翼度科技»论坛 编程开发 mysql 查看内容

浅析MySQL代价模型:告别盲目使用EXPLAIN,提前预知索引优化策略

4

主题

4

帖子

12

积分

新手上路

Rank: 1

积分
12
背景

在 MySQL 中,当我们为表创建了一个或多个索引后,通常需要在索引定义完成后,根据具体的数据情况执行 EXPLAIN 命令,才能观察到数据库实际使用哪个索引、是否使用索引。这使得我们在添加新索引之前,无法提前预知数据库是否能使用期望的索引。更为糟糕的是,有时甚至在添加新的索引后,数据库在某些查询中会使用它,而在其他查询中则不会使用,这种情况下,我们无法确定索引是否发挥了预期的作用,让人感到非常苦恼。这种情况基本上意味着 MySQL 并没有为我们选择最优的索引,而我们不得不在茫茫数据中摸索,试图找到问题的症结所在。我们可能会尝试调整索引,甚至删除索引,然后重新添加,希望 MySQL 能从中找到最优的索引选择。然而,这样的过程既耗时又费力,而且往往收效甚微。
如果在添加索引之前,我们能够预知索引的使用情况,那么对于表设计将大有裨益。我们可以在设计表结构时,更加明确地知道应该选择哪些索引,如何优化索引,以提高查询效率。我们不再需要依赖盲目尝试和猜测,而是可以基于实际的数据和查询情况,做出更加明智的决策。因此,对于 MySQL 用户来说,能够预知索引走势的需求非常迫切。我们希望能有一种方法,能够让我们在添加索引之前,就清楚地了解 MySQL 将如何使用索引,以便我们能够更好地优化表结构,提高查询效率。这将极大地减轻我们的工作负担,提高我们的工作效率,让我们能够更加专注于业务逻辑的处理,而不是在索引的海洋中挣扎。
为了解决这个问题,我们可以深入研究 MySQL 的索引选择机制。实际上,这个机制的核心就是代价模型,它通过一个公式来决定索引的选择策略。相对于 MySQL 其他复杂的概念,代价模型实现起来要简单得多。熟悉代价模型之后,我们可以预先了解 MySQL 在执行查询时会如何选择索引,从而更有效地进行索引优化。在接下来的文章中,我将结合近期进行索引优化的具体案例,来详细解释如何运用代价模型来优化索引。
MySQL代价模型浅析


MySQL数据库主要由4层组成:

  • 连接层:客户端和连接服务,主要完成一些类似于连接处理、授权管理、以及相关的安全方案。
  • 服务层:主要完成大多数的核心服务功能,如SQL接口,并完成缓存的查询,SQL的分析和优化以及内部函数的执行。
  • 引擎层:负责MySQL中数据的存储和提取,服务器通过AP1与存储引擎进行通信。
  • 存储层:将数据存储文件系统上,并完成与存储引擎的交互。
索引策略选择在SQL优化器进行的
SQL 优化器会分析所有可能的执行计划,选择成本最低的执行,这种优化器称之为:CBO(Cost-based Optimizer,基于成本的优化器)。
Cost = Server Cost + Engine Cost = CPU Cost + IO Cost
其中,CPU Cost 表示计算的开销,比如索引键值的比较、记录值的比较、结果集的排序 ...... 这些操作都在 Server 层完成;
IO Cost 表示引擎层 IO 的开销,MySQL 可以通过区分一张表的数据是否在内存中,分别计算读取内存 IO 开销以及读取磁盘 IO 的开销。
源码简读

MySQL的数据源代码采用了5.7.22版本,后续的代价计算公式将基于此版本进行参考。


opt_costconstants.cc【代价模型——计算所需代价计算系数】
  1. /*
  2.   在Server_cost_constants类中定义为静态常量变量的成本常量的值。如果服务器管理员没有在server_cost表中添加新值,则将使用这些默认成本常数值。
  3.   5.7版本开始可用从数据库加载常量值,该版本前使用代码中写的常量值
  4. */
  5. // 计算符合条件的⾏的代价,⾏数越多,此项代价越⼤
  6. const double Server_cost_constants::ROW_EVALUATE_COST= 0.2;
  7. // 键⽐较的代价,例如排序
  8. const double Server_cost_constants::KEY_COMPARE_COST= 0.1;
  9.   
  10. /*
  11.    内存临时表的创建代价
  12.    通过基准测试,创建Memory临时表的成本与向表中写入10行的成本一样高。
  13. */
  14. const double Server_cost_constants::MEMORY_TEMPTABLE_CREATE_COST= 2.0;
  15. // 内存临时表的⾏代价
  16. const double Server_cost_constants::MEMORY_TEMPTABLE_ROW_COST= 0.2;
  17. /*
  18.   内部myisam或innodb临时表的创建代价
  19.   创建MyISAM表的速度是创建Memory表的20倍。
  20. */
  21. const double Server_cost_constants::DISK_TEMPTABLE_CREATE_COST= 40.0;
  22. /*
  23.   内部myisam或innodb临时表的⾏代价
  24.   当行数大于1000时,按顺序生成MyISAM行比生成Memory行慢2倍。然而,没有非常大的表的基准,因此保守地将此系数设置为慢5倍(即成本为1.0)。
  25. */
  26. const double Server_cost_constants::DISK_TEMPTABLE_ROW_COST= 1.0;
  27. /*
  28.   在SE_cost_constants类中定义为静态常量变量的成本常量的值。如果服务器管理员没有在engine_cost表中添加新值,则将使用这些默认成本常数值。
  29. */
  30. // 从主内存缓冲池读取块的成本
  31. const double SE_cost_constants::MEMORY_BLOCK_READ_COST= 1.0;
  32. // 从IO设备(磁盘)读取块的成本
  33. const double SE_cost_constants::IO_BLOCK_READ_COST= 1.0;
复制代码
opt_costmodel.cc【代价模型——部分涉及方法】
  1. double Cost_model_table::page_read_cost(double pages) const
  2. {
  3.   DBUG_ASSERT(m_initialized);
  4.   DBUG_ASSERT(pages >= 0.0);
  5.   // 估算聚集索引内存中页面数占其所有页面数的比率
  6.   const double in_mem= m_table->file->table_in_memory_estimate();
  7.   const double pages_in_mem= pages * in_mem;
  8.   const double pages_on_disk= pages - pages_in_mem;
  9.   DBUG_ASSERT(pages_on_disk >= 0.0);
  10.   const double cost= buffer_block_read_cost(pages_in_mem) +
  11.     io_block_read_cost(pages_on_disk);
  12.   return cost;
  13. }
  14. double Cost_model_table::page_read_cost_index(uint index, double pages) const
  15. {
  16.   DBUG_ASSERT(m_initialized);
  17.   DBUG_ASSERT(pages >= 0.0);
  18.   double in_mem= m_table->file->index_in_memory_estimate(index);
  19.   const double pages_in_mem= pages * in_mem;
  20.   const double pages_on_disk= pages - pages_in_mem;
  21.   const double cost= buffer_block_read_cost(pages_in_mem) +
  22.     io_block_read_cost(pages_on_disk);
  23.   return cost;
  24. }
复制代码
handler.cc【代价模型——部分涉及方法】
  1. // 聚集索引扫描IO代价计算公式
  2. Cost_estimate handler::read_cost(uint index, double ranges, double rows)
  3. {
  4.   DBUG_ASSERT(ranges >= 0.0);
  5.   DBUG_ASSERT(rows >= 0.0);
  6.   const double io_cost= read_time(index, static_cast<uint>(ranges),
  7.                                   static_cast<ha_rows>(rows)) *
  8.                         table->cost_model()->page_read_cost(1.0);
  9.   Cost_estimate cost;
  10.   cost.add_io(io_cost);
  11.   return cost;
  12. }
  13. // 表全量扫描代价相关计算(IO-cost)
  14. Cost_estimate handler::table_scan_cost()
  15. {
  16.   const double io_cost= scan_time() * table->cost_model()->page_read_cost(1.0);
  17.   Cost_estimate cost;
  18.   cost.add_io(io_cost);
  19.   return cost;
  20. }
  21. // 覆盖索引扫描代价相关计算
  22. Cost_estimate handler::index_scan_cost(uint index, double ranges, double rows)
  23. {
  24.   DBUG_ASSERT(ranges >= 0.0);
  25.   DBUG_ASSERT(rows >= 0.0);
  26.   const double io_cost= index_only_read_time(index, rows) *
  27.     table->cost_model()->page_read_cost_index(index, 1.0);
  28.   Cost_estimate cost;
  29.   cost.add_io(io_cost);
  30.   return cost;
  31. }
  32. /**
  33.   估算在指定 keynr索引进行覆盖扫描(不需要回表),扫描 records条记录,需要读取的索引页面数
  34.   @param keynr    Index number
  35.   @param records  Estimated number of records to be retrieved
  36.   @return
  37.     Estimated cost of 'index only' scan
  38. */
  39. double handler::index_only_read_time(uint keynr, double records)
  40. {
  41.   double read_time;
  42.   uint keys_per_block= (stats.block_size/2/
  43.                         (table_share->key_info[keynr].key_length + ref_length) +
  44.                         1);
  45.   read_time=((double) (records + keys_per_block-1) /
  46.              (double) keys_per_block);
  47.   return read_time;
  48. }
复制代码
sql_planner.cc【用于ref访问类型索引费用计算】
  1.         
  2.         double tmp_fanout= 0.0;
  3.         if (table->quick_keys.is_set(key) && !table_deps &&          //(C1)
  4.             table->quick_key_parts[key] == cur_used_keyparts &&      //(C2)
  5.             table->quick_n_ranges[key] == 1+MY_TEST(ref_or_null_part))  //(C3)
  6.         {
  7.           tmp_fanout= cur_fanout= (double) table->quick_rows[key];
  8.         }
  9.         else
  10.         {
  11.           // Check if we have statistic about the distribution
  12.           if (keyinfo->has_records_per_key(cur_used_keyparts - 1))
  13.           {
  14.             cur_fanout= keyinfo->records_per_key(cur_used_keyparts - 1);
  15.             
  16.             if (!table_deps && table->quick_keys.is_set(key) &&     // (1)
  17.                 table->quick_key_parts[key] > cur_used_keyparts)    // (2)
  18.                 {
  19.                   trace_access_idx.add("chosen", false)
  20.                       .add_alnum("cause", "range_uses_more_keyparts");
  21.                   is_dodgy= true;
  22.                   continue;
  23.                 }
  24.             tmp_fanout= cur_fanout;
  25.           }
  26.           else
  27.           {
  28.             
  29.             rec_per_key_t rec_per_key;
  30.             if (keyinfo->has_records_per_key(
  31.                   keyinfo->user_defined_key_parts - 1))
  32.               rec_per_key=
  33.                 keyinfo->records_per_key(keyinfo->user_defined_key_parts - 1);
  34.             else
  35.               rec_per_key=
  36.                 rec_per_key_t(tab->records()) / distinct_keys_est + 1;
  37.             if (tab->records() == 0)
  38.               tmp_fanout= 0.0;
  39.             else if (rec_per_key / tab->records() >= 0.01)
  40.               tmp_fanout= rec_per_key;
  41.             else
  42.             {
  43.               const double a= tab->records() * 0.01;
  44.               if (keyinfo->user_defined_key_parts > 1)
  45.                 tmp_fanout=
  46.                   (cur_used_keyparts * (rec_per_key - a) +
  47.                    a * keyinfo->user_defined_key_parts - rec_per_key) /
  48.                   (keyinfo->user_defined_key_parts - 1);
  49.               else
  50.                 tmp_fanout= a;
  51.               set_if_bigger(tmp_fanout, 1.0);
  52.             }
  53.             cur_fanout= (ulong) tmp_fanout;
  54.           }
  55.           if (ref_or_null_part)
  56.           {
  57.             // We need to do two key searches to find key
  58.             tmp_fanout*= 2.0;
  59.             cur_fanout*= 2.0;
  60.           }
  61.          
  62.           if (table->quick_keys.is_set(key) &&
  63.               table->quick_key_parts[key] <= cur_used_keyparts &&
  64.               const_part &
  65.               ((key_part_map)1 << table->quick_key_parts[key]) &&
  66.               table->quick_n_ranges[key] == 1 + MY_TEST(ref_or_null_part &
  67.                                                      const_part) &&
  68.               cur_fanout > (double) table->quick_rows[key])
  69.           {
  70.             tmp_fanout= cur_fanout= (double) table->quick_rows[key];
  71.           }
  72.         }
  73. ······
  74. ······
  75.           // Limit the number of matched rows
  76.           const double tmp_fanout=
  77.             min(cur_fanout, (double) thd->variables.max_seeks_for_key);
  78.           if (table->covering_keys.is_set(key)
  79.               || (table->file->index_flags(key, 0, 0) & HA_CLUSTERED_INDEX))
  80.           {
  81.             // We can use only index tree
  82.             const Cost_estimate index_read_cost=
  83.               table->file->index_scan_cost(key, 1, tmp_fanout);
  84.             cur_read_cost= prefix_rowcount * index_read_cost.total_cost();
  85.           }
  86.           else if (key == table->s->primary_key &&
  87.                    table->file->primary_key_is_clustered())
  88.           {
  89.             const Cost_estimate table_read_cost=
  90.               table->file->read_cost(key, 1, tmp_fanout);
  91.             cur_read_cost= prefix_rowcount * table_read_cost.total_cost();
  92.           }
  93.           else
  94.             cur_read_cost= prefix_rowcount *
  95.               min(table->cost_model()->page_read_cost(tmp_fanout),
  96.                   tab->worst_seeks);
复制代码
handler.cc【用于range访问类型索引费用计算】
  1. handler::multi_range_read_info_const(uint keyno, RANGE_SEQ_IF *seq,
  2.                                      void *seq_init_param, uint n_ranges_arg,
  3.                                      uint *bufsz, uint *flags,
  4.                                      Cost_estimate *cost)
  5. {
  6.   KEY_MULTI_RANGE range;
  7.   range_seq_t seq_it;
  8.   ha_rows rows, total_rows= 0;
  9.   uint n_ranges=0;
  10.   THD *thd= current_thd;
  11.   
  12.   /* Default MRR implementation doesn't need buffer */
  13.   *bufsz= 0;
  14.   DBUG_EXECUTE_IF("bug13822652_2", thd->killed= THD::KILL_QUERY;);
  15.   seq_it= seq->init(seq_init_param, n_ranges, *flags);
  16.   while (!seq->next(seq_it, &range))
  17.   {
  18.     if (unlikely(thd->killed != 0))
  19.       return HA_POS_ERROR;
  20.    
  21.     n_ranges++;
  22.     key_range *min_endp, *max_endp;
  23.     if (range.range_flag & GEOM_FLAG)
  24.     {
  25.       min_endp= &range.start_key;
  26.       max_endp= NULL;
  27.     }
  28.     else
  29.     {
  30.       min_endp= range.start_key.length? &range.start_key : NULL;
  31.       max_endp= range.end_key.length? &range.end_key : NULL;
  32.     }
  33.    
  34.    
  35.     int keyparts_used= 0;
  36.     if ((range.range_flag & UNIQUE_RANGE) &&                        // 1)
  37.         !(range.range_flag & NULL_RANGE))
  38.       rows= 1; /* there can be at most one row */
  39.     else if ((range.range_flag & EQ_RANGE) &&                       // 2a)
  40.              (range.range_flag & USE_INDEX_STATISTICS) &&           // 2b)
  41.              (keyparts_used= my_count_bits(range.start_key.keypart_map)) &&
  42.              table->
  43.                key_info[keyno].has_records_per_key(keyparts_used-1) && // 2c)
  44.              !(range.range_flag & NULL_RANGE))
  45.     {
  46.       rows= static_cast<ha_rows>(
  47.         table->key_info[keyno].records_per_key(keyparts_used - 1));
  48.     }
  49.     else
  50.     {
  51.       DBUG_EXECUTE_IF("crash_records_in_range", DBUG_SUICIDE(););
  52.       DBUG_ASSERT(min_endp || max_endp);
  53.       if (HA_POS_ERROR == (rows= this->records_in_range(keyno, min_endp,
  54.                                                         max_endp)))
  55.       {
  56.         /* Can't scan one range => can't do MRR scan at all */
  57.         total_rows= HA_POS_ERROR;
  58.         break;
  59.       }
  60.     }
  61.     total_rows += rows;
  62.   }
  63.   
  64.   if (total_rows != HA_POS_ERROR)
  65.   {
  66.     const Cost_model_table *const cost_model= table->cost_model();
  67.     /* The following calculation is the same as in multi_range_read_info(): */
  68.     *flags|= HA_MRR_USE_DEFAULT_IMPL;
  69.     *flags|= HA_MRR_SUPPORT_SORTED;
  70.     DBUG_ASSERT(cost->is_zero());
  71.     if (*flags & HA_MRR_INDEX_ONLY)
  72.       *cost= index_scan_cost(keyno, static_cast<double>(n_ranges),
  73.                              static_cast<double>(total_rows));
  74.     else
  75.       *cost= read_cost(keyno, static_cast<double>(n_ranges),
  76.                        static_cast<double>(total_rows));
  77.     cost->add_cpu(cost_model->row_evaluate_cost(
  78.       static_cast<double>(total_rows)) + 0.01);
  79.   }
  80.   return total_rows;
  81. }
复制代码
验证公式

创建验证需要的表
  1. CREATE TABLE `store_goods_center`
  2. (
  3.     `id`           bigint(20)  NOT NULL AUTO_INCREMENT COMMENT '主键id',
  4.     `sku_id`       bigint(20)  NOT NULL COMMENT '商品skuid',
  5.     `station_no`   varchar(20) NOT NULL COMMENT '门店编号',
  6.     `org_code`     bigint(20)  NOT NULL COMMENT '商家编号',
  7.     `extend_field` text COMMENT '扩展字段',
  8.     `version`      int(11)          DEFAULT '0' COMMENT '版本号',
  9.     `create_time`  datetime         DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  10.     `create_pin`   varchar(50)      DEFAULT '' COMMENT '创建人',
  11.     `update_time`  datetime         DEFAULT CURRENT_TIMESTAMP COMMENT '更新时间',
  12.     `update_pin`   varchar(50)      DEFAULT '' COMMENT '更新人',
  13.     `yn`           tinyint(4)       DEFAULT '0' COMMENT '删除标示  0:正常  1:删除',
  14.     `ts`           timestamp   NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '时间戳',
  15.     PRIMARY KEY (`id`),
  16.     UNIQUE KEY `uniq_storegoods` (`station_no`, `sku_id`) USING BTREE,
  17.     KEY `idx_storegoods_org` (`org_code`, `sku_id`, `station_no`),
  18.     KEY `idx_sku_id` (`sku_id`),
  19.     KEY `idx_station_no_and_id` (`station_no`, `id`)
  20. ) ENGINE = InnoDB
  21.   DEFAULT CHARSET = utf8mb4 COMMENT ='门店商品关系表';
复制代码
通过存储过程初始化测试数据
  1. DELIMITER //
  2. CREATE PROCEDURE callback()
  3. BEGIN
  4.     DECLARE num INT;
  5.     SET num = 1;
  6.     WHILE
  7.         num <= 100000 DO
  8.         INSERT INTO store_goods_center(sku_id, station_no, org_code) VALUES (num + 10000000, floor(50+rand()*(100-50+1)), num);
  9.         SET num = num + 1;
  10.     END WHILE;
  11. END;
复制代码
验证结果:
  1. CALL callback();
复制代码
总结公式:
  1. // 不同引擎计算方式有所区别
  2. // innodb引擎实现handler.h
  3. // 预估记录数:ha_innobase::info_low
  4. // 页数量:ha_innobase::scan_time【数据总大小(字节) / 页大小】
  5. // 查询全表数据大小(7880704)
  6. SHOW TABLE STATUS LIKE 'store_goods_center';
  7. // 查询数据库页大小(默认:16384)
  8. SHOW VARIABLES LIKE 'innodb_page_size';
  9. // 全表扫描计算代价
  10. // 页数量
  11. page = 数据总大小(字节) / 页大小 = 7880704 / 16384 = 481;
  12. // 预估范围行数(总数据条数:10万,预估数据条数:99827,有一定误差)
  13. records = 99827;
  14. // 计算总代价
  15. // 481 * 1 中的系数1 代表从主内存缓冲池读取块的成本(SE_cost_constants::IO_BLOCK_READ_COST= 1.0)
  16. // 99827 * 0.2 中的系数0.2 代表计算符合条件的⾏的代价(ROW_EVALUATE_COST= 0.2)
  17. cost = IO-cost + CPU-cost = (481 * 1) + (99827 * 0.2) = 481 + 19965.4 = 20446.4
复制代码
3.ref索引扫描计算代价公式

计算过程:
  1. explain format = json
  2. select * from store_goods_center;
  3. "cost_info": {"query_cost": "20446.40"}
复制代码
验证结果:
  1. 全表扫描代价 = 数据总大小 / 16384 + 预估范围行数 * 0.2
复制代码
总结公式:
  1. // 查询全表数据大小(7880704)
  2. SHOW TABLE STATUS LIKE 'store_goods_center';
  3. // 查询数据库页大小(默认:16384)
  4. SHOW VARIABLES LIKE 'innodb_page_size';
  5. // 预估范围行数(总数据条数:1999,预估数据条数:1999,有一定误差) 1999;
  6. records = 1999
  7. // keys_per_block计算
  8. // block_size是文件的block大小,mysql默认为16K;
  9. // key_len是索引的键长度;
  10. // ref_len是主键索引的长度;
  11. keys_per_block = (stats.block_size / 2 / (table_share->key_info[keynr].key_length + ref_length) + 1);
  12. // table_share->key_info[keynr].key_length 为联合索引,分别是station_no和sku_id
  13. // station_no 为varchar(20)且为utf8mb4,长度 = 20 * 4 + 2 (可变长度需要加2) = 82
  14. // sku_id bigint类型,长度为8
  15. // 主键索引为bigint类型,长度为8
  16. keys_per_block = 16384 / 2 / (82 + 8 + 8) + 1 ≈ 84
  17. // 计算总代价
  18. read_time = ((double) (records + keys_per_block - 1) / (double) keys_per_block);
  19. read_time = (1999 + 84 - 1) / 84 = 24.78;
  20. // 计算总代价
  21. // 24.78 * 1 中的系数1 代表从主内存缓冲池读取块的成本(SE_cost_constants::IO_BLOCK_READ_COST= 1.0)
  22. // 1999 * 0.2 中的系数0.2 代表计算符合条件的⾏的代价(ROW_EVALUATE_COST= 0.2)
  23. cost = IO-cost + CPU-cost = (24.78 * 1) + (1999 * 0.2) = 24.78 + 399.8 = 424.58
复制代码
4.range索引扫描计算代价公式
  1. explain format = json
  2. select station_no from store_goods_center where station_no = '53';
  3. "cost_info": {"query_cost": "424.58"}
复制代码
验证结果:
  1. keys_per_block = 8192 / 索引长度 + 1
  2. 覆盖索引扫描代价 = (records + keys_per_block - 1) / keys_per_block + 预估范围行数 * 0.2
  3. 公式简化(去除影响较小的复杂计算)
  4. 覆盖索引扫描代价 = (records * 涉及索引长度) / 8192 + 预估范围行数 * 0.2
复制代码
总结公式:
  1. // cardinality = 49(基数,即有多少个不同key统计。)
  2. SHOW TABLE STATUS LIKE 'store_goods_center';
  3. // 页数量
  4. page = 数据总大小(字节) / 页大小 = 7880704 / 16384 = 481;
  5. // 计算代价最低索引(sql_planner.cc 中find_best_ref函数)
  6. // IO COST最坏不会超过全表扫描IO消耗的3倍(或者总记录数除以10)
  7. // 其中s->found_records表示表上的记录数,s->read_time在innodb层表示page数
  8. // s-> worst_seeks = min((double) s -> found_records / 10, (double) s -> read_time * 3);
  9. // cur_read_cost= prefix_rowcount * min(table->cost_model() -> page_read_cost(tmp_fanout), tab -> worst_seeks);
  10. // 预估范围行数(总数据条数:10万,预估数据条数:99827,有一定误差)  
  11. total_records = 99827;
  12. // 预估范围行数(总数据条数:1999,预估数据条数:1999,有一定误差) 1999;
  13. records = 1999
  14. // 计算总代价
  15. // 1999 * 0.2 中的系数0.2 代表计算符合条件的⾏的代价(ROW_EVALUATE_COST= 0.2)
  16. // s-> worst_seeks = min((double) s -> found_records / 10, (double) s -> read_time * 3) -> min(99827 / 10, 481 * 3) = 481 * 3
  17. // min(table->cost_model() -> page_read_cost(tmp_fanout), tab -> worst_seeks) -> min(page_read_cost(1999), 481 * 3) = 481 * 3
  18. cost = IO-cost + CPU-cost = 481 * 3 + (1999 * 0.2) = 1443 + 399.8 = 1842.80
复制代码
索引冲突案例

门店商品系统中主要存储门店与商品的关联信息,并为B端提供根据门店ID查询关联商品的功能。由于门店关联的商品数据量较大,需要分页查询关联商品数据。为避免深分页问题,我们选择基于上次最新主键进行查询(核心思想:通过主键索引,每次定位到ID所在位置,然后往后遍历N个数据。这样,无论数据量多少,查询性能都能保持稳定。我们将所有数据根据主键ID进行排序,然后分批次取出,将当前批次的最大ID作为下次查询的筛选条件)。
  1. explain format = json
  2. select * from store_goods_center where station_no = '53';
  3. "cost_info": {"query_cost": "1842.80"}
复制代码
为了确保门店与商品组合的唯一性,我们在MySQL表中为门店ID和商品ID添加了组合唯一索引【UNIQUE KEY uniq_storegoods (station_no, sku_id) USING BTREE】。由于该索引包含门店ID并且在联合索引的第一个位置,查询会使用该索引。但是,当分页查询命中该索引后,由于排序字段无法使用索引,产生了【Using filesort】,导致门店商品系统出现了一些慢查询。为了解决这个问题,我们对慢查询进行了优化,优化思路是创建一个新的索引,使该SQL可以使用索引的排序来规避【Using filesort】的负面影响,新添加的索引为【KEY idx_station_no_and_id (station_no, id)】。添加该索引后,效果立竿见影。
然而,我们发现仍然有慢查询产生,并且这些慢查询仍然使用uniq_storegoods索引,而不是idx_station_no_and_id索引。我们开始思考,为什么MySQL没有为我们的系统推荐使用最优的索引?是MySQL索引推荐有问题,还是我们创建索引有问题?如何做才能让MySQL帮我们推荐我们认为最优的索引?
当然,我们也可以使用FORCE INDEX强行让MySQL走我们提前预设的索引,但是这种方式局限太大,后期索引维护成本变得很高,甚至可能使用该SQL的其他业务性能变低。为了突破整体优化的卡点状态,我们需要了解一下MySQL索引推荐底层逻辑,即MySQL代价模型。了解相应规则后,现阶段的问题将迎刃而解。

案例分析及优化

在回顾刚才的问题时,我们发现问题源于原始索引产生了【Using filesort】,从而导致了慢查询的出现。为了解决这个问题,我们新增了一个索引,即【KEY idx_station_no_and_id (station_no, id)】,以替代原有的索引【UNIQUE KEY uniq_storegoods (station_no, sku_id)】。然而,尽管新增索引后大部分慢查询得到了解决,但仍有部分慢查询未能消除。进一步分析发现,这些慢查询是由于SQL没有使用我们期望的索引,而是使用了老索引,从而引发了【Using filesort】问题。在通过explain进行分析后,我们暂时还没有找到合适的解决方案。
问题:尽管我们新增了索引,并且大部分SQL已经能够使用新索引进行优化,但仍存在一些SQL没有使用新索引。
  1. 下面3个公式,取值最低的
  2. 1.(数据总大小 / 16384) * 3 + 预估范围行数 * 0.2
  3. 2.总记录数 / 10 + 预估范围行数 * 0.2
  4. 3.扫描出记录数 + 预估范围行数 * 0.2
复制代码
经过分析MySQL的代价模型,我们发现MySQL在选择使用哪个索引时,主要取决于扫描出的数据条数。具体来说,扫描出的数据条数越少,MySQL就越倾向于选择该索引(由于MySQL的索引数据访问类型各异,计算公式也会有所不同。因此,在多个索引的扫描行数相近的情况下,所选索引可能与我们期望的索引有所不同)。顺着这个思路排查,我们发现当id > -1时,无论是使用storeId + skuId还是storeId + id索引进行查询,扫描出的数据条数是相同的。这是因为这两种查询方式都是根据门店查询商品数据,且id值肯定大于1。因此,对于MySQL来说,由于这两种索引扫描出的数据条数相同,所以使用哪种索引效果相差不多。这就是为什么一部分查询走新索引,而另一部分查询走老索引的原因。然而,当查询条件为id > n时,storeId + id索引的优势便得以显现。因为它能够直接从索引中扫描并跳过id  n时,MySQL更倾向于使用新索引。(需要注意的是,示例给出的数据索引数据访问类型不同,一个是range索引类型,一个是ref索引类型。由于算法不同,即使某个索引的检索数据率略高于另一个索引,也可能导致系统将其推荐为最优索引
问题已经分析清楚,主要原因是存在多个索引,且根据索引代价计算公式的代价相近,导致难以抉择。因此,解决这个问题的方法不应该是同时定义两个会让MySQL"纠结"的索引选择。相反,应该将两个索引融合为一个索引。具体的解决方案是根据门店查询,将原来的主键id作为上次查询的最大id替换为skuId。在算法切换完成后,删除新的门店+主键id索引。然而,这种方式可能会引发另一个问题。由于底层排序算法发生了变化(由原来的主键id改为skuId),可能导致无法直接从底层服务切换。此时,应考虑从下游使用此接口服务的应用进行切换。需要注意的是,如果下游系统是单机分页迭代查询门店数据,那么下游系统可以直接进行切换。但如果这种分页查询动作同时交给多台应用服务器执行,切换过程将变得相当复杂,他们的切换成本与底层切换成本相同。但是,这个系统的对外服务属于这种情况,下游调用系统会有多台应用服务器协作分页迭代查询数据,为这次优化带来很大影响。
最终,让底层独立完成切换方式最为合适。在切换过程中,关键在于正确区分新老算法。老算法在迭代过程中不应切换至新算法。原系统对外服务提供的下次迭代用的id可用来进行区分。新算法在返回下次迭代用的id基础上增加一个常量值,例如10亿(加完后不能与原数据冲突,也可以将迭代id由整数转换成负数以区分新老算法)。因此,如果是第一次访问,直接使用新算法;如果不是第一次访问,需要根据下次迭代用的id具体规则来判断是否切换新老算法。
总结与后续规划

使用Explan执行计划存在无法提前预知索引选择的局限性。然而,只要熟悉MySQL底层代价模型的计算公式,我们就能预知索引的走向。借助代价模型,我们不仅可以分析索引冲突的原因,还可以在发生冲突之前进行预警。甚至在添加索引之前,我们也可以根据代价模型公式来排查潜在问题。此外,根据数据业务密度,我们还可以预估当前索引的合理性,以及是否可能出现全表扫描等情况。因此,深入研究MySQL代价模型对于优化索引管理具有关键意义。
未来我们的系统应用将结合MySQL代价模型进行集成,实现自动分析数据库和表的信息,以发现当前索引存在的问题,例如索引冲突或未使用索引导致的全表扫描。此外,该工具还可以针对尚未添加索引的表,根据数据情况提供合适的索引推荐。同时,该工具还能够预测当数据达到某种密度时,可能出现全表扫描的问题,从而帮助提前做好优化准备。
为了实现这些功能,我们将首先对MySQL代价模型进行深入研究,全面了解其计算公式和原理。这将有助于我们编写相应的算法,自动分析数据库和表的信息,找出潜在的索引问题。此外,我们还关注易用性和实用性,确保用户能够轻松地输入相关数据库和表的信息,并获取有关优化建议。
该工具的开发将有助于提高数据库性能,减少全表扫描的发生,降低系统资源消耗。同时,它还可以为数据库管理员和开发人员提供便利,使他们能够更加专注于其他核心业务。通过结合MySQL代价模型,我们相信这个工具将在优化索引管理方面发挥重要作用,为企业带来更高的效益。
参考资料

https://github.com/mysql/mysql-server
作者:京东零售 王多友
来源:京东云开发者社区 转载请注明来源

来源:https://www.cnblogs.com/jingdongkeji/p/17881781.html
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?立即注册

x

举报 回复 使用道具