Mysql性能优化教程(共24页).doc

《Mysql性能优化教程(共24页).doc》由会员分享，可在线阅读，更多相关《Mysql性能优化教程(共24页).doc（24页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上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）2

2、0主从架构21故障转移处理22缓存方案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

3、 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。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

4、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。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

5、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

6、SQL: select * from 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

7、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

8、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 条，而搜索返回结果为60233条。l 影响结果集是条，索引先命中条厦门用户，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，然后依顺序执

9、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断，基于索引的

10、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，就不存在效率影响。u

11、 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 毫秒级优化案例u

12、 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，影响结果集就只有l

13、imit 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操作锁定，sele

14、ct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，高峰期会导致连

15、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>$fen

16、shu 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

17、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。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 wher

18、e tagid=$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<$mi

19、nlastpost order by lastpost desc limit 30; 下翻页为 select * from post where tagid=$tagid and lastpost>$maxlastpost 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

20、 order by lastpost limit $start,1) order by lastpost limit 30; 或者 select * from post where pid in (select pid from post where tagid=$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 d

21、ata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 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='738

22、20' and lastpost<$minlastpost ORDER BY displayorder DESC,lastpost DESC LIMIT 0,30; 下翻页代码SELECT * FROM uchome_thread WHERE tagid='73820' and lastpost>$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，一个是DESC 时，其排序无法在索

23、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。n 请注意，我这里永远不会讲

24、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，反思SQL。l Set pr

25、ofiling , 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）未及时关闭数据库连接，导致因网络连接速度产生

26、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，内网使用的百兆交换迅速爆满，导致大量连接阻塞

27、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，偶尔出现，可以允许。频繁出现务

28、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，一般而言，如果sending

29、 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flush query cache

30、 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 many connection

31、s 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 了解具体连接状况u 当前连接数 l

32、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的分布n 是否较多雷同SQL出现在

33、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 该SQL进行explain

34、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，硬盘i/o压力u 查看网络流

35、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;如源于更新操作使用了不恰当的索引或未

36、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/o占用过高。u 步骤1： 检查

37、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=views+1 where t

38、agid=*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 data状态的SQL。u 步骤3

39、：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：将导致慢查询的SQL或频繁出现于sh

40、ow 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。用尽可能少的投入实现最好的负

41、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 按照一个抽样比例抽样即可。u 针对抽样中发现的

42、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 目前主流存储引擎n 行级锁

43、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 如果确认使用query cache，

44、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_log_at_trx_commi

45、t = 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binlog转移到物理硬盘。l 性能与

46、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。·

47、例如fusion-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