Mysql性能优化专项方案及关键技术.doc

Mysql 性能优化方案及技术
目录
目录 1
背景及目标 2
Mysql 实施优化 2
认识数据索引 2
为何使用数据索引能提升效率 2
怎样了解数据索引结构 2
怎样了解影响结果集 3
了解实施状态 4
常见分析手段 4
分析步骤 6
总结 7
Mysql 运维优化 9
存放引擎类型 9
内存使用考量 9
性能和安全性考量 9
存放压力优化 10
运维监控体系 10
Mysql 架构优化 11
架构优化目标 11
预防单点隐患 11
方便系统扩容 11
安全可控，成本可控 11
分布式方案 12
分库&拆表方案 12
主从架构 14
故障转移处理 15
缓存方案 15
缓存结合数据库读取 15
缓存结合数据库写入 15

背景及目标
l 厦门游家企业（）用于职员培训和分享。
l 针对用户群为已经使用过mysql环境，并有一定开发经验工程师
l 针对高并发，海量数据互联网环境。
l 本文语言为口语，非学术标准用语。
l 以实战和处理具体问题为关键目标，非应试，很规教育。友谊提醒，在校生学习本教程可能对成绩提升有害无益。
l 非技术挑战，非高端架构师培训，请高手自动忽略。
Mysql 实施优化
认识数据索引
为何使用数据索引能提升效率
n 数据索引存放是有序
n 在有序情况下，经过索引查询一个数据是无需遍历索引统计
n 极端情况下，数据索引查询效率为二分法查询效率，趋近于 log2(N)
怎样了解数据索引结构
n 数据索引通常默认采取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（二分查找，或说折半查找），使用树形索引目标是为了达成快速更新和增删操作。
n 在极端情况下（比如数据查询需求量很大，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，呈很大分散性
目标： 需要经过任意ip查询该ip所属地域
性能要求达成每秒1000次以上查询效率
挑战： 如使用 between … and 数据库操作，无法有效使用索引。
假如每次查询请求需要遍历10万条统计，根本不行。
方法： 一次性排序（只在数据准备中进行，数据可存放在内存序列）
折半查找（每次请求以折半查找方法进行）
n 在进行索引分析和SQL优化时，能够将数据索引字段想象为单一有序序列，并以此作为分析基础。
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 地域；lastlogin 最终登录时间；其它略
目标： 查找同一地域异性，根据最终登录时间逆序
高访问量小区高频查询，怎样优化。
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 三个字段复合索引,怎样了解？
首先，忘记btree，将索引字段了解为一个排序序列。
假如只使用area会怎样？搜索会把符合area结果全部找出来，然后在这里面遍历，选择命中sex并排序。 遍历全部 area=’$area’数据！
假如使用了area+sex，略好，仍然要遍历全部area=’$area’ and sex=’$sex’数据，然后在这个基础上排序！！
Area+sex+lastlogin复合索引时（切记lastlogin在最终），该索引基于area+sex+lastlogin 三个字段合并结果排序，该列表能够想象以下。
广州女$时间1
广州女$时间2
广州女$时间3
…
广州男
….
深圳女
….
数据库很轻易命中到 area+sex边界，而且基于下边界向上追溯30条统计，搞定！在索引中快速命中全部结果，无需二次遍历！
怎样了解影响结果集
n 影响结果集是数据查询优化一个关键中间数据
u 查询条件和索引关系决定影响结果集
如上例所表示，即便查询用到了索引，不过假如查询和排序目标不能直接在索引中命中，其可能带来较多影响结果。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秒以上查询，全部是不够优化。
l 实战范例
和上案例类似，某游戏小区要显示用户动态，select * from userfeed where uid=$uid order by lastlogin desc limit 0,30; 早期默认以uid为索引字段， 查询为命中全部uid=$uid结果根据lastlogin排序。 当用户行为很频繁时，该SQL索引命中影响结果集有数百乃至数千条统计。查询效率超出0.01秒，并发较大时数据库压力较大。
处理方案：将索引改为 uid+lastlogin 复合索引，索引直接命中影响结果集30条，查询效率提升了10倍，平均在0.001秒，数据库压力骤降。
n 影响结果集常见误区
u 影响结果集并不是说数据查询出来结果数或操作影响结果数，而是查询条件索引所命中结果数。
u 实战范例
l 某游戏数据库使用了innodb，innodb是行级锁，理论上极少存在锁表情况。出现了一个SQL语句(delete from tabname where xid=…)，这个SQL很用SQL，仅在特定情况下出现，天天出现频繁度不高（一天仅10次左右），数据表容量百万级，不过这个xid未建立索引，于是悲惨事情发生了，当实施这条delete 时候，真正删除统计很少，可能一到两条，可能一条全部没有；不过！因为这个xid未建立索引，delete操作时遍历全表统计，全表被delete操作锁定，select操作全部被locked，因为百万条统计遍历时间较长，期间大量select被阻塞，数据库连接过多瓦解。
这种非高发请求，操作目标极少SQL，因未使用索引，连带造成整个数据库查询阻塞，需要极大提升警觉。
n 总结：
u 影响结果集是搜索条件索引命中结果集，而非输出和操作结果集。
u 影响结果集越趋近于实际输出或操作目标结果集，索引效率越高。
u 请注意，我这里永远不会讲相关外键和join优化，因为在我们体系里，这是根本不许可！ 架构优化部分会解释为何。
了解实施状态
常见分析手段
l 慢查询日志，关重视点以下
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原因造成，本身无需优化，需处理锁定问题。
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 不提议用using index做强制索引，如未如预期使用索引，提议重新斟酌表结构和索引设置。
n 影响结果集
u 这里显示数字不一定正确，结合之前提到对数据索引了解来看，还记得嘛？就把索引看成有序序列来了解，反思SQL。
l Set profiling , show profiles for query操作
n 实施开销
u 注意，有问题SQL假如反复实施，可能在缓存里，这时要注意避免缓存影响。经过这里能够看到。
u 实施时间超出0.005秒频繁操作SQL提议全部分析一下。
u 深入了解数据库实施过程和开销分布
l Show processlist
n 状态清单
u Sleep 状态， 通常代表资源未释放，假如是经过连接池，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（尤其是输出到用户终端）未立即关闭数据库连接，造成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，数据查询和实施通常只需要不到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，不过因为前端程序未实施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 偶然出现无妨
l 如大量出现，快速检验数据库到前端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，内网使用百兆交换快速爆满，造成大量连接阻塞在waiting for net，数据库连接过多瓦解
u Locked状态
l 有更新操作锁定
l 通常使用innodb能够很好降低locked状态产生，不过切记，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表示。
l 在myisam时代，locked是很多高并发应用噩梦。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，产生巨大恐怖i/o压力。
l 很可怕搜索语句会造成这么情况，假如是数据分析，或午夜周期数据清理任务，偶然出现，能够许可。频繁出现务必优化之。
l Copy to tmp table 通常和连表查询相关，提议逐步习惯不使用连表查询。
l 实战范例：
n 某小区数据库阻塞，求救，经查，其服务器存在多个数据库应用和网站，其中一个不常见小网站数据库产生了一个恐怖copy to tmp table 操作，造成整个硬盘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进程，假如你影响结果集较多，那么就需要从不一样磁盘碎片去抽取数据，
l 偶然出现该状态连接无碍。
l 回到上面影响结果集问题，通常而言，假如sending data连接过多，通常是某查询影响结果集过大，也就是查询索引项不够优化。
l 假如出现大量相同SQL语句出现在show proesslist列表中，而且全部处于sending data状态，优化查询索引，记住用影响结果集思绪去思索。
u Freeing items
l 理论上这玩意不会出现很多。偶然出现无碍
l 假如大量出现，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 其它
l 还有很多状态，碰到了，去查查资料。基础上我们碰到其它状态阻塞较少，所以不关心。
分析步骤
l 基础步骤
n 具体了解问题情况
u Too many connections 是常见表象，有很多个原因。
u 索引损坏情况在innodb情况下极少出现。
u 如出现其它情况应追溯日志和错误信息。
n 了解基础负载情况和运行情况
u 基础运行情况
l 目前每秒读请求
l 目前每秒写请求
l 目前在线用户
l 目前数据容量
u 基础负载情况
l 学会使用这些指令
n Top
n Vmstat
n uptime
n iostat
n df
l Cpu负载组成
n 尤其关注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节点满情况要快速定位和快速处理
n 了解具体连接情况
u 目前连接数
l Netstat –an|grep 3306|wc –l
l Show processlist
u 目前连接分布 show processlist
l 前端应用请求数据库不要使用root帐号！
n Root帐号比其它一般帐号多一个连接数许可。
n 前端使用一般帐号，在too many connections时候root帐号仍能够登录数据库查询 show processlist!
n 记住，前端应用程序不要设置一个不叫rootroot帐号来糊弄！非root账户是骨子里，而不是名义上。
l 状态分布
n 不一样状态代表不一样问题，有不一样优化目标。
n 参见如上范例。
l 雷同SQL分布
n 是否较多雷同SQL出现在同一状态
u 目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 假如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 最多写入数据表是哪个
l 最多写入数据SQL是什么
l 是否存在基于同一主键数据内容高频反复写入？
n 包含架构优化部分，参见架构优化-缓存异步更新
u 读取频繁度
l 假如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db类增加抽样日志即可，抽样百分比酌情考虑，以不显著影响系统负载压力为底线。
l 最多读取数据表是哪个
l 最多读取数据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 就能够避免从query cache中获取数据，而得到真实实施状态分析。
l 是否存在同一个查询短期内频繁出现情况
n 包含前端缓存优化
n 抓大放小，处理显著问题
u 不苛求处理全部优化问题，不过应以确保线上服务稳定可靠为目标。
u 处理和评定要同时进行，新策略或处理方案务必经过评定后上线。
总结
l 要学会怎样分析问题，而不是单纯拍脑袋优化
l 慢查询只是最基础东西，要学会优化0.01秒查询请求。
l 当发生连接阻塞时，不一样状态阻塞有不一样原因，要找到原因，假如不对症下药，就会南辕北辙
n 范例：假如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 监测和跟踪要常常做，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 根据一个抽样百分比抽样即可。
u 针对抽样中发觉问题，能够根据特定SQL在特定时间内监测一段全查询统计，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，查询请求时间超出0.01秒甚至0.005秒，提议酌情抽样统计。
n 连接数预警监测
u 连接数超出特定阈值情况下，即使数据库没有瓦解，提议统计相关连接状态。
l 学会经过数据和监控发觉问题，分析问题，以后处理问题顺理成章。尤其是要学会在日常监控中发觉隐患，而不是问题爆发了才去处理和处理。
Mysql 运维优化
存放引擎类型
l Myisam 速度快，响应快。表级锁是致命问题。
l Innodb 现在主流存放引擎
n 行级锁
u 务必注意影响结果集定义是什么
u 行级锁会带来更新额外开销，不过通常情况下是值得。
n 事务提交
u 对i/o效率提升考虑
u 对安全性考虑
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情况
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 要考虑到现实硬件资源和瓶颈分布
l 学会了解热点数据，并将热点数据尽可能内存化
n 所谓热点数据，就是最多被访问数据。
n 通常数据库访问是不平均，少数数据被频繁读写，而更多数据鲜有读写。
n 学会制订不一样热点数据规则，并测算指标。
u 热点数据规模，理论上，热点数据越少越好，这么能够愈加好满足业务增加趋势。
u 响应满足度，对响应满足率越高越好。
u 比如依据最终更新时间，总访问量，回访次数等指标定义热点数据，并测算不一样定义模式下热点数据规模
性能和安全性考量
l 数据提交方法
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 日志同时
n Sync-binlog =1 每条自动更新，安全性高，i/o压力大
n Sync-binlog = 0 依据缓存设置情况自动更新，存在丢失数据和同时延迟风险，i/o承载力强。
l 性能和安全本身存在相悖情况，需要在业务诉求层面决定取舍
n 学会区分什么场所侧重性能，什么场所侧重安全
n 学会将不一样安全等级数据库用不一样策略管理
存放压力优化
l 次序读写性能远高于随机读写
l 日志类数据能够使用次序读写方法进行
l 将次序写数据和随机读写数据分成不一样物理磁盘，有利于i/o压力疏解，前提是，你确信你i/o压力关键来自于可次序写操作（因随机读写干扰造成不能次序写，不过确实能够用次序写方法进行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，超出阈值统计
l 应用监控
n 慢查询监控
u 慢查询日志
u 假如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实施错误，将错误信息统计到日志，查看每日百分比改变。
u 偶发性错误，假如数量极少，能够不用处理，不过需时常监控其趋势。
u 会存在恶意输入内容，输入边界限定缺乏造成实施犯错，需基于此预防恶意入侵探测行为。
n 微慢查询监控
u 高并发环境里，超出0.01秒查询请求全部应该关注一下。
n 频繁度监控
u 写操作，基于binlog，定时分析。
u 读操作，在前端db封装代码中增加抽样日志，并输出实施时间。
u 分析请求频繁度是开发架构 深入优化基础
u 最好优化就是降低请求次数！
l 总结：
n 监控和数据分析是一切优化基础。
n 没有运行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
预防单点隐患
l 所谓单点隐患，就是某台设备出现故障，会造成整体系统不可用，这个设备就是单点隐患。
l 了解连带效应，所谓连带效应，就是一个问题会引发另一个故障，举例而言，memcache+mysql是一个常见缓存组合，在前端压力很大时，假如memcache瓦解，理论上数据会经过mysql读取，不存在系统不可用情况，不过mysql无法对抗如此大压力冲击，会所以连带瓦解。因A系统问题造成B系统瓦解连带问题，在运维过程中会频繁出现。
n 实战范例： 在mysql连接不立即释放应用环境里，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，造成数据库连接过多瓦解。
n 实战范例2：前端代码 通常我们封装 mysql_connect和memcache_connect，二者次序不一样，会产生不一样连带效应。假如mysql_connect在前，那么一旦memcache连接阻塞，会连带mysql空连接过多瓦解。
n 连带效应是常见系统瓦解，日常分析瓦解原因时候需要认真考虑连带效应影响，头疼医头，脚疼医脚是不行。
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一样服务器上。
l 请求压力增加时，要考虑将请求压力分布到不一样服务器上。
l 扩容设计时需要考虑预防单点隐患。
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 成本和流量关系曲线应低于线性增加（流量为横轴，成本为纵轴）。
n 规模优势
l 本教程仅就和数据库相关部分讨论，和数据库无关部门请自行参阅其它学习资料。

分布式方案
分库&拆表方案
l 基础认识
n 用分库&拆表是处理数据库容量问题唯一路径。
n 分库&拆表也是处理性能压力最优选择。
n 分库 – 不一样数据表放到不一样数据库服务器中（也可能是虚拟服务器）
n 拆表 – 一张数据表拆成多张数据表，可能在同一台服务器，也可能在多台服务器（含虚拟服务器）。
l 去关联化标准
n 摘除数据表之间关联，是分库基础工作。
n 摘除关联目标是，当数据表分布到不一样服务器时，查询请求轻易分发和处理。
n 学会了解反范式数据结构设计，所谓反范式，第一关键点是不用外键，不许可Join操作，不许可任何需要跨越两个表查询请求。第二关键点是适度冗余降低查询请求，比如说，信息表，fromuid, touid, message字段外，还需要一个fromuname字段统计用户名，这么查询者经过touid查询后，能够立即得到发信人用户名，而无需进行另一个数据表查询。
n 去关联化处理会带来额外考虑，比如说，某一个数据表内容修改，对另一个数据表影响。这一点需要在程序或其它路径去考虑。
l 分库方案
n 安全性拆分
u 将高安全性数据和低安全性数据分库，这么好处第一是便于维护，第二是高安全性数据数据库参数配置能够以安全优先，而低安全性数据参数配置以性能优先。参见运维优化相关部分。
n 次序写数据和随机读写数据分库
u 次序数据和随机数据区分存放地址，确保物理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 依据数据表内容组成，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，能够降低前端应用请求发送到不一样数据库服务器频次，从而降低链接开销。
u 基于业务逻辑拆分，可保留部分数据关联，前端web工程师可在程度范围内实施关联查询。
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一样服务器。
u 基于负载压力拆分，可能拆分后数据库包含不一样业务类型数据表，日常维护会有一定烦恼。
l 分表方案
n 数据量过大或访问压力过大数据表需要切分
n 忙闲分表
u 单数据表字段过多，可将频繁更新整数数据和非频繁更新字符串数据切分
u 范例 user表 ，个人介绍，地址，QQ号，联络方法，头像 这些字段为字符串类型，更新请求少； 最终登录时间，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，能够将后面这些更新频繁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，如哈希切表或其它基于对某数字取余切表。等分切表优点是负载很方便分布到不一样服务器；缺点是当容量继续增加时无法方便扩容，需要重新进行数据切分或转表。而且部分关键主键不易处理。
u 递增切表，比如每1kw用户开一个新表，优点是能够适应数据自增趋势；缺点是往往新数据负载高，压力分配不平均。
u 日期切表，适适用于日志统计式数据，优缺点等同于递增切表。
u 个人倾向于递增切表，具体依据应用场景决定。
n 热点数据分表
u 将数据量较大数据表中将读写频繁数据抽取出来，形成热点数据表。通常一个庞大数据表常常被读写内容往往含有一定集中性，假如这些集中数据单独处理，就会极大降低整体系统负载。
u 热点数据表和旧有数据关系
l 能够是一张冗余表，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，仍需要同时写回原系统。
l 能够是非冗余表，即热点数据内容原有结构不再保留，优点是读写效率全部优化；缺点是当热点数据发生改变时，维护量较大。
l 具体方案选择需要依据读写百分比决定，在读频率远高于写频率情况下，优先考虑冗余表方案。
u 热点数据表能够用单独优化硬件存放，比如昂贵闪存卡或大内存系统。
u 热点数据表关键指标
l 热点数据定义需要依据业务模式自行制订策略，常见策略为，根据最新操作时间；根据内容丰富度等等。
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。需要依据业务自行评定。
u 热点数据表动态维护
l 加载热点数据方案选择
n 定时从旧有数据结构中根据新策略获取
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key-value 方案冗余存放，所以这里提到热点数据表，其实更多是了解思绪，用到场所可能并不多….
l 表结构设计
n 查询冗余表设计
u 包含分表操作后，部分常见索引查询可能需要跨表，带来无须要麻烦。确定查询请求远大于写入请求时，应设置便于查询项冗余表。
u 实战范例，
l 用户分表，将用户库分成若干数据表
l 基于用户名查询和基于uid查询全部是高并发请求。
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 冗余表关键点
l 数据一致性，简单说，同增，同删，同更新。
l 能够做全冗余，或只做主键关联冗余，比如经过用户名查询uid，再基于uid查询源表。
n 中间数据表
u 为了降低会包含大规模影响结果集表数据操作，比如count，sum操作。应将部分统计类数据经过中间数据表保留。
u 中间数据表应能经过源数据表恢复。
u 实战范例：
l 论坛板块发帖量，回帖量，每日新增数据等
l 网站每日新增用户数等。
l 后台能够经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数据存入，仅在少数情况下被访问。
主从架构
l 基础认识
n 读写分离对负载减轻远远不如分库分表来直接。
n 写压力会传输给从表，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，极难处理（如主库当机，从库能够响应读写，不过无法自动担当主库分发功效）
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 主瓦解，从自动接管
n 个人提议，负载均衡关键使用分库方案，主从关键用于热备和障碍转移。
l 潜在优化点
n 为了降低写压力，有些人提议主不建索引提升i/o性能，从建立索引满足查询要求。个人认为这么维护较为麻烦。而且从本身会继承主i/o压力，所以优化价值有限。该思绪特此分享，不做推荐。
故障转移处理
l 关键点
n 程序和数据库连接，基于虚地址而非真实ip，由负载均衡系统监控。
n 保持主从结构简单化，不然极难做到故障点摘除。
l 思索方法
n 遍历对服务器集群任何一台服务器，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：任意一台服务器瓦解，负载和数据操作均会很短时间内自动转移到其它服务器，不会影响业务正常进行。不会造成恶性数据丢失。（哪些是能够丢失，哪些是不能丢失）
缓存方案
缓存结合数据库读取
l Memcached是最常见缓存系统
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 并不是全部数据全部适合被缓存，也并不是进入了缓存就意味着效率提升。
n 命中率是第一要评定数据。
n 怎样评定进入缓存数据规模，和命中率优化，是很需要细心分析。
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操作；假如缓存命中率很低，则这个额外操作非但不能提升查询效率，反而为系统带来了额外负载和复杂性，得不偿失。
n 相关评定类似于热点数据表介绍。
n 善于利用内存，请注意数据存放格式及压缩算法。
l Key-value 方案繁多，本培训文档暂不展开。
缓存结合数据库写入
l 利用缓存不仅能够降低数据读取请求，还能够降低数据库写入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，并将更新统计写入队列
n 能够使用类似mq队列产品，自行建立队列请注意使用increment来维持队列序号。
n 不提议使用 get 后处理数据再set方法维护队列
l 测试范例：
l 范例1
$var=Memcache_get($memcon,”var”);
$var++;
memcache_set($memcon,”var”,$var);
这么一个脚本，使用apache ab去跑，100个并发，跑10000次，然后输出缓存存取数据，很遗憾，并不是1000，而是5000多，6000多这么数字，中间数字全在 get & set过程中丢掉了。
原因，读写间隔中其它并发写入，造成数据丢失。
l 范例2
用memcache_increment来做这个操作，一样跑测试
会得到完整10000，一条数据不会丢。
l 结论： 用increment存放队列编号，用标识+编号作为key存放队列内容。
n 后台基于缓存队列读取更新数据并更新数据库
l 基于队列读取后能够合并更新
l 更新合并率是关键指标
l 实战范例：
某论坛热门贴，前端不停有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，假设实施周期是5分钟，那么五分钟可能会接收到这么请求多达数十次乃至数百次，合并更新后只实施一次update即可。
类似操作还包含游戏打怪，生命和经验改变；个人主页访问次数改变等。
n 异步更新风险
l 前后端同时写，可能造成覆盖风险。
l 使用后端异步更新，则前端应用程序就不要写数据库，不然可能造成写入冲突。一个兼容处理方案是，前端和后端不要写相同字段。
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瓦解可能造成数据丢失风险。
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，此时会带来比较显著用户体验问题。
l 一个不根本处理方案是，确保高安全性，高关键性数据实时数据更新，而低安全性数据经过缓存异步回写方法完成。另外，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，道具购置和取得，一旦丢失会对用户造成极大伤害。而经验值，访问数字，假如只丢失了极少时间内容，用户还是能够容忍。
n 范例：假如使用 Views=Views+…操作，一旦出现数据格式错误，从binlog中反推是能够进行数据还原，不过假如使用Views=特定值操作，一旦缓存中数据有错误，则直接被给予了一个错误数据，无法回溯！
l 异步更新如出现队列阻塞可能造成数据丢失风险。
l 异步更新通常是使用缓存队列后，在后台由cron或其它守护进程写入数据库。
l 假如队列生成速度>后台更新写入数据库速度，就会产生阻塞，造成数据越累计越多，数据库响应迟缓，而缓存队列无法快速实施，造成溢出或过期失效。