Mysql性能优化教程

《Mysql性能优化教程》由会员分享，可在线阅读，更多相关《Mysql性能优化教程（24页珍藏版）》请在装配图网上搜索。

1、Mysql 性能优化教程目录目录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7常见关注重点7执行状态分析8分析流程9常见案例解析11总结12Mysql 运维优化14存储引擎类型14内存使用考量14性能与安全性考量14存储/写入压力优化15运维监控体系15Mysql 架构优化17架构优化目标17防止单点隐患17方便系统扩容17安全可控，成本可控17分布式方案18分库&拆表方案18反范式设计（冗余结构设计）20主从架构21故障转移处理22缓存

2、方案22缓存结合数据库的读取22缓存结合数据库的写入23总结24背景及目标l 厦门游家公司（）用于员工培训和分享。l 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l 针对高并发，海量数据的互联网环境。l 本文语言为口语，非学术标准用语。l 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。l 非技术挑战，非高端架构师培训，请高手自动忽略。l 本文档在2011年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n 关系型数据库的数据索引（Btre

3、e及常见索引结构）的存储是有序的。n 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n 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)。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。n 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n 数据索引通常默认采用btree索引，（内存表也使用了hash索引）。n 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

4、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。n 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。n 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。n 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l 实战范例1： ip地址反查n 资源： Ip地址对应表，源数据格式为 startip, end

5、ip, area 源数据条数为 10万条左右，呈很大的分散性n 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n 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between and, 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。n 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）l 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n 挑战：高访问量社区的高频查询，如何优化。查询SQL: select * fro

6、m user where area=$area and sex=$sex order by lastlogin 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？n 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

7、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n 通过Explain 分析SQL，查看 rows 列内容n 通过慢查询日志的Rows_examined: 后面的数字n 影响结果集数字是查询优化的重要中间数字，工

8、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n 查询条件与索引的关系决定影响结果集。u 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。u 范例 select * from user where area=厦门 and sex=女 l 假设 索引为 areal 假设User表中 area=厦门的有 125000条，而搜索返回结果为60233条。l 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。l 如果该SQL 增加 limit 0,30的后缀。查询时，先命中 area=厦门，然后依顺序

9、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。l 但是如果SQL中涉及了排序操作，比如 order by lastlogin desc 再有limit 0,30时，排序需要遍历所有area=厦门 的记录，而不是满足即止。n 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。n 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。n 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

10、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。n Limit 的影响，需要斟酌对待u 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 limit 200,30 影响结果集是230. 而不是30.u 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

11、在效率影响。u 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 by timeline 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 where area=厦门 order by timeline 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n 毫

12、秒级优化案例u 某游戏用户进入后显示最新动态，SQL为 select * from userfeed where uid=$uid order by timeline desc limit 20; 主键为$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Sending data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

13、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。n Innodb锁表案例u 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(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

14、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。n 实时排名策略优化u 背景： 用户提交游戏积分，显示实时排名。u 原方案： l 提交积分是插入记录，略， l select count(*) from jifen where gameid=$gameid and fenshu$fenshuu 问题与挑战l 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

15、导致连接过多。u 优化思路l 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。l 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。l 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$duandian。l SQL: select count(*) from jifen where gameid=$gameid and fenshu$fens

16、hu and fenshu$duandian，如果处于第一区间，则无需$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。l 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。l 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。l 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。u Redis方案l Redis数据结构包括String,list,dict和Zset四种，在本案

17、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。l 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。l List 队列结构，在数据异步写入处理中可以替代memcache。l 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。l 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。n 论坛翻页优化u 背景，常见论坛帖子页 SQL: select * from post where tag

18、id=$tagid order by lastpost limit $start, $end 翻页 。索引为 tagid+lastpost 复合索引u 挑战， 超级热帖，几万回帖，用户频频翻到末页，limit 25770,30 一个操作下来，影响结果集巨大(25770+30)，查询缓慢。u 解决方法：l 只涉及上下翻页情况n 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 $maxlastpost ，上翻页查询为 select * from post where tagid=$tagid and lastpost$maxlastpost

19、 order 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。l 涉及跳转到任意页n 互联网上常见的一个优化方案可以这样表述，select * from post where tagid=$tagid and lastpost=(select lastpost from post where tagid=$tagid order by lastpost limit $start,1) order by lastpost limit 30; 或者 select * from post where pid in (select pid from pos

20、t where tagid=$tagid order by lastpost limit $start,30); (第2条S语法在新的mysql版本已经不支持，新版本mysql in的子语句不再支持limit条件，但可以分解为两条SQL实现，原理不变，不做赘述)n 以上思路在于，子查询的影响结果集仍然是$start +30，但是数据获取的过程（Sending data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。u 延伸问题：l 来自于uchome典型查询

21、 SELECT * FROM uchome_thread WHERE tagid=73820 ORDER BY displayorder DESC, lastpost DESC LIMIT $start,30; l 如果换用 如上方法，上翻页代码 SELECT * FROM uchome_thread WHERE tagid=73820 and lastpost$maxlastpost ORDER BY displayorder DESC, lastpost ASC LIMIT 0,30;l 这里涉及一个order by 索引可用性问题，当order by中 复合索引的字段，一个是ASC，一个

22、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。l 总结：n 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。n 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

23、。n 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l 慢查询日志，关注重点如下n 是否锁定，及锁定时间u 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。n 影响结果集u 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。l Explain 操作n 索引项使用u 不建议用using index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。n 影响结果集u 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

24、，反思SQL。l Set profiling , show profiles for query操作n 执行开销u 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。u 执行时间超过0.005秒的频繁操作SQL建议都分析一下。u 深入理解数据库执行的过程和开销的分布l Show processlist 执行状态监控n 这是在数据库负载波动时经常进行的一项操作n 具体参见如下执行状态分析l Sleep 状态 n 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n 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

25、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。n 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！l Waiting for net, reading from net, writing to netn 偶尔出现无妨n 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n 案例: 因外挂程序，内网数据库大量读取，内网使用的百兆

26、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l Locked状态n 有更新操作锁定n 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。n 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。l Copy to tmp tablen 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。n 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，

27、偶尔出现，可以允许。频繁出现务必优化之。n 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。n 实战范例：u 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。l Sending datan 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，n 偶尔出现该状态连接无碍。n 回到上面影响结果集的问题

28、，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。n 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。n 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。l Storing result to query cachen 出现这种状态，如果频繁出现，使用set profiling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query cache碎片较多n 使用fl

29、ush query cache 可即时清理，也可以做成定时任务n Query cache参数可适当酌情设置。l Freeing itemsn 理论上这玩意不会出现很多。偶尔出现无碍n 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。n i/o压力过大时，也可能出现Free items执行时间较长的情况。l Sorting for n 和Sending data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。l 其他n 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l 基本流程n 详细了解问题状况u Too

30、many connections 是常见表象，有很多种原因。u 索引损坏的情况在innodb情况下很少出现。u 如出现其他情况应追溯日志和错误信息。n 了解基本负载状况和运营状况u 基本运营状况l 当前每秒读请求l 当前每秒写请求l 当前在线用户l 当前数据容量u 基本负载情况l 学会使用这些指令n Top n Vmstatn uptime n iostat n df l Cpu负载构成n 特别关注i/o压力( wa%)n 多核负载分配l 内存占用n Swap分区是否被侵占n 如Swap分区被侵占，物理内存是否较多空闲l 磁盘状态n 硬盘满和inode节点满的情况要迅速定位和迅速处理n 了解具

31、体连接状况u 当前连接数 l Netstat an|grep 3306|wc ll Show processlistu 当前连接分布 show processlistl 前端应用请求数据库不要使用root帐号！n Root帐号比其他普通帐号多一个连接数许可。n 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!n 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。l 状态分布n 不同状态代表不同的问题，有不同的优化目标。n 参见如上范例。l 雷同SQL的分

32、布n 是否较多雷同SQL出现在同一状态u 当前是否有较多慢查询日志l 是否锁定l 影响结果集n 频繁度分析u 写频繁度l 如果i/o压力高，优先分析写入频繁度l Mysqlbinlog 输出最新binlog文件，编写脚本拆分l 最多写入的数据表是哪个l 最多写入的数据SQL是什么l 是否存在基于同一主键的数据内容高频重复写入？n 涉及架构优化部分，参见架构优化-缓存异步更新u 读取频繁度l 如果cpu资源较高，而i/o压力不高，优先分析读取频繁度l 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。l 最多读取的数据表是哪个l 最多读取的数据SQL是什么n

33、 该SQL进行explain 和set profiling判定n 注意判定时需要避免query cache影响u 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。 l 是否存在同一个查询短期内频繁出现的情况n 涉及前端缓存优化n 抓大放小，解决显著问题u 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。u 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l 现象：服务器出现too many connections 阻塞n 入手点：u 查看服务器状态，cpu占用，内存占用，硬盘占用

34、，硬盘i/o压力u 查看网络流量状态，mysql与应用服务器的输入输出状况u 通过Show processlist查看当前运行清单l 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 show processlist。n 状态分析：u 参见如上执行状态清单，根据连接状态的分布去确定原因。n 紧急恢复u 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。n 善后处理u 以下针对常见问题简单解读u Sleep 连接过多导致，应用端及时释放连接，排查关联因素。u Locked连接过多，如源于myisam表级锁，更innodb引擎;如源于

35、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。u Sending data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。u Free items连接过多，i/o压力过大 或硬盘故障u Waiting for net , writing to net 连接过多， mysql与应用服务器连接阻塞。u 其他仍参见如上执行状态清单所示分析。u 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。l 现象：数据库负载过高，响应缓慢。n 入手点：u 查看cpu状态，服务器负载构成n 分支1：i/

36、o占用过高。u 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。u 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。u 步骤3：如果压力来自于写，使用mysqlbinlog 解开最新的binlog文件。u 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。l 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。u 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。u 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 post set views=

37、views+1 where tagid=*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。u 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。n 分支2：i/o占用不高，CPU 占用过高u 步骤1：查看慢查询日志u 步骤2：不断刷新查看Show processlist清单，并把握可能频繁出现的处于Sending d

38、ata状态的SQL。u 步骤3：记录前端执行SQLl 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。l 基于采样率和记录频率，获得每秒读请求次数数据指标。l 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。l 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。l 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。u 步骤4：将导致

39、慢查询的SQL或频繁出现于show processlist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。u 步骤5：对如上难以界定问题的SQL进行 set profiling 分析。u 步骤6：优化后分析继续采样跟踪分析。并跟踪比对结果。n 善后处理u 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。u 确保随时能了解服务器的请求频次，读写请求的分布。u 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。u 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

40、。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l 要学会怎样分析问题，而不是单纯拍脑袋优化l 慢查询只是最基础的东西，要学会优化0.01秒的查询请求。l 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n 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。l 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。l 监测与跟踪要经常做，而不是出问题才做n 读取频繁度抽样监测u 全监测不要搞，i/o吓死人。u 按照一个抽样比例

41、抽样即可。u 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。n 写入频繁度监测u 基于binlog解开即可，可定时或不定时分析。n 微慢查询抽样监测u 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。n 连接数预警监测u 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。l 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l Myisam 速度快，响应快。表级锁是致命问题。l Innodb

42、 目前主流存储引擎n 行级锁 u 务必注意影响结果集的定义是什么u 行级锁会带来更新的额外开销，但是通常情况下是值得的。n 事务提交 u 对i/o效率提升的考虑u 对安全性的考虑l HEAP 内存引擎n 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l 理论上，内存越大，越多数据读取发生在内存，效率越高l Query cache的使用n 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，query cache不必设置很大，甚至可以不设置。n 如果前端请求重复度较高，无应用层缓存，query cache是一个很好的偷懒选择u 对于中等以下规模数据库应用，偷懒不是一个坏选择。u 如果确

43、认使用query cache，记得定时清理碎片，flush query cache.l 要考虑到现实的硬件资源和瓶颈分布l 学会理解热点数据，并将热点数据尽可能内存化n 所谓热点数据，就是最多被访问的数据。n 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。n 学会制定不同的热点数据规则，并测算指标。u 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。u 响应满足度，对响应的满足率越高越好。u 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l 数据提交方式n innodb_flush_l

44、og_at_trx_commit = 1 每次自动提交，安全性高，i/o压力大n 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。l 日志同步n Sync-binlog=1 每条自动更新，安全性高，i/o压力大n 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。n 个人建议保存binlog日志文件，便于追溯 更新操作和系统恢复。n 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binl

45、og转移到物理硬盘。l 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n 学会区分什么场合侧重性能，什么场合侧重安全n 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l 顺序读写性能远高于随机读写l 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l 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。l 多块物理硬盘做raid10，可以提升写入能力l 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-

46、io在新浪和淘宝都有较多使用。l 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

47、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l 系统监控n 服务器资源监控u Cpu, 内存，硬盘空间，i/o压力u 设置阈值报警n 服务器流量监控u 外网流量，内网流量u 设置阈值报警n 连接状态监控u Show processlist 设置阈值，每分钟监测，超过阈值记录l 应用监控n 慢查询监控u 慢查询日志u 如果存在多台数据库服务器，应有汇总查阅机制。n 请求错误监控u 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。u 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。u 会存在恶意输入内容，输入边界

48、限定缺乏导致执行出错，需基于此防止恶意入侵探测行为。n 微慢查询监控u 高并发环境里，超过0.01秒的查询请求都应该关注一下。n 频繁度监控u 写操作，基于binlog，定期分析。u 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。u 分析请求频繁度是开发架构 进一步优化的基础u 最好的优化就是减少请求次数！l 总结：n 监控与数据分析是一切优化的基础。n 没有运营数据监测就不要妄谈优化！n 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l 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。

49、l 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。n 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。n 实战范例2：前端代码 通常我们封装 mysql_connect和memcache_co

50、nnect，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。n 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l 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。l 请求压力增加时，要考虑将请求压力分布到不同服务器上。l 扩容设计时需要考虑防止单点隐患。安全可控，成本可控l 数据安全，业务安全l 人力资源成本带宽流量成本硬件成本n 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）。n 规模优势l 本教程仅就与数据库有

51、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l 基本认识n 用分库&拆表是解决数据库容量问题的唯一途径。n 分库&拆表也是解决性能压力的最优选择。n 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）n 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）。l 去关联化原则n 摘除数据表之间的关联，是分库的基础工作。n 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。n 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

52、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。n 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。l 分库方案n 安全性拆分u 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。n 基于业务逻辑拆分u 根据数据表的内容构成，业

53、务逻辑拆分，便于日常维护和前端调用。u 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。u 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。n 基于负载压力拆分u 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。u 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。n 混合拆分组合u 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。u 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u 例如，l 基于安全拆分出A数据库实例，l 基于业务拆分出B,C

54、数据库实例，l C数据库存在较高负载，基于负载拆分为C1,C2,C3,C4等 实例。l 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。l 分表方案n 数据量过大或者访问压力过大的数据表需要切分n 纵向分表（常见为忙闲分表）u 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u 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。n 横向切表u 等

55、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。u 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。u 日期切表，适用于日志记录式数据，优缺点等同于递增切表。u 个人倾向于递增切表，具体根据应用场景决定。n 热点数据分表u 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。u

56、 热点数据表与旧有数据关系l 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。l 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。l 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。u 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。u 热点数据表的重要指标l 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。l 数据规模，比如从100

57、0万条数据，抽取出100万条热点数据。l 热点命中率，比如查询10次，多少次命中在热点数据内。l 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。u 热点数据表的动态维护l 加载热点数据方案选择n 定时从旧有数据结构中按照新的策略获取n 在从旧有数据结构读取时动态加载到热点数据l 剔除热点数据方案选择n 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n 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。u 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

58、范式设计（冗余结构设计）l 反范式设计的概念n 无外键，无连表查询。n 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。n 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。l 冗余结构设计所面临的典型场景n 原有展现程序涉及多个表的查询，希望精简查询程序n 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。n 存在较多数据统计需求（count, sum等），效率低下。l 冗余设计方案n 基于展现的冗余设计u 为了简化展现程序，在一些数据表中往往存在冗余字段u 举例，信息表 message，存在字段 fromuid,touid,msg

59、,sendtime 四个字段，其中 touid+sendtime是复合索引。存在查询为 select * from message where touid=$uid order by sendtime desc limit 0,30;u 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。n 基于查询的冗余设计u 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

60、便于查询项的冗余表。u 冗余表要点l 数据一致性，简单说，同增，同删，同更新。l 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。u 实战范例1l 用户分表，将用户库分成若干数据表l 基于用户名的查询和基于uid的查询都是高并发请求。l 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。l 如果允许多方式登陆，可以有如下设计方法n uid,passwd,用户信息等等，主数据表，基于uid分表n 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。u select uid from ulist_key_13

61、 where ukey=$username and ukeytype=login;u select * from ulist_uid_23 where uid=$uid and passwd=$passwd;n 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。n 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。u 实战范例2：用户游戏积分排名l 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。l 需求1：基于游戏id查询积分排行l 需求2：基于用户id查询游戏积分记录l 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。u 实战范例3：全冗余查询结构l 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。l 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。l 日常查询只基于查询冗余表，然后通过in的