理解思路,用到的场合可能并不多….
反范式设计(冗余结构设计)
反范式设计的概念
无外键,无连表查询。
便于分布式设计,允许适度冗余,为了容量扩展允许适度开销。
基于业务自由优化,基于i/o或查询设计,无须遵循范式结构设计。
冗余结构设计所面临的典型场景
原有展现程序涉及多个表的查询,希望精简查询程序
数据表拆分往往基于主键,而原有数据表往往存在非基于主键的关键查询,无法在分表结构中完成。
存在较多数据统计需求(count,sum等),效率低下。
冗余设计方案
基于展现的冗余设计
为了简化展现程序,在一些数据表中往往存在冗余字段
举例,信息表 message,存在字段fromuid,touid,msg,sendtime四个字段,其中touid+sendtime是复合索引。存在查询为select * frommessage where touid=$uid order by sendtime desc limit 0,30;
展示程序需要显示发送者姓名,此时通常会在message表中增加字段fromusername,甚至有的会增加fromusersex,从而无需连表查询直接输出信息的发送者姓名和性别。这就是一种简单的,为了避免连表查询而使用的冗余字段设计。
基于查询的冗余设计
涉及分表操作后,一些常见的索引查询可能需要跨表,带来不必要的麻烦。确认查询请求远大于写入请求时,应设置便于查询项的冗余表。
冗余表要点
数据一致性,简单说,同增,同删,同更新。
可以做全冗余,或者只做主键关联的冗余,比如通过用户名查询uid,再基于uid查询源表。
实战范例1
用户分表,将用户库分成若干数据表
基于用户名的查询和基于uid的查询都是高并发请求。
用户分表基于uid分成数据表,同时基于用户名做对应冗余表。
如果允许多方式登陆,可以有如下设计方法
uid,passwd,用户信息等等,主数据表,基于uid分表
ukey,ukeytype,uid基于ukey分表,便于用户登陆的查询。分解成如下两个SQL。
selectuid from ulist_key_13 where ukey=’$username’and ukeytype=‘login’;
select *from ulist_uid_23 where uid=$uid and passwd=’$passwd’;
ukeytype定义用户的登陆依据,比如用户名,手机号,邮件地址,网站昵称等。Ukey+ukeytype必须唯一。
此种方式需要登陆密码统一,对于第三方connect接入模式,可以通过引申额外字段完成。
实战范例2:用户游戏积分排名
表结构uid,gameid,score参见前文实时积分排行。表内容巨大,需要拆表。
需求1:基于游戏id查询积分排行
需求2:基于用户id查询游戏积分记录
解决方案:建立完全相同的两套表结构,其一以uid为拆表主键,其二以gameid为拆表主键,用户提交积分时,向两个数据结构同时提交。
实战范例3:全冗余查询结构
主信息表仅包括主键及备注memo字段(text类型),只支持主键查询,可以基于主键拆表。所以需要展现和存储的内容均在memo字段重体现。
对每一个查询条件,建立查询冗余表,以查询条件字段为主键,以主信息表主键id为内容。
日常查询只基于查询冗余表,然后通过in的方式从主信息表获得内容。
优点是结构扩展非常方便,只需要扩展新的查询信息表即可,核心思路是,只有查询才需要独立的索引结构,展现无需独立字段。
缺点是只适合于相对固定的查询架构,对于更加灵活的组合查询束手无策。
基于统计的冗余结构
为了减少会涉及大规模影响结果集的表数据操作,比如count,sum操作。应将一些统计类数据通过冗余数据结构保存。
冗余数据结构可能以字段方式存在,也可能以独立数据表结构存在,但是都应能通过源数据表恢复。
实战范例:
论坛板块的发帖量,回帖量,每日新增数据等。
网站每日新增用户数等。
参见Discuz论坛系统数据结构,有较多相关结构。
参见前文分段积分结构,是典型用于统计的冗余结构。
后台可以通过源数据表更新该数字。
Redis的Zset类型可以理解为存在一种冗余统计结构。
历史数据表
历史数据表对应于热点数据表,将需求较少又不能丢弃的数据存入,仅在少数情况下被访问。
主从架构
基本认识
读写分离对负载的减轻远远不如分库分表来的直接。
写压力会传递给从表,只读从库一样有写压力,一样会产生读写锁!
一主多从结构下,主库是单点隐患,很难解决(如主库当机,从库可以响应读写,但是无法自动担当主库的分发功能)
主从延迟也是重大问题。一旦有较大写入问题,如表结构更新,主从会产生巨大延迟。
应用场景
在线热备
异地分布
写分布,读统一。
仍然困难重重,受限于网络环境问题巨多!
自动障碍转移
主崩溃,从自动接管
个人建议,负载均衡主要使用分库方案,主从主要用于热备和障碍转移。
潜在优化点
为了减少写压力,有些人建议主不建索引提升i/o性能,从建立索引满足查询要求。个人认为这样维护较为麻烦。而且从本身会继承主的i/o压力,因此优化价值有限。该思路特此分享,不做推荐。
故障转移处理
要点
程序与数据库的连接,基于虚地址而非真实ip,由负载均衡系统监控。
保持主从结构的简单化,否则很难做到故障点摘除。
思考方式
遍历对服务器集群的任何一台服务器,前端web,中间件,监控,缓存,db等等,假设该服务器出现故障,系统是否会出现异常?用户访问是否会出现异常。
目标:任意一台服务器崩溃,负载和数据操作均会很短时间内自动转移到其他服务器,不会影响业务的正常进行。不会造成恶性的数据丢失。(哪些是可以丢失的,哪些是不能丢失的)
缓存方案
缓存结合数据库的读取
Memcached是最常用的缓存系统
Mysql最新版本已经开始支持memcache插件,但据牛人分析,尚不成熟,暂不推荐。
数据读取
并不是所有数据都适合被缓存,也并不是进入了缓存就意味着效率提升。
命中率是第一要评估的数据。
如何评估进入缓存的数据规模,以及命中率优化,是非常需要细心分析的。
实景分析:前端请求先连接缓存,缓存未命中连接数据库,进行查询,未命中状态比单纯连接数据库查询多了一次连接和查询的操作;如果缓存命中率很低,则这个额外的操作非但不能提高查询效率,反而为系统带来了额外的负载和复杂性,得不偿失。
相关评估类似于热点数据表的介绍。
善于利用内存,请注意数据存储的格式及压缩算法。
Key-value方案繁多,本培训文档暂不展开。
缓存结合数据库的写入
利用缓存不但可以减少数据读取请求,还可以减少数据库写入i/o压力
缓存实时更新,数据库异步更新
缓存实时更新数据,并将更新记录写入队列
可以使用类似mq的队列产品,自行建立队列请注意使用increment来维持队列序号。
不建议使用get后处理数据再set的方式维护队列
测试范例:
范例1
$var=Memcache_get($memcon,”var”);
$var++;
memcache_set($memcon,”var”,$var);
这样一个脚本,使用apacheab去跑,100个并发,跑10000次,然后输出缓存存取的数据,很遗憾,并不是1000,而是5000多,6000多这样的数字,中间的数字全在get & set的过程中丢掉了。
原因,读写间隔中其他并发写入,导致数据丢失。
范例2
用memcache_increment来做这个操作,同样跑测试
会得到完整的10000,一条数据不会丢。
结论:用increment存储队列编号,用标记+编号作为key存储队列内容。
后台基于缓存队列读取更新数据并更新数据库
基于队列读取后可以合并更新
更新合并率是重要指标
实战范例:
某论坛热门贴,前端不断有views=views+1数据更新请求。
缓存实时更新该状态
后台任务对数据库做异步更新时,假设执行周期是5分钟,那么五分钟可能会接收到这样的请求多达数十次乃至数百次,合并更新后只执行一次update即可。
类似操作还包括游戏打怪,生命和经验的变化;个人主页访问次数的变化等。
异步更新风险
前后端同时写,可能导致覆盖风险。
使用后端异步更新,则前端应用程序就不要写数据库,否则可能造成写入冲突。一种兼容的解决方案是,前端和后端不要写相同的字段。
实战范例:
用户在线上时,后台异步更新用户状态。
管理员后台屏蔽用户是直接更新数据库。
结果管理员屏蔽某用户操作完成后,因该用户在线有操作,后台异步更新程序再次基于缓存更新用户状态,用户状态被复活,屏蔽失效。
缓存数据丢失或服务崩溃可能导致数据丢失风险。
如缓存中间出现故障,则缓存队列数据不会回写到数据库,而用户会认为已经完成,此时会带来比较明显的用户体验问题。
一个不彻底的解决方案是,确保高安全性,高重要性数据实时数据更新,而低安全性数据通过缓存异步回写方式完成。此外,使用相对数值操作而不是绝对数值操作更安全。
范例:支付信息,道具的购买与获得,一旦丢失会对用户造成极大的伤害。而经验值,访问数字,如果只丢失了很少时间的内容,用户还是可以容忍的。
范例:如果使用Views=Views+…的操作,一旦出现数据格式错误,从binlog中反推是可以进行数据还原,但是如果使用Views=特定值的操作,一旦缓存中数据有错误,则直接被赋予了一个错误数据,无法回溯!
异步更新如出现队列阻塞可能导致数据丢失风险。
异步更新通常是使用缓存队列后,在后台由cron或其他守护进程写入数据库。
如果队列生成的速度>后台更新写入数据库的速度,就会产生阻塞,导致数据越累计越多,数据库响应迟缓,而缓存队列无法迅速执行,导致溢出或者过期失效。
建议使用内存队列产品而不使用memcache来进行缓存异步更新。
总结
第一步,完成数据库查询的优化,需要理解索引结构,才能学会判断影响结果集。而影响结果集对查询效率线性相关,掌握这一点,编写数据查询语句就很容易判断系统开销,了解业务压力趋势。
第二步,在SQL语句已经足够优化的基础上,学会对数据库整体状况的分析,能够对异常和负载的波动有正确的认识和解读;能够对系统资源的分配和瓶颈有正确的认识。
学会通过监控和数据来进行系统的评估和优化方案设计,杜绝拍脑袋,学会抓大放小,把握要点的处理方法。
第三步,在彻底掌握数据库语句优化和运维优化的基础上,学会分布式架构设计,掌握复杂,大容量数据库系统的搭建方法。
最后,分享一句话,学会把问题简单化,正如Caoz常说的,你如果认为这个问题很复杂,你一定想错了。
感谢您的阅读,如对您有帮助,请在百度文库给本文五分好评,并推荐给您的朋友,多谢。