Mysql 性能优化教程
目录
目录
背景及目标
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
如何理解数据索引的结构
如何理解影响结果集
理解执行状态
常见分析手段
分析流程
总结
Mysql 运维优化
存储引擎类型
内存使用考量
性能与安全性考量
存储压力优化
运维监控体系
Mysql 架构优化
架构优化目标
防止单点隐患
方便系统扩容
安全可控，成本可控
分布式方案
分库&拆表方案
主从架构
故障转移处理
缓存方案
缓存结合数据库的读取
缓存结合数据库的写入
背景及目标
l 厦门游家公司（4399.com）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。
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 数据索引的存储是有序的
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 极端情况下，数据索引的查询效率为二分法查询效率，趋近于 log2(N)
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 单一有序排序序列是查找效率最高的（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。
u 实战范例 ： ip地址反查
资源： Ip地址对应表，源数据格式为 startip, endip, area
源数据条数为 10万条左右，呈很大的分散性
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
挑战： 如使用 between … and 数据库操作，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。
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）
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。
u 实战范例：复合索引查询优化实战，同城异性列表
资源： 用户表user，字段 sex性别；area 地区；lastlogin 最后登录时间；其他略
目标： 查找同一地区的异性，按照最后登录时间逆序
高访问量社区的高频查询，如何优化。
查询SQL: select * from user where area=’$area’ and sex=’$sex’ order by lastlogin desc limit 0,30;
挑战： 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？
首先，忘掉btree，将索引字段理解为一个排序序列。
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’ 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！
如何理解影响结果集
n 影响结果集是数据查询优化的一个重要中间数据
u 查询条件与索引的关系决定影响结果集
如上例所示，即便查询用到了索引，但是如果查询和排序目标不能直接在索引中命中，其可能带来较多的影响结果。而这会直接影响到查询效率
u 微秒级优化
l 优化查询不能只看慢查询日志，常规来说，0.01秒以上的查询，都是不够优化的。
l 实战范例
和上案例类似，某游戏社区要显示用户动态，select * from userfeed where uid=$uid order by lastlogin desc limit 0,30; 初期默认以uid为索引字段，查询为命中所有uid=$uid的结果按照lastlogin排序。 当用户行为非常频繁时，该SQL索引命中影响结果集有数百乃至数千条记录。查询效率超过0.01秒，并发较大时数据库压力较大。
解决方案：将索引改为 uid+lastlogin 复合索引，索引直接命中影响结果集30条，查询效率提高了10倍，平均在0.001秒，数据库压力骤降。
n 影响结果集的常见误区
u 影响结果集并不是说数据查询出来的结果数或操作影响的结果数，而是查询条件的索引所命中的结果数。
u 实战范例
l 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，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 总结：
u 影响结果集是搜索条件索引命中的结果集，而非输出和操作的结果集。
u 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。
u 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
常见分析手段
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 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
n 状态清单
u Sleep 状态， 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
l 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大量sleep连接，在网速出现异常时，数据库 too many connections 挂死。
l 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！
u Waiting for net, reading from net, writing to net
l 偶尔出现无妨
l 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
l 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，导致大量连接阻塞在waiting for net，数据库连接过多崩溃
u Locked状态
l 有更新操作锁定
l 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。
l 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。
u Copy to tmp table
l 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。
l 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。频繁出现务必优化之。
l 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。
l 实战范例：
n 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。
u Sending data
l 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，
l 偶尔出现该状态连接无碍。
l 回到上面影响结果集的问题，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。
l 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。
u Freeing items
l 理论上这玩意不会出现很多。偶尔出现无碍
l 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。
u Sorting for …
l 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。
u 其他
l 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 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 Vmstat
n 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 Netstat –an|grep 3306|wc –l
l Show processlist
u 当前连接分布 show processlist
l 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 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。
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 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
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 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_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。
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
存储压力优化
l 顺序读写性能远高于随机读写
l 日志类数据可以使用顺序读写方式进行
l 将顺序写数据和随机读写数据分成不同的物理磁盘，有助于i/o压力的疏解，前提是，你确信你的i/o压力主要来自于可顺序写操作（因随机读写干扰导致不能顺序写，但是确实可以用顺序写方式进行的i/o操作）。
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。
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_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。
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 顺序写数据与随机读写数据分库
u 顺序数据与随机数据区分存储地址，保证物理i/o优化。这个实话说，我只听说了概念，还没学会怎么实践。
n 基于业务逻辑拆分
u 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。
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。
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 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 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1000万条数据，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….
l 表结构设计
n 查询冗余表设计
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，应设置便于查询项的冗余表。
u 实战范例，
l 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。
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。
n 中间数据表
u 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中间数据表保存。
u 中间数据表应能通过源数据表恢复。
u 实战范例：
l 论坛板块的发帖量，回帖量，每日新增数据等
l 网站每日新增用户数等。
l 后台可以通过源数据表更新该数字。
n 历史数据表
u 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
l 基本认识
n 读写分离对负载的减轻远远不如分库分表来的直接。
n 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！
n 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）
n 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。
l 应用场景
n 在线热备
n 异地分布
u 写分布，读统一。
u 仍然困难重重，受限于网络环境问题巨多！
n 自动障碍转移
u 主崩溃，从自动接管
n 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。
l 潜在优化点
n 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
l 要点
n 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。
n 保持主从结构的简单化，否则很难做到故障点摘除。
l 思考方式
n 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。
n 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
l Memcached是最常用的缓存系统
l 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。
l 数据读取
n 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。
n 命中率是第一要评估的数据。
n 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。
l 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。
n 相关评估类似于热点数据表的介绍。
n 善于利用内存，请注意数据存储的格式及压缩算法。
l 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
l 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
l 缓存实时更新，数据库异步更新
n 缓存实时更新数据，并将更新记录写入队列
n 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。
n 不建议使用 get 后处理数据再set的方式维护队列
l 测试范例：
l 范例1
$var=Memcache_get($memcon,”var”);
$var++;
memcache_set($memcon,”var”,$var);
这样一个脚本，使用apache ab去跑，100个并发，跑10000次，然后输出缓存存取的数据，很遗憾，并不是1000，而是5000多，6000多这样的数字，中间的数字全在 get & set的过程中丢掉了。
原因，读写间隔中其他并发写入，导致数据丢失。
l 范例2
用memcache_increment来做这个操作，同样跑测试
会得到完整的10000，一条数据不会丢。
l 结论： 用increment存储队列编号，用标记+编号作为key存储队列内容。
n 后台基于缓存队列读取更新数据并更新数据库
l 基于队列读取后可以合并更新
l 更新合并率是重要指标
l 实战范例：
某论坛热门贴，前端不断有views=views+1数据更新请求。
缓存实时更新该状态
后台任务对数据库做异步更新时，假设执行周期是5分钟，那么五分钟可能会接收到这样的请求多达数十次乃至数百次，合并更新后只执行一次update即可。
类似操作还包括游戏打怪，生命和经验的变化；个人主页访问次数的变化等。
n 异步更新风险
l 前后端同时写，可能导致覆盖风险。
l 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。
l 实战范例：
用户在线上时，后台异步更新用户状态。
管理员后台屏蔽用户是直接更新数据库。
结果管理员屏蔽某用户操作完成后，因该用户在线有操作，后台异步更新程序再次基于缓存更新用户状态，用户状态被复活，屏蔽失效。
l 缓存数据丢失或服务崩溃可能导致数据丢失风险。
l 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。
l 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。
n 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。
n 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！
l 异步更新如出现队列阻塞可能导致数据丢失风险。
l 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。
l 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。