作為綜合性多業務的“互聯網+生活服務”平臺， 美團點評 對數據庫的穩定運行有較高的要求，小概率的性能抖動(包括慢SQL)都會造成一定的可用性損失。本文將從過去幾年遇到的一些性能問題中，挑選了一個較為棘手的案例，探究端到端數據庫性能問題的解決思路，為DBA同學在解決類似問題時提供一種參考。

問題描述

在一段時間內不斷有開發同學反饋，線上應用程序獲取數據超時，通過C AT 監控系統發現這些應用的SQL 99line都比較高，這在一定程度上影響了對應業務的QoS，比如達不到99.99%的業務可用性(超時被定義為不可用)。這些問題出現在很多業務場景中，是一個普遍性問題。

通過 C AT 監控系統、SQL樣本、慢查詢系統等進一步了解，發現這類SQL有如下特征:

• 基本上都是以主鍵或唯一鍵為條件的簡單查詢，查詢后的結果集及掃描的行數都比較小;
• 查詢的表的數據總量也很小，最小的表甚至只有幾千行;
• 時間達到了幾百ms，甚至1s;
• 數據庫的slow log里沒有記錄這類SQL。

下圖為CAT相關監控數據的樣本，以xxx-service這個service為例：

99line的監控數據，有很多SQL的返回時間超過100ms以上。

SQL的絕對數量在2016年9月6日當天為 ：3788。

具體到某個SQL，甚至達到了929ms。

FB_Coach的表結構如下：

可看到最多641條記錄，還有聯合索引。

概要分析

要想定位到原因，必須通過排除法找到該SQL到底慢在哪個階段，這樣才能縮小范圍。接下來我們來分析慢SQL的花費時間組成。從下圖可看出，時間主要由3部分組成：

• App Server：發出SQL請求的時間，接收返回結果的時間
• 網絡：SQL請求包及查詢結果在網絡上花費的時間
• MySQL Server：發出SQL到查詢結果整個過程花費的時間

我們可以通過抓包工具獲取每個階段花費的時間，從而定位到底慢在哪個階段。

問題解決思路迭代

思路1：確認哪個過程花費的時間最多

方法：分別在APP Server與MySQL Server部署TcpDump抓包工具，得到數據包在4個監測點的“到達時間”。為了方便，把如下4個Wireshark分析結果(對TcpDump抓取日志分析)按4個方位標注：

• APP Server 發出SQL(左上)
• MySQL Server 收到SQL(右上)
• MySQL Server 將查詢發出(右下)
• APP Server 收到查詢結果(左下)

從數據可以準確的看出時間主要花費在MySQL內部，具體時間為22.569285000-21.962634000=0.6066509999999994(秒)，約為606ms。

抓包結果： 慢在MySQL Server端。

思路2： 一條SQL進入MySQL Server到查詢結果輸出分哪些階段?

方法： 將MySQL內部對SQL查詢的流程進行梳理，采用排除法定位問題。要 把經典圖拿出來說事了，以下基礎知識主要來自于《高性能MySQL》，“拿來主義”一下。

首先可以看到，MySQL主要有三個組件：連接/線程處理、MySQL Server層、存儲引擎層。

• 最上層主要進行連接處理、授權認證、安全等;
• 第二層包括查詢解析、分析、優化(這三個是解決問題最關心的)、緩存管理、所有內置函數、存儲過程、觸發器、視圖，似乎扯得有點遠;
• 第三層包含了主要的存儲引擎層，MySQL Server層(第二層)通過“存儲引擎API”向存儲引擎層存儲和提取數據，此層主要是數據存儲相關。

接下來通過一個客戶端請求查詢數據，看看MySQL主要做哪些工作吧。

每個客戶端(可能理解為App負責連接數據庫的組件，我們叫DAL)連接到MySQL服務器進程后會擁有一個線程，這個連接的所有查詢都會在該線程中去執行，同時服務器會緩存線程，以減少創建或銷毀線程的開銷和頻繁的上下文切換。

當客戶連接到MySQL服務器時，服務器會分配一個線程，之后進行權限認證，認證通過后，MySQL就開始解析該SQL查詢，并創建內部數據數據結構(解析樹)，然后對其各種優化，***調用存儲引擎API獲取或存儲需要的數據，***將查詢結果返回給客戶端。

通過以上“背書”，我們大概了解了一個SQL請求的執行過程，那到底慢在哪個階段呢?

通過“慢SQL特點”的第4條知道，“數據庫的slow log里沒有記錄這類SQL”，那慢SQL發生的階段就可以排除了。

MySQL slow log是記錄SQL執行過程花費的時間，記錄的時間從“SQL解析”到“存儲引擎”返回數據整個過程，所以可以排除該SQL是慢在第二層和第三層，那么只能是把時間花費在***層了?和線程相關?

結果： 很可能慢在MySQL線程管理上。

思路3： 是創建線程慢?thread cache不夠用，需要頻繁的創建線程?

方法：查看當時數據庫的狀態值

可以看到，當時空閑的thread很多，監控圖也沒有抖動，所以并沒有頻繁地創建線程。 慢SQL產生的時間點，空閑的thread很多，并沒有進行大量的線程創建。

那問題到底出現在和線程相關的哪個環節呢? 先把所有和thread相關的參數列出來。

• thread_cache_size
• thread_concurrency
• thread_handling
• thread_pool_high_prio_mode
• thread_pool_high_prio_tickets
• thread_pool_idle_timeout
• thread_pool_max_threads
• thread_pool_oversubscribe
• thread_pool_size
• thread_pool_stall_limit
• thread_stack
• thread_statistics

一眼看過去，大部分是和Thread-Pool相關。同時意識到這些問題是隨著升級到MySQL 5.6產生的，5.6引入了 Thread-Pool 功能。

結果： 看來MySQL5.6的 Thread-Pool 有很大嫌疑了。

思路4： 關閉MySQL 5.6的 Thread-Pool ，確認一下問題

方法： 調整MySQL參數 thread_handling = pool-of-threads---- → thread_handling = One-Connection-Per-Thread。

結論： 關閉 Thread-Pool 功能后，減少78%的慢SQL，側面證明是 Thread-Pool 的問題。

以下是具體的證據，以xxx-service這個service為例： 打開 Thread-Pool 功能(2016年9月6日當天數據)。

99line占比：有好多超過100ms的SQL。

慢SQL數量：3788

關閉 Thread-Pool 功能后(2016年9月13日當天數據)。

99line占比：已經看不到超過100ms的sql了，都在10ms以內。

慢SQL數量：818

那么關閉 Thread-Pool ? 答案很顯然，不能! Thread-Pool 是MySQL5.6重要的功能，能夠保證MySQL數據庫高并發下的性能穩定。

思路5： 調優 Thread-Pool 相關參數

方法：深入了解 Thread-Pool 的工作原理，查找可能產生慢SQL的參數。

結果： 找到了相關參數(thread_pool_stall_limit)，并且效果明顯，慢SQL數量從最初的3788減少到63，幾乎全部消滅掉。

以xxx-service這個service為例，調整后的效果，2016年9月20日當天的數據：

99line占比：

慢SQL數量：63

ok，效果有了，總結一下。

問題分析

1、基本原理

沒有引入Thread-Pool前，MySQL使用的是one thread per connection，一旦connection增加到一定程度，MySQL的性能將急劇下降甚至被壓跨。引入Thread-Pool后將會解決上述問題,同時會減少MySQL內部的線程數(節省內存)及頻繁創建線程的開銷(節省CPU)。

2、Thread-Pool 是如何工作的?

在MySQL內部有一個專用的thread用來監聽數據庫連接請求，當一個新的請求過來，如果采用以前的模型(one-thread-per-connection)，main listener(這是主線程中的listener，為了避免與thread group 中的listener混淆，我們稱之為“Main listener”)將從thread cache中取出1個thread或創建1個新的thead立即處理該連接請求，由該thread完成該連接的整個生命周期;

而如果采用Thread-Pool模型，這個連接請求將會被隨機放到一個thread group(thread pool由多個thread group 組成)的隊列中，之后該thread group中worker thread從隊列中取出并建立連接，一旦連接建立，該連接對應的socket句柄將與該thread group中的listener關聯起來，之后該連接將在該thread group中完成它的生命周期。

接下來我們來說說Thread Group 。Thread Group是Thread-Pool的核心組件，所有的操作都是發生在thread group。Thread-Pool由多個(數量由參數thread_pool_size來決定，默認等于cpu個數)thrad group組成。一個連接請求被隨機地綁定到一個thread group，每個thread group獨立工作，并且占用一個核的CPU。所以thread group都會***限度地保持一個thread處于ACTIVE狀態，并且***只有一個，因為太多就有可能壓跨數據庫。

Thread Group中的thread一般有4個狀態：

• TP_STATE_LISTENER
• TP_STATE_IDLE
• TP_STATE_ACTIVE
• TP_STATE_WAITING

當一個線程作為listener運行時就處于“TP_STATE_LISTENER”，它通過epoll的方式監聽聯接到該Thread Group的所有連接，當一個socket就緒后，listener將決定是否喚醒一個thread或自己處理該socket。此時如果Thread Group的隊列為空，它將自己處理該socket并將狀態更改為“ACTIVE”，之后該thread 在MySQL Server內部處理“工作”，當該線程遇到鎖或異步IO(比如將數據頁讀入到buffer pool)這些wait時，該thread將通過回調函數的方式告訴thread pool，讓其把自己標記為“WAITING”狀態。

此時，假設隊列中有了新的socket準備就緒，是立即創建新的線程還是等待剛才的線程執行結束呢?

由于Thread-Pool最初設計的目標是保持一定數量的線程處于“ACTIVE”狀態，具體的實現方式就是控制thread group的數量和thread group內部處于"ACTIVE"狀態的thread的數量。控制thread group內部的ACTIVE狀態的數量，方法就是***限度地保證處于ACTIVE狀態的線程個數是1。很顯然，當前thread group中有一個處于WAITING狀態的thread了，如果再啟用一個新的線程并且處于ACTIVE狀態，剛才的線程由WAITING變為ACTIVE狀態時，此時將會有2個“ACTIVE”狀態的線程，和最初的目標似乎相背，但顯然也不能讓后續就緒的socket一直等待下去，那應該怎么處理?

那么此時需要一個權衡了，提供了這樣的一個方法：對正在ACTIVE或WAITING狀態的線程啟用一個計數器，超過計數器后將該thread標記為stalled，然后thread group創建新的thread或喚醒sleep的thread處理新的sokcet，這樣將是一個很好的權衡。超時時間該參數thread_pool_stall_limit來決定，默認是500ms。

如果一個線程無事可做，它將保持空閑狀態(TP_STATE_WAITING)一定時間(thread_pool_idle_timeout參數決定，默認是60秒)后“自殺”。

3、和我們遇到的具體問題相關的點

假設上文提到的由“ACTIVE”轉化為“WAITING”狀態的線程(標記為“線程A”)所執行的“SQL"可能是一個標準的慢SQL(命名為SQLA，執行時間較長)，那么后續有連接請求分配到了同一個thread group,那么新連接的SQL(命名SQLB)需要等待線程A結束;如果SQLA執行時間超過500ms，該thread group創建新的worker線程來處理SQLB。

不管哪種情況，SQLB都會在線程等待上花費很多時間，此時SQLB就是CAT監控系統上看到的慢SQL。又因為SQLA不一定都是慢SQL，所以SQLB也不是每次在線程等待上花費較多的時間，這就吻合我們看到的現象“一定比例的慢SQL”。

解決方法

找到問題了，那么解決辦法就簡單了。調整thread_pool_stall_limit=10，這樣就強迫被SQLA更快被標記為stalled，然后創建新的線程來處理SQLB。

帶來的價值

• 以xxx-service為例，減少了98.3%的慢SQL，效果很明顯;
• 該問題的解決讓百個產品線從中受益，業務可用性超過了99.99%。

首先我們分析了慢SQL的特點及該SQL花費的時間組成，通過“時間花費在哪”這一通用方法，不斷把問題范圍縮小，最終通過排除法將問題鎖定在MySQL內部線程。

對于MySQL內部線程，我們通過對參數“全量掃描”，發現了與MySQL 5.6新開啟的參數有關，粗略確定了Thread-Pool是導致慢SQL問題的。

之后通過關閉Thread-Pool進一步確認是開啟該功能引起的。之后我們不斷調整參數和閱讀大量相關的資料，最終將問題解決。

通過以上問題的解決，我們可以學到一些端到端的性能問題解決思路：

定位問題

劃分問題的邊界

每個問題總有它的邊界。當我們無法一眼看出來問題的邊界在哪里時，就需要不斷的通過排除法縮小邊界，在特定的邊界內就用特定的專業知識來定位問題。

搜集關鍵數據得出靠譜結論

比如生產環境中會有各種數據，包含監控數據、臨時部署工具獲取的數據，充分利用這些數據支撐我們的結論。

對問題產生的時間或影響范圍進行上下文聯想

很多問題是隨著一些改變產生的，就像軟件的生命周期一樣，受到各種環境的變化影響。通過問題產生的上下去尋找問題的原因，可以發現大部分問題的產生原因。

解決問題

不斷嘗試

有很多人認為，知道問題的原因了，解決問題是比較容易的。其實我認為這個是反的。因為只有清楚知道問題解決了，才能證明問題的原因是對的。在找到問題的原因之前，其實我們已經通過不斷的調整和測試把問題解決了。所以解決問題很關鍵，貌似是廢話。

合理的理論推斷問題產生的原因

問題解決了，原因也找到了，***一步還要“自圓其說”，這就需要深究技術原理，找到切入點，復現問題了。

解決問題的方法有千萬種，這里列舉了其中一種，希望能夠幫助到大家。