浅析MySQL代价模型：告别盲目使用EXPLAIN，提前预知索引优化策略

喜剧源于悲剧

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. */
6. // 计算符合条件的⾏的代价，⾏数越多，此项代价越⼤
7. const double Server_cost_constants::ROW_EVALUATE_COST= 0.2;
9. // 键⽐较的代价，例如排序
10. const double Server_cost_constants::KEY_COMPARE_COST= 0.1;
11.   
12. /*
13.    内存临时表的创建代价
14.    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。
15. */
16. const double Server_cost_constants::MEMORY_TEMPTABLE_CREATE_COST= 2.0;
18. // 内存临时表的⾏代价
19. const double Server_cost_constants::MEMORY_TEMPTABLE_ROW_COST= 0.2;
21. /*
22.   内部myisam或innodb临时表的创建代价
23.   创建MyISAM表的速度是创建Memory表的20倍。
24. */
25. const double Server_cost_constants::DISK_TEMPTABLE_CREATE_COST= 40.0;
27. /*
28.   内部myisam或innodb临时表的⾏代价
29.   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）。
30. */
31. const double Server_cost_constants::DISK_TEMPTABLE_ROW_COST= 1.0;
36. /*
37.   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。
38. */
40. // 从主内存缓冲池读取块的成本
41. const double SE_cost_constants::MEMORY_BLOCK_READ_COST= 1.0;
43. // 从IO设备（磁盘）读取块的成本
44. 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);
6.   // 估算聚集索引内存中页面数占其所有页面数的比率
7.   const double in_mem= m_table->file->table_in_memory_estimate();
9.   const double pages_in_mem= pages * in_mem;
10.   const double pages_on_disk= pages - pages_in_mem;
11.   DBUG_ASSERT(pages_on_disk >= 0.0);
13.   const double cost= buffer_block_read_cost(pages_in_mem) +
14.     io_block_read_cost(pages_on_disk);
16.   return cost;
17. }
19. double Cost_model_table::page_read_cost_index(uint index, double pages) const
20. {
21.   DBUG_ASSERT(m_initialized);
22.   DBUG_ASSERT(pages >= 0.0);
24.   double in_mem= m_table->file->index_in_memory_estimate(index);
26.   const double pages_in_mem= pages * in_mem;
27.   const double pages_on_disk= pages - pages_in_mem;
29.   const double cost= buffer_block_read_cost(pages_in_mem) +
30.     io_block_read_cost(pages_on_disk);
32.   return cost;
33. }

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. {
5.   DBUG_ASSERT(ranges >= 0.0);
6.   DBUG_ASSERT(rows >= 0.0);
8.   const double io_cost= read_time(index, static_cast<uint>(ranges),
9.                                   static_cast<ha_rows>(rows)) *
10.                         table->cost_model()->page_read_cost(1.0);
11.   Cost_estimate cost;
12.   cost.add_io(io_cost);
13.   return cost;
14. }
16. // 表全量扫描代价相关计算（IO-cost）
17. Cost_estimate handler::table_scan_cost()
18. {
19.   const double io_cost= scan_time() * table->cost_model()->page_read_cost(1.0);
20.   Cost_estimate cost;
21.   cost.add_io(io_cost);
22.   return cost;
23. }
25. // 覆盖索引扫描代价相关计算
26. Cost_estimate handler::index_scan_cost(uint index, double ranges, double rows)
27. {
28.   DBUG_ASSERT(ranges >= 0.0);
29.   DBUG_ASSERT(rows >= 0.0);
31.   const double io_cost= index_only_read_time(index, rows) *
32.     table->cost_model()->page_read_cost_index(index, 1.0);
33.   Cost_estimate cost;
34.   cost.add_io(io_cost);
35.   return cost;
36. }
39. /**
40.   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
42.   @param keynr    Index number
43.   @param records  Estimated number of records to be retrieved
44.   @return
45.     Estimated cost of 'index only' scan
46. */
48. double handler::index_only_read_time(uint keynr, double records)
49. {
50.   double read_time;
51.   uint keys_per_block= (stats.block_size/2/
52.                         (table_share->key_info[keynr].key_length + ref_length) +
53.                         1);
54.   read_time=((double) (records + keys_per_block-1) /
55.              (double) keys_per_block);
56.   return read_time;
57. }

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.                 }
25.             tmp_fanout= cur_fanout;
26.           }
27.           else
28.           {
29.             
30.             rec_per_key_t rec_per_key;
31.             if (keyinfo->has_records_per_key(
32.                   keyinfo->user_defined_key_parts - 1))
33.               rec_per_key=
34.                 keyinfo->records_per_key(keyinfo->user_defined_key_parts - 1);
35.             else
36.               rec_per_key=
37.                 rec_per_key_t(tab->records()) / distinct_keys_est + 1;
39.             if (tab->records() == 0)
40.               tmp_fanout= 0.0;
41.             else if (rec_per_key / tab->records() >= 0.01)
42.               tmp_fanout= rec_per_key;
43.             else
44.             {
45.               const double a= tab->records() * 0.01;
46.               if (keyinfo->user_defined_key_parts > 1)
47.                 tmp_fanout=
48.                   (cur_used_keyparts * (rec_per_key - a) +
49.                    a * keyinfo->user_defined_key_parts - rec_per_key) /
50.                   (keyinfo->user_defined_key_parts - 1);
51.               else
52.                 tmp_fanout= a;
53.               set_if_bigger(tmp_fanout, 1.0);
54.             }
55.             cur_fanout= (ulong) tmp_fanout;
56.           }
58.           if (ref_or_null_part)
59.           {
60.             // We need to do two key searches to find key
61.             tmp_fanout*= 2.0;
62.             cur_fanout*= 2.0;
63.           }
64.          
65.           if (table->quick_keys.is_set(key) &&
66.               table->quick_key_parts[key] <= cur_used_keyparts &&
67.               const_part &
68.               ((key_part_map)1 << table->quick_key_parts[key]) &&
69.               table->quick_n_ranges[key] == 1 + MY_TEST(ref_or_null_part &
70.                                                      const_part) &&
71.               cur_fanout > (double) table->quick_rows[key])
72.           {
73.             tmp_fanout= cur_fanout= (double) table->quick_rows[key];
74.           }
75.         }
78. ······
80. ······
82.           // Limit the number of matched rows
83.           const double tmp_fanout=
84.             min(cur_fanout, (double) thd->variables.max_seeks_for_key);
85.           if (table->covering_keys.is_set(key)
86.               || (table->file->index_flags(key, 0, 0) & HA_CLUSTERED_INDEX))
87.           {
88.             // We can use only index tree
89.             const Cost_estimate index_read_cost=
90.               table->file->index_scan_cost(key, 1, tmp_fanout);
91.             cur_read_cost= prefix_rowcount * index_read_cost.total_cost();
92.           }
93.           else if (key == table->s->primary_key &&
94.                    table->file->primary_key_is_clustered())
95.           {
96.             const Cost_estimate table_read_cost=
97.               table->file->read_cost(key, 1, tmp_fanout);
98.             cur_read_cost= prefix_rowcount * table_read_cost.total_cost();
99.           }
100.           else
101.             cur_read_cost= prefix_rowcount *
102.               min(table->cost_model()->page_read_cost(tmp_fanout),
103.                   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;
15.   DBUG_EXECUTE_IF("bug13822652_2", thd->killed= THD::KILL_QUERY;);
17.   seq_it= seq->init(seq_init_param, n_ranges, *flags);
18.   while (!seq->next(seq_it, &range))
19.   {
20.     if (unlikely(thd->killed != 0))
21.       return HA_POS_ERROR;
22.    
23.     n_ranges++;
24.     key_range *min_endp, *max_endp;
25.     if (range.range_flag & GEOM_FLAG)
26.     {
27.       min_endp= &range.start_key;
28.       max_endp= NULL;
29.     }
30.     else
31.     {
32.       min_endp= range.start_key.length? &range.start_key : NULL;
33.       max_endp= range.end_key.length? &range.end_key : NULL;
34.     }
35.    
36.    
37.     int keyparts_used= 0;
38.     if ((range.range_flag & UNIQUE_RANGE) &&                        // 1)
39.         !(range.range_flag & NULL_RANGE))
40.       rows= 1; /* there can be at most one row */
41.     else if ((range.range_flag & EQ_RANGE) &&                       // 2a)
42.              (range.range_flag & USE_INDEX_STATISTICS) &&           // 2b)
43.              (keyparts_used= my_count_bits(range.start_key.keypart_map)) &&
44.              table->
45.                key_info[keyno].has_records_per_key(keyparts_used-1) && // 2c)
46.              !(range.range_flag & NULL_RANGE))
47.     {
48.       rows= static_cast<ha_rows>(
49.         table->key_info[keyno].records_per_key(keyparts_used - 1));
50.     }
51.     else
52.     {
53.       DBUG_EXECUTE_IF("crash_records_in_range", DBUG_SUICIDE(););
54.       DBUG_ASSERT(min_endp || max_endp);
55.       if (HA_POS_ERROR == (rows= this->records_in_range(keyno, min_endp,
56.                                                         max_endp)))
57.       {
58.         /* Can't scan one range => can't do MRR scan at all */
59.         total_rows= HA_POS_ERROR;
60.         break;
61.       }
62.     }
63.     total_rows += rows;
64.   }
65.   
66.   if (total_rows != HA_POS_ERROR)
67.   {
68.     const Cost_model_table *const cost_model= table->cost_model();
70.     /* The following calculation is the same as in multi_range_read_info(): */
71.     *flags|= HA_MRR_USE_DEFAULT_IMPL;
72.     *flags|= HA_MRR_SUPPORT_SORTED;
74.     DBUG_ASSERT(cost->is_zero());
75.     if (*flags & HA_MRR_INDEX_ONLY)
76.       *cost= index_scan_cost(keyno, static_cast<double>(n_ranges),
77.                              static_cast<double>(total_rows));
78.     else
79.       *cost= read_cost(keyno, static_cast<double>(n_ranges),
80.                        static_cast<double>(total_rows));
81.     cost->add_cpu(cost_model->row_evaluate_cost(
82.       static_cast<double>(total_rows)) + 0.01);
83.   }
84.   return total_rows;
85. }

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】
6. // 查询全表数据大小（7880704）
7. SHOW TABLE STATUS LIKE 'store_goods_center';
8. // 查询数据库页大小（默认：16384）
9. SHOW VARIABLES LIKE 'innodb_page_size';
11. // 全表扫描计算代价
12. // 页数量
13. page = 数据总大小(字节) / 页大小 = 7880704 / 16384 = 481;
14. // 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）
15. records = 99827;
18. // 计算总代价
19. // 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）
20. // 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）
21. 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;
4. "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';
6. // 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;
7. records = 1999
9. // keys_per_block计算
10. // block_size是文件的block大小，mysql默认为16K；
11. // key_len是索引的键长度；
12. // ref_len是主键索引的长度；
13. keys_per_block = (stats.block_size / 2 / (table_share->key_info[keynr].key_length + ref_length) + 1);
14. // table_share->key_info[keynr].key_length 为联合索引，分别是station_no和sku_id
15. // station_no 为varchar(20)且为utf8mb4，长度 = 20 * 4 + 2 (可变长度需要加2) = 82
16. // sku_id bigint类型，长度为8
17. // 主键索引为bigint类型，长度为8
18. keys_per_block = 16384 / 2 / (82 + 8 + 8) + 1 ≈ 84
20. // 计算总代价
21. read_time = ((double) (records + keys_per_block - 1) / (double) keys_per_block);
22. read_time = (1999 + 84 - 1) / 84 = 24.78;
24. // 计算总代价
25. // 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）
26. // 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）
27. 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';
4. "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
4. 公式简化（去除影响较小的复杂计算）
5. 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';
4. // 页数量
5. page = 数据总大小(字节) / 页大小 = 7880704 / 16384 = 481;
7. // 计算代价最低索引(sql_planner.cc 中find_best_ref函数)
8. // 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)
9. // 其中s->found_records表示表上的记录数，s->read_time在innodb层表示page数
10. // s-> worst_seeks = min((double) s -> found_records / 10, (double) s -> read_time * 3);
11. // cur_read_cost= prefix_rowcount * min(table->cost_model() -> page_read_cost(tmp_fanout), tab -> worst_seeks);
13. // 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）  
14. total_records = 99827;
15. // 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;
16. records = 1999
18. // 计算总代价
19. // 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）
20. // s-> worst_seeks = min((double) s -> found_records / 10, (double) s -> read_time * 3) -> min(99827 / 10, 481 * 3) = 481 * 3
21. // min(table->cost_model() -> page_read_cost(tmp_fanout), tab -> worst_seeks) -> min(page_read_cost(1999), 481 * 3) = 481 * 3
22. 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';
4. "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！