https://www.cnblogs.com/fulu/p/13913173.html

背景

阿里雲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

一、資料庫設計及索引優化

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

• 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值很難查詢優化且佔用額外的索引空間
• 使用TINYINT型別代替列舉ENUM
• 儲存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
• 儘量不要使用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預設限制為767位元組（bytes），所有組成索引列的長度和不能大於3072位元組(mysql8.0單索引可以建立1024字元)
• 大表有DDL需求時請聯絡DBA

最左索引匹配規則

顧名思義就是最左優先，在建立組合索引時，要根據業務需求，where子句中使用最頻繁的一列放在最左邊。複合索引很重要的問題是如何安排列的順序，比如where後面用到c1, c2 這兩個欄位，那麼索引的順序是(c1,c2)還是(c2,c1)呢，正確的做法是，重複值越少的越放前面，比如一個列 95%的值都不重複，那麼一般可以將這個列放最前面

• 複合索引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
• 其實相當於建立了多個索引：key(a)、key(a,b)、key(a,b,c)

二、資料庫切換到PloarDB讀寫分離

PolarDB是阿里雲自研的下一代關係型雲資料庫，100%相容MySQL儲存容量最高可達100 TB，單庫最多可擴充套件到16個節點，適用於企業多樣化的資料庫應用場景。PolarDB採用儲存和計算分離的架構，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、全域性資料一致性和免費的資料備份容災服務。

• 叢集架構，計算與儲存分離
  PolarDB採用多節點叢集的架構，叢集中有一個Writer節點（主節點）和多個Reader節點（只讀節點），各節點通過分散式檔案系統（PolarFileSystem）共享底層的儲存（PolarStore）
• 讀寫分離
  當應用程式使用叢集地址時，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，然後才訪問到資料庫節點。代理層不僅可以做安全認證和保護，還可以解析SQL，把寫操作（例如事務、UPDATE、INSERT、DELETE、DDL等）傳送到主節點，把讀操作（例如SELECT）均衡地分發到多個只讀節點，實現自動的讀寫分離。對於應用程式來說，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線地址，使用不同的資料節點，避免相互影響

Sysbench效能壓測報告：

• PloarDB 4核16G 2臺

• PloarDB 8核32G 2臺

三、分表歷史資料遷移到MySQL8.0 X-Engine儲存引擎

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儲存引擎表, 為什麼要選用X-Engine儲存引擎表,它有什麼優點?

1. 節約成本, X-Engine的儲存成本約為InnoDB的一半
2. X-Engine分層儲存提高QPS, 採用層次化的儲存結構，將熱資料與冷資料分別存放在不同的層次中，並預設對冷資料所在層次進行壓縮

X-Engine是阿里雲資料庫產品事業部自研的聯機事務處理OLTP（On-Line Transaction Processing）資料庫儲存引擎。
X-Engine儲存引擎不僅可以無縫對接相容MySQL（得益於MySQL Pluginable Storage Engine特性），同時X-Engine使用分層儲存架構。因為目標是面向大規模的海量資料儲存，提供高併發事務處理能力和降低儲存成本，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佔比很少，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，設計對應的儲存結構，寫入合適的儲存裝置

• X-Engine使用了LSM-Tree作為分層儲存的架構基礎，並進行了重新設計：
• 熱資料層和資料更新使用記憶體儲存，通過記憶體資料庫技術（Lock-Free index structure/append only）提高事務處理的效能。
• 流水線事務處理機制，把事務處理的幾個階段並行起來，極大提升了吞吐。
• 訪問頻度低的資料逐漸淘汰或是合併到持久化的儲存層次中，並結合多層次的儲存裝置（NVM/SSD/HDD）進行儲存。
• 對效能影響比較大的Compaction過程做了大量優化：
• 拆分資料儲存粒度，利用資料更新熱點較為集中的特徵，儘可能的在合併過程中複用資料。
• 精細化控制LSM的形狀，減少I/O和計算代價，有效緩解了合併過程中的空間增大。
• 同時使用更細粒度的訪問控制和快取機制，優化讀的效能。

四、阿里雲PloarDB MySQL8.0版本並行查詢

分表之後我們的資料量依然很大,並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的並行查詢優化

PolarDB MySQL 8.0重磅推出並行查詢框架，當您的查詢資料量到達一定閾值，就會自動啟動並行查詢框架，從而使查詢耗時指數級下降
在儲存層將資料分片到不同的執行緒上，多個執行緒平行計算，將結果流水線彙總到匯流排程，最後匯流排程做些簡單歸併返回給使用者，提高查詢效率。
並行查詢（Parallel Query）利用多核CPU的並行處理能力，以8核32 GB配置為例，示意圖如下所示。

並行查詢適用於大部分SELECT語句，例如大表查詢、多表連線查詢、計算量較大的查詢。對於非常短的查詢，效果不太顯著。

並行查詢用法，使用Hint語法可以對單個語句進行控制，例如系統預設關閉並行查詢情況下，但需要對某個高頻的慢SQL查詢進行加速，此時就可以使用Hint對特定SQL進行加速。

SELECT /+PARALLEL(x)/ ... FROM ...; -- x >0

SELECT /*+ SET_VAR(max_parallel_degree=n) */ * FROM ... // n > 0

查詢測試：資料庫配置 16核32G 單表資料量超3千萬

沒加並行查詢之前是4326ms，加了之後是525ms，效能提升8.24倍

五、互動式分析Hologre

大表慢查詢我們雖然用並行查詢優化提升了效率,但是一些特定的需求實時報表、實時大屏我們還是無法實現，只能依賴大資料去處理。
這裡推薦大家阿里雲的互動式分析Hologre（

六、後記

千萬級大表優化是根據業務場景，以成本為代價優化的，不是一上來就資料庫水平切分擴充套件，這樣會給運維和業務帶來巨大挑戰，很多時候效果不一定好，我們的資料庫設計、索引優化、分表策略是否做到位了，應該根據業務需求選擇合適的技術去實現。