Mysql性能优化方案及技术.docx
《Mysql性能优化方案及技术.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.docx（20页珍藏版）》请在冰豆网上搜索。
Mysql性能优化方案及技术
Mysql性能优化方案及技术
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7
Mysql运维优化9
存储引擎类型9
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10
Mysql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&拆表方案12
主从架构14
故障转移处理15
缓存方案15
缓存结合数据库的读取15
缓存结合数据库的写入15
背景及目标
●游家公司（4399.）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。
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，（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。
◆实战例：
复合索引查询优化实战，同城异性列表
资源：
用户表user，字段sex性别；area地区；lastlogin最后登录时间；其他略
目标：
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;
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=’$sex’数据，然后在这个基础上排序！
！
Area+sex+lastlogin复合索引时（切记lastlogin在最后），该索引基于area+sex+lastlogin三个字段合并的结果排序，该列表可以想象如下。
女$时间1
女$时间2
女$时间3
…
男
….
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。
⏹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,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围
●实战例：
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，网数据库大量读取，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。
●实战例：
⏹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，其中一个不常用的小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，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
●存占用
⏹Swap分区是否被侵占
⏹如Swap分区被侵占，物理存是否较多空闲
●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
●Showprocesslist
◆当前连接分布showprocesslist
●前端应用请求数据库不要使用root！
⏹Root比其他普通多一个连接数许可。
⏹前端使用普通，在toomanyconnections的时候root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
⏹例：
如果本身系统存已经超载，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存引擎
⏹频繁更新和海量读取情况下仍会存在锁定状况
存使用考量
●理论上，存越大，越多数据读取发生在存，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,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，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–一数据表拆成多数据表，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。
⏹学会理解反式数据结构设计，所谓反式，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工程师可在限度围执行关联查询。
⏹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
◆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数据表，表容变少，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存
升级会员 