Mysql 性能优化方案及技术文档格式.docx

Mysql 性能优化方案及技术文档格式.docx

《Mysql 性能优化方案及技术文档格式.docx》由会员分享，可在线阅读，更多相关《Mysql 性能优化方案及技术文档格式.docx（20页珍藏版）》请在冰豆网上搜索。

●非技术挑战，非高端架构师培训，请高手自动忽略。

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

⏹数据索引的存储是有序的

⏹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

⏹极端情况下，数据索引的查询效率为二分法查询效率，趋近于log2（N）

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）。

⏹单一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。

◆实战范例：

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…and数据库操作，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）

⏹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。

◆实战范例：

复合索引查询优化实战，同城异性列表

用户表user，字段sex性别；

area地区；

lastlogin最后登录时间；

其他略

查找同一地区的异性，按照最后登录时间逆序

高访问量社区的高频查询，如何优化。

查询SQL:

select*fromuserwherearea=’$area’andsex=’$sex’orderbylastlogindesclimit0,30;

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？

首先，忘掉btree，将索引字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=’$area’andsex=’$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！

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*fromuserfeedwhereuid=$uidorderbylastlogindesclimit0,30;

初期默认以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。

出现了一个SQL语句（deletefromtabnamewherexid=…），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。

⏹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。

◆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,showprofilesforquery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

⏹状态清单

◆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toomanyconnections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！

◆Waitingfornet,readingfromnet,writingtonet

●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waitingfornet，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。

◆Copytotmptable

●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。

●Copytotmptable通常与连表查询有关，建议逐渐习惯不使用连表查询。

⏹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copytotmptable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。

●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。

◆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。

◆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

◆Toomanyconnections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|grep3306|wc–l

◆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toomanyconnections的时候root帐号仍可以登录数据库查询showprocesslist!

⏹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setprofiling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and1=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。

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

●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。

●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

⏹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

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。

⏹顺序写数据与随机读写数据分库

◆顺序数据与随机数据区分存储地址，保证物理i/o优化。

这个实话说，我只听说了概念，还没学会怎么实践。

⏹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。

●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

⏹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