Mysql 性能优化方案及技术.doc

1、Mysql 性能优化方案及技术目录目录 1背景及目标 2Mysql 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 2如何理解影响结果集 3理解执行状态 4常见分析手段 4分析流程 6总结 7Mysql 运维优化 .9存储引擎类型 9内存使用考量 9性能与安全性考量 9存储压力优化 10运维监控体系 10Mysql 架构优化 .11架构优化目标 11防止单点隐患 11方便系统扩容 11安全可控，成本可控 11分布式方案 12分库挑战： 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？首先，忘掉 btree，将索引字

2、段理解为一个排序序列。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

3、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！如何理解影响结果集 影响结果集是数据查询优化的一个重要中间数据 查询条件与索引的关系决定影响结果集如上例所示，即便查询用到了索引，但是如果查询和排序目标不能直接在索引中命中，其可能带来较多的影响结果。而这会直接影响到查询效率 微秒级优化 优化查询不能只看慢查询日志，常规来说，0.01 秒以上的查询，都是不够优化的。 实战范例和上案例类似，某游戏社区要显示用户动态，select * from userfeed where uid=$uid order by lastlogin desc limit 0,30; 初期默认

4、以 uid 为索引字段，查询为命中所有 uid=$uid 的结果按照 lastlogin 排序。 当用户行为非常频繁时，该 SQL 索引命中影响结果集有数百乃至数千条记录。查询效率超过 0.01 秒，并发较大时数据库压力较大。 解决方案：将索引改为 uid+lastlogin 复合索引，索引直接命中影响结果集 30 条，查询效率提高了 10 倍，平均在 0.001 秒，数据库压力骤降。 影响结果集的常见误区 影响结果集并不是说数据查询出来的结果数或操作影响的结果数，而是查询条件的索引所命中的结果数。 实战范例 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

5、现了一个 SQL 语句(delete from tabname where xid=)，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

6、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。 总结： 影响结果集是搜索条件索引命中的结果集，而非输出和操作的结果集。 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。 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。理解执行状态常见分析手段 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 using ind

7、ex 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。 Set profiling , 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 Show processlist 状态清单 Sleep 状态， 通常代表资源未释放，如果是通过连接池，sle

8、ep 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！ Waiting for net, reading from net, writing to net 偶尔出

9、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 waiting for 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。 Copy to 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

10、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。 Copy to 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copy to 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。 Sending data Sending data 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

11、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 sending data 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。 如果出现大量相似的 SQL 语句出现在 show proesslist 列表中，并且都处于 sending data 状态，优化查询索引，记住用影响结果集的思路去思考。 Freeing items 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。 Sorting for 和 Sending data 类似，结

12、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 Too many 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%)

13、 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 Show processlist 当前连接分布 show processlist 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 too many 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

14、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

15、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 query cache 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 query cache 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，

16、新的策略或解决方案务必经过评估后上线。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。 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

17、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

18、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 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

19、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。 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压力优化 顺序读写性能远高于随机

20、读写 日志类数据可以使用顺序读写方式进行 将顺序写数据和随机读写数据分成不同的物理磁盘，有助于 i/o 压力的疏解，前提是，你确信你的 i/o 压力主要来自于可顺序写操作（因随机读写干扰导致不能顺序写，但是确实可以用顺序写方式进行的 i/o 操作） 。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 Show processlist 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

21、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

22、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

23、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

24、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$var+;memcache_set($memcon,”var”,$var);这样一个脚本，使用 apache ab 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

25、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

26、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，

27、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。