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

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
    1. 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。
  • 基于业务逻辑拆分
    1. 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。
    2. 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。
    3. 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
    1. 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。
    2. 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。
  • 混合拆分组合
    1. 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。
    2. 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
    3. 例如，
       • 基于安全拆分出A数据库实例，
       • 基于业务拆分出B,C数据库实例，
       • C数据库存在较高负载，基于负载拆分为C1,C2,C3,C4等 实例。
       • 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。

• 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
  • 纵向分表（常见为忙闲分表）
    1. 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
    2. 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
    1. 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。
    2. 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。
    3. 日期切表，适用于日志记录式数据，优缺点等同于递增切表。
    4. 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
    1. 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。
    2. 热点数据表与旧有数据关系
       • 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。
       • 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。
       • 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。
    3. 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。
    4. 热点数据表的重要指标
       • 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。
       • 数据规模，比如从1000万条数据，抽取出100万条热点数据。
       • 热点命中率，比如查询10次，多少次命中在热点数据内。
       • 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。
    5. 热点数据表的动态维护
       • 加载热点数据方案选择
         • 定时从旧有数据结构中按照新的策略获取
         • 在从旧有数据结构读取时动态加载到热点数据
       • 剔除热点数据方案选择
         • 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
         • 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。
    6. 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….

反范式设计（冗余结构设计）

• 反范式设计的概念
  • 无外键，无连表查询。
  • 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。
  • 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。
• 冗余结构设计所面临的典型场景
  • 原有展现程序涉及多个表的查询，希望精简查询程序
  • 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。
  • 存在较多数据统计需求（count, sum等），效率低下。
• 冗余设计方案
  • 基于展现的冗余设计
    1. 为了简化展现程序，在一些数据表中往往存在冗余字段
    2. 举例，信息表  message，存在字段 fromuid,touid,msg,sendtime  四个字段，其中 touid+sendtime是复合索引。存在查询为 select * from message where touid=$uid order by sendtime desc  limit 0,30;
    3. 展示程序需要显示发送者姓名，此时通常会在message表中增加字段fromusername，甚至有的会增加fromusersex，从而无需连表查询直接输出信息的发送者姓名和性别。这就是一种简单的，为了避免连表查询而使用的冗余字段设计。
  • 基于查询的冗余设计
    1. 涉及分表操作后，一些常见的索引查询可能需要跨表，带来不必要的麻烦。确认查询请求远大于写入请求时，应设置便于查询项的冗余表。
    2. 冗余表要点
       • 数据一致性，简单说，同增，同删，同更新。
       • 可以做全冗余，或者只做主键关联的冗余，比如通过用户名查询uid，再基于uid查询源表。
    3. 实战范例1
       • 用户分表，将用户库分成若干数据表
       • 基于用户名的查询和基于uid的查询都是高并发请求。
       • 用户分表基于uid分成数据表，同时基于用户名做对应冗余表。
       • 如果允许多方式登陆，可以有如下设计方法
         • uid,passwd,用户信息等等，主数据表，基于uid 分表
         • ukey,ukeytype,uid 基于ukey分表，便于用户登陆的查询。分解成如下两个SQL。
           1. select uid from ulist_key_13 where ukey=’$username’ and ukeytype=‘login’;
           2. select * from ulist_uid_23 where uid=$uid and passwd=’$passwd’;
         • 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。
         • 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。
    4. 实战范例2：用户游戏积分排名
       • 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。
       • 需求1：基于游戏id查询积分排行
       • 需求2：基于用户id查询游戏积分记录
       • 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。
    5. 实战范例3：全冗余查询结构
       • 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。
       • 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。
       • 日常查询只基于查询冗余表，然后通过in的方式从主信息表获得内容。
       • 优点是结构扩展非常方便，只需要扩展新的查询信息表即可，核心思路是，只有查询才需要独立的索引结构，展现无需独立字段。
       • 缺点是只适合于相对固定的查询架构，对于更加灵活的组合查询束手无策。
  • 基于统计的冗余结构
    1. 为了减少会涉及大规模影响结果集的表数据操作，比如count，sum操作。应将一些统计类数据通过冗余数据结构保存。
    2. 冗余数据结构可能以字段方式存在，也可能以独立数据表结构存在，但是都应能通过源数据表恢复。
    3. 实战范例：
       • 论坛板块的发帖量，回帖量，每日新增数据等。
       • 网站每日新增用户数等。
       • 参见Discuz论坛系统数据结构，有较多相关结构。
       • 参见前文分段积分结构，是典型用于统计的冗余结构。
       • 后台可以通过源数据表更新该数字。
       • Redis的Zset类型可以理解为存在一种冗余统计结构。
  • 历史数据表
    1. 历史数据表对应于热点数据表，将需求较少又不能丢弃的数据存入，仅在少数情况下被访问。

主从架构

• 基本认识
  • 读写分离对负载的减轻远远不如分库分表来的直接。
  • 写压力会传递给从表，只读从库一样有写压力，一样会产生读写锁！
  • 一主多从结构下，主库是单点隐患，很难解决（如主库当机，从库可以响应读写，但是无法自动担当主库的分发功能）
  • 主从延迟也是重大问题。一旦有较大写入问题，如表结构更新，主从会产生巨大延迟。
• 应用场景
  • 在线热备
  • 异地分布
    1. 写分布，读统一。
    2. 仍然困难重重，受限于网络环境问题巨多！
  • 自动障碍转移
    1. 主崩溃，从自动接管
  • 个人建议，负载均衡主要使用分库方案，主从主要用于热备和障碍转移。
• 潜在优化点
  • 为了减少写压力，有些人建议主不建索引提升i/o性能，从建立索引满足查询要求。个人认为这样维护较为麻烦。而且从本身会继承主的i/o压力，因此优化价值有限。该思路特此分享，不做推荐。

故障转移处理

• 要点
  • 程序与数据库的连接，基于虚地址而非真实ip，由负载均衡系统监控。
  • 保持主从结构的简单化，否则很难做到故障点摘除。
• 思考方式
  • 遍历对服务器集群的任何一台服务器，前端web，中间件，监控，缓存，db等等，假设该服务器出现故障，系统是否会出现异常？用户访问是否会出现异常。
  • 目标：任意一台服务器崩溃，负载和数据操作均会很短时间内自动转移到其他服务器，不会影响业务的正常进行。不会造成恶性的数据丢失。（哪些是可以丢失的，哪些是不能丢失的）

缓存方案

缓存结合数据库的读取

• Memcached是最常用的缓存系统
• Mysql 最新版本已经开始支持memcache插件，但据牛人分析，尚不成熟，暂不推荐。
• 数据读取
  • 并不是所有数据都适合被缓存，也并不是进入了缓存就意味着效率提升。
  • 命中率是第一要评估的数据。
  • 如何评估进入缓存的数据规模，以及命中率优化，是非常需要细心分析的。
    • 实景分析： 前端请求先连接缓存，缓存未命中连接数据库，进行查询，未命中状态比单纯连接数据库查询多了一次连接和查询的操作；如果缓存命中率很低，则这个额外的操作非但不能提高查询效率，反而为系统带来了额外的负载和复杂性，得不偿失。
  • 相关评估类似于热点数据表的介绍。
  • 善于利用内存，请注意数据存储的格式及压缩算法。
• Key-value 方案繁多，本培训文档暂不展开。

缓存结合数据库的写入

• 利用缓存不但可以减少数据读取请求，还可以减少数据库写入i/o压力
• 缓存实时更新，数据库异步更新
  • 缓存实时更新数据，并将更新记录写入队列
  • 可以使用类似mq的队列产品，自行建立队列请注意使用increment来维持队列序号。
  • 不建议使用 get 后处理数据再set的方式维护队列
    • 测试范例：
      • 范例1

• 范例2

• 结论： 用increment存储队列编号，用标记+编号作为key存储队列内容。
• 后台基于缓存队列读取更新数据并更新数据库
  • 基于队列读取后可以合并更新
  • 更新合并率是重要指标
    • 实战范例：

• 异步更新风险
  • 前后端同时写，可能导致覆盖风险。
    • 使用后端异步更新，则前端应用程序就不要写数据库，否则可能造成写入冲突。一种兼容的解决方案是，前端和后端不要写相同的字段。
    • 实战范例：

• 缓存数据丢失或服务崩溃可能导致数据丢失风险。
  • 如缓存中间出现故障，则缓存队列数据不会回写到数据库，而用户会认为已经完成，此时会带来比较明显的用户体验问题。
  • 一个不彻底的解决方案是，确保高安全性，高重要性数据实时数据更新，而低安全性数据通过缓存异步回写方式完成。此外，使用相对数值操作而不是绝对数值操作更安全。
    • 范例：支付信息，道具的购买与获得，一旦丢失会对用户造成极大的伤害。而经验值，访问数字，如果只丢失了很少时间的内容，用户还是可以容忍的。
    • 范例：如果使用 Views=Views+…的操作，一旦出现数据格式错误，从binlog中反推是可以进行数据还原，但是如果使用Views=特定值的操作，一旦缓存中数据有错误，则直接被赋予了一个错误数据，无法回溯！
• 异步更新如出现队列阻塞可能导致数据丢失风险。
  • 异步更新通常是使用缓存队列后，在后台由cron或其他守护进程写入数据库。
  • 如果队列生成的速度>后台更新写入数据库的速度，就会产生阻塞，导致数据越累计越多，数据库响应迟缓，而缓存队列无法迅速执行，导致溢出或者过期失效。
• 建议使用内存队列产品而不使用memcache 来进行缓存异步更新。

总结

• 第一步，完成数据库查询的优化，需要理解索引结构，才能学会判断影响结果集。而影响结果集对查询效率线性相关，掌握这一点，编写数据查询语句就很容易判断系统开销，了解业务压力趋势。
• 第二步，在SQL语句已经足够优化的基础上，学会对数据库整体状况的分析，能够对异常和负载的波动有正确的认识和解读；能够对系统资源的分配和瓶颈有正确的认识。
• 学会通过监控和数据来进行系统的评估和优化方案设计，杜绝拍脑袋，学会抓大放小，把握要点的处理方法。
• 第三步，在彻底掌握数据库语句优化和运维优化的基础上，学会分布式架构设计，掌握复杂，大容量数据库系统的搭建方法。
• 最后，分享一句话，学会把问题简单化，正如Caoz 常说的，你如果认为这个问题很复杂，你一定想错了。
• 感谢您的阅读，如对您有帮助，请在百度文库给本文五分好评，并推荐给您的朋友，多谢。