MySQL大表優化方案-有解無憂

背景

阿里云RDS FOR MySQL（MySQL5.7版本）資料庫業務表每月新增資料量超過千萬,隨著資料量持續增加,我們業務出現大表慢查詢,在業務高峰期主業務表的慢查詢需要幾十秒嚴重影響業務

方案概述

20201030141518

一、資料庫設計及索引優化

MySQL資料庫本身高度靈活，造成性能不足，嚴重依賴開發人員的表設計能力以及索引優化能力,在這里給幾點優化建議

時間型別轉化為時間戳格式,用int型別儲存,建索引增加查詢效率
建議欄位定義not null，null值很難查詢優化且占用額外的索引空間
使用TINYINT型別代替列舉ENUM
存盤精確浮點數必須使用DECIMAL替代FLOAT和DOUBLE
欄位長度嚴重根據業務需求來,不要設定過大
盡量不要使用TEXT型別，如必須使用建議將不常用的大欄位拆分到其它表
MySQL對索引欄位長度是有限制的, innodb引擎的每個索引列長度默認限制為767位元組（bytes），所有組成索引列的長度和不能大于3072位元組(mysql8.0單索引可以創建1024字符)
大表有DDL需求時請聯系DBA

最左索引匹配規則

顧名思義就是最左優先，在創建組合索引時，要根據業務需求，where子句中使用最頻繁的一列放在最左邊，復合索引很重要的問題是如何安排列的順序，比如where后面用到c1, c2 這兩個欄位，那么索引的順序是(c1,c2)還是(c2,c1)呢，正確的做法是，重復值越少的越放前面，比如一個列 95%的值都不重復，那么一般可以將這個列放最前面

復合索引index(a,b,c)
where a=3 只使用了a
where a=3 and b=5 使用了a,b
where a=3 and b=5 and c=4 使用了a,b,c
where b=3 or where c=4 沒有使用索引
where a=3 and c=4 僅使用了 a
where a=3 and b>10 and c=7 使用了a,b
where a=3 and b like ‘xx%’ and c=7 使用了a,b
其實相當于創建了多個索引：key(a)、key(a,b)、key(a,b,c)

二、資料庫切換到PloarDB讀寫分離

PolarDB是阿里云自研的下一代關系型云資料庫，100%兼容MySQL存盤容量最高可達100 TB，單庫最多可擴展到16個節點，適用于企業多樣化的資料庫應用場景，PolarDB采用存盤和計算分離的架構，所有計算節點共享一份資料，提供分鐘級的配置升降級、秒級的故障恢復、全域資料一致性和免費的資料備份容災服務，

集群架構，計算與存盤分離
PolarDB采用多節點集群的架構，集群中有一個Writer節點（主節點）和多個Reader節點（只讀節點），各節點通過分布式檔案系統（PolarFileSystem）共享底層的存盤（PolarStore）
讀寫分離
當應用程式使用集群地址時，PolarDB通過內部的代理層（Proxy）對外提供服務，應用程式的請求都先經過代理，然后才訪問到資料庫節點，代理層不僅可以做安全認證和保護，還可以決議SQL，把寫操作（例如事務、UPDATE、INSERT、DELETE、DDL等）發送到主節點，把讀操作（例如SELECT）均衡地分發到多個只讀節點，實作自動的讀寫分離，對于應用程式來說，就像使用一個單點的資料庫一樣簡單，

在離線混合場景：不同業務用不同的連接地址，使用不同的資料節點，避免相互影響

20201029160013

Sysbench性能壓測報告：

PloarDB 4核16G 2臺

20201029160525
20201029160550

PloarDB 8核32G 2臺

20201029160755
20201029160845

三、分表歷史資料遷移到MySQL8.0 X-Engine存盤引擎

分表業務表保留3個月資料(這個根據公司需求來),歷史資料按月分表到歷史庫X-Engine存盤引擎表, 為什么要選用X-Engine存盤引擎表,它有什么優點?

節約成本, X-Engine的存盤成本約為InnoDB的一半
X-Engine分層存盤提高QPS, 采用層次化的存盤結構，將熱資料與冷資料分別存放在不同的層次中，并默認對冷資料所在層次進行壓縮

X-Engine是阿里云資料庫產品事業部自研的聯機事務處理OLTP（On-Line Transaction Processing）資料庫存盤引擎，
X-Engine存盤引擎不僅可以無縫對接兼容MySQL（得益于MySQL Pluginable Storage Engine特性），同時X-Engine使用分層存盤架構，因為目標是面向大規模的海量資料存盤，提供高并發事務處理能力和降低存盤成本，在大部分大資料量場景下，資料被訪問的機會是不均等的，訪問頻繁的熱資料實際上占比很少，X-Engine根據資料訪問頻度的不同將資料劃分為多個層次，針對每個層次資料的訪問特點，設計對應的存盤結構，寫入合適的存盤設備

X-Engine使用了LSM-Tree作為分層存盤的架構基礎，并進行了重新設計：
熱資料層和資料更新使用記憶體存盤，通過記憶體資料庫技術（Lock-Free index structure/append only）提高事務處理的性能，
流水線事務處理機制，把事務處理的幾個階段并行起來，極大提升了吞吐，
訪問頻度低的資料逐漸淘汰或是合并到持久化的存盤層次中，并結合多層次的存盤設備（NVM/SSD/HDD）進行存盤，
對性能影響比較大的Compaction程序做了大量優化：
拆分資料存盤粒度，利用資料更新熱點較為集中的特征，盡可能的在合并程序中復用資料，
精細化控制LSM的形狀，減少I/O和計算代價，有效緩解了合并程序中的空間增大，
同時使用更細粒度的訪問控制和快取機制，優化讀的性能，

20201029162440

四、阿里云PloarDB MySQL8.0版本并行查詢

分表之后我們的資料量依然很大,并沒有完全解決我們的慢查詢問題,只是降低了我們業務表的體量,這部分慢查詢我們需要用到PolarDB的并行查詢優化

PolarDB MySQL 8.0重磅推出并行查詢框架，當您的查詢資料量到達一定閾值，就會自動啟動并行查詢框架，從而使查詢耗時指數級下降
在存盤層將資料分片到不同的執行緒上，多個執行緒并行計算，將結果流水線匯總到總執行緒，最后總執行緒做些簡單歸并回傳給用戶，提高查詢效率，
并行查詢（Parallel Query）利用多核CPU的并行處理能力，以8核32 GB配置為例，示意圖如下所示，

20201029163124