Py学习  »  DATABASE

MySQL 8.0优化器都有哪些新特性?

DBAplus社群 • 5 年前 • 464 次点击  


MySQL当前已经发布到MySQL 8.0版本,在新的版本中,可以看到MySQL之前被人诟病的优化器部分做了很多的改动。


由于笔者之前的工作环境是5.6,最近切换到最新的8.0版本,本文涵盖了一些本人感兴趣的和优化器相关的部分,主要包括MySQL 5.7的cost model以及MySQL 8.0的直方图功能。


本文基于当前最新的MySQL 8.0.12版本,主要是讲下cost model 和histogram的用法和相关代码。


一、Cost Model


1、Configurable cost constants


为什么需要配置cost model常量 ? 我们知道MySQL已经发展了好几十年的历史,但是在优化器中依然使用了hardcode的权重值来衡量io、cpu等资源情况,而这些权重值实际上是基于多年前甚至十来年前的经验设定的。


想想看,这么多年的时间,硬件的发展多么迅速。几十上百个核心的服务器不在少数甚至在某些大型公司大规模使用,ssd早就成为主流,NVME也在崛起。高速RDMA网络正在走入寻常百姓家。


这一切甚至影响到数据库系统的实现和变革。


显而易见,那些hardcode的权值已经过时了,我们需要提供给用户可定义的方式,甚至更进一步的能够智能根据硬件环境自动设定。


MySQL 5.7引入两个新的系统表,通过这两个系统表暴露给用户来进行更新,如下:


root@(none) 04:05:24>select * from mysql.server_cost;
+------------------------------+------------+---------------------+---------+---------------+| cost_name                    | cost_value | last_update         | comment | default_value |+------------------------------+------------+---------------------+---------+---------------+| disk_temptable_create_cost   |       NULL | 2018-04-23 13:55:20 | NULL    |            20 || disk_temptable_row_cost      |       NULL | 2018-04-23 13:55:20 | NULL    |           0.5 || key_compare_cost             |       NULL | 2018-04-23 13:55:20 | NULL    |          0.05 || memory_temptable_create_cost |       NULL | 2018-04-23 13:55:20 | NULL    |             1 || memory_temptable_row_cost    |       NULL | 2018-04-23 13:55:20 | NULL    |           0.1 || row_evaluate_cost            |       NULL | 2018-04-23 13:55:20 | NULL    |           0.1 |+------------------------------+------------+---------------------+---------+---------------+6 rows in set (0.00 sec)

其中default_value是generated column,其表达式已经固定死了默认值:`default_value` float GENERATED ALWAYS AS (
(case `cost_name` when _utf8mb3'disk_temptable_create_cost' then 20.0 when _utf8mb3'disk_temptable_row_cost' then 0.5 when _utf8mb3'key_compare_cost' then 0.05 when _utf8mb3'memory_temptable_create_cost' then 1.0 when _utf8mb3'memory_temptable_row_cost' then 0.1 when _utf8mb3'row_evaluate_cost' then 0.1 else NULL end)) VIRTUAL

root@(none) 04:05


    
:35>select * from mysql.engine_cost;
+-------------+-------------+------------------------+------------+---------------------+---------+---------------+| engine_name | device_type | cost_name              | cost_value | last_update         | comment | default_value |+-------------+-------------+------------------------+------------+---------------------+---------+---------------+| default     |           0 | io_block_read_cost     |       NULL | 2018-04-23 13:55:20 | NULL    |             1 || default     |           0 | memory_block_read_cost |       NULL | 2018-04-23 13:55:20 | NULL    |          0.25 |+-------------+-------------+------------------------+------------+---------------------+---------+---------------+


你可以通过update语句来进行更新,例如:


root@(none) 04:05:52>update mysql.server_cost set cost_value = 40 where cost_name = 'disk_temptable_create_cost';
Query OK, 1 row affected (0.05 sec)
Rows matched: 1  Changed: 1  Warnings: 0

root@(none) 04:07:13>select * from mysql.server_cost where cost_name = 'disk_temptable_create_cost';
+----------------------------+------------+---------------------+---------+---------------+
| cost_name                  | cost_value | last_update         | comment | default_value |
+----------------------------+------------+---------------------+---------+---------------+
| disk_temptable_create_cost |         40 | 2018-06-23 16:07:05 | NULL    |            20 |
+----------------------------+------------+---------------------+---------+---------------+1 row in set (0.00 sec)//更新后执行一次flush optimizer_costs操作来更新内存//但老的session还是会用老的cost数据root@(none) 10:10:12>flush optimizer_costs;
Query OK, 0 rows affected (0.00 sec)


可以看到用法也非常简单,上面包含了两张表:server_cost及engine_cost,分别对server层和引擎层进行配置。


2、相关代码


全局cache Cost_constant_cache


全局cache维护了一个当前的cost model信息,用户线程在lex_start时会去判断其有没有初始化本地指针,如果没有的话就去该cache中将指针拷贝到本地。


初始化全局cache:


Cost_constant_cache::init
:

创建Cost_model_constants, 其中包含了两类信息: server层cost model和引擎层cost model, 类结构如下:


Cost_constant_cache ----> Cost_model_constants
                            ---> Server_cost_constants                                //server_cost
                            ---> Cost_model_se_info 
                                --->SE_cost_constants                                //engine_cost 如果存储引擎提供了接口函数get_cost_constants的话,则从存储引擎那取
                


从系统表读取配置,适用于初始化和flush optimizer_costs并更新cache:


read_cost_constants()
|--> read_server_cost_constants
|--> read_engine_cost_constants


由于用户可以动态的更新系统表,执行完flush optimizer_costs后,有可能老的版本还在被某些session使用,因此需要引用计数,老的版本ref counter被降为0后才能被释放。


线程cost model初始化


  • Cost_model_server


在每个线程的thd上,挂了一个Cost_model_server的对象THD::m_cost_model,在lex_start()时,如果发现线程的m_cost_model没有初始化,就会去获取全局的指针,存储到本地:


Cost_model_server::initconst Cost_model_constants *m_cost_constants = cost_constant_cache->get_cost_constants();// 会增加一个引用计数,以确保不会在引用时被删除const Server_cost_constants *m_server_cost_constants = m_cost_constants->get_server_cost_constants();// 同样获取的是全局指针


可见thd不创建自己的cost model,只引用cache中的指针。


Table Cost Model


struct TABLE::m_cost_model,类型:Cost_model_table,其值取自上述thd中存储的cost model对象。


Cost_estimate


统一的对象类型cost_estimate来存储计算的cost结果,包含四个维度:


  double io_cost;      ///< cost of I/O operations
  double cpu_cost;     ///< cost of CPU operations
  double import_cost;  ///< cost of remote operations
  double mem_cost;     ///< memory used (bytes)


3、未来


目前来看,除非根据工作负载,经过充分的测试才能得出合理的配置值。但如何配置、什么是合理的值,个人认为应该是可以自动调整配置的。关键是找出配置和硬件条件的对应关系。这也是我们未来可以努力的一个方向。


4、reference


  • Cost Model官方文档

    https://dev.mysql.com/doc/refman/5.7/en/cost-model.html?spm=a2c4e.11153940.blogcont645897.14.25126624v96rQQ

  • 官方博客1:The MySQL Optimizer Cost Model Project

    https://mysqlserverteam.com/the-mysql-optimizer-cost-model-project/?spm=a2c4e.11153940.blogcont645897.15.25126624v96rQQ

  • 官方博客2: A new dimension to MySQL query optimizations 

    http://mysqlserverteam.com/a-new-dimension-to-mysql-query-optimizations-part-2/?spm=a2c4e.11153940.blogcont645897.16.25126624v96rQQ

  • Optimizer Cost Model Improvements in MySQL 5.7.5 DMR

    https://mysqlserverteam.com/optimizer-cost-model-improvements-in-mysql-5-7-5-dmr/?spm=a2c4e.11153940.blogcont645897.17.25126624v96rQQ

  • Slide: MySQL Cost Model

    https://www.slideshare.net/olavsa/mysql-optimizer-cost-model?spm=a2c4e.11153940.blogcont645897.18.25126624Sl2idM


Related Worklog:


  • WL#7182: Optimizer Cost Model API 

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.19.25126624Sl2idM&id=7182

  • WL#7209: Handler interface changes for new cost model

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.20.25126624Sl2idM&id=7209

  • WL#7276: Configuration data base for Optimizer Cost Model

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.21.25126624Sl2idM&id=7276

  • WL#7315 Optimizer cost model: main memory management of cost constants

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.22.25126624Sl2idM&id=7315

  • WL#7316 Optimizer cost model: Command for online updating of cost model constants

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.23.25126624Sl2idM&id=7316


二、Histogram


直方图也是MySQL一个万众期待的功能了。这个功能实际上在其他数据库产品中是很常见的,可以很好的指导优化器选择执行路径。


利用直方图存储了指定列的数据分布。MariaDB从很早的10.0.2版本支持这个功能,而MySQL在最新的8.0版本中也开始支持。

功能参考链接:

https://mariadb.com/kb/en/library/histogram-based-statistics/?spm=a2c4e.11153940.blogcont645897.24.25126624Sl2idM


1、使用


MySQL里使用直方图是通过ANALYZE TABLE语法来执行的:


ANALYZE [NO_WRITE_TO_BINLOG | LOCAL]    TABLE tbl_name    UPDATE HISTOGRAM ON col_name [, col_name] ...
        [WITH N BUCKETS]        ANALYZE [NO_WRITE_TO_BINLOG | LOCAL]    TABLE tbl_name    DROP HISTOGRAM ON col_name [, col_name] ...

ANALYZE TABLE参考链接:

https://dev.mysql.com/doc/refman/8.0/en/analyze-table.html?spm=a2c4e.11153940.blogcont645897.25.25126624Sl2idM


举个简单的例子:


我们以普通的sysbench表为例:

root@sb1 05:16:33>show create table sbtest1\G
*************************** 1. row ***************************       Table: sbtest1
Create Table: CREATE TABLE `sbtest1` (  `id` int(11) NOT NULL AUTO_INCREMENT,  `k` int(11) NOT NULL DEFAULT '0',  `c` char(120) NOT NULL DEFAULT '',  `pad`


    
 char(60) NOT NULL DEFAULT '',
  PRIMARY KEY (`id`),
  KEY `k_1` (`k`)
) ENGINE=InnoDB AUTO_INCREMENT=200001 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci1 row in set (0.01 sec)# 创建直方图并存储到数据词典中root@sb1 05:16:38>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k with 10 BUCKETS;
+-------------+-----------+----------+----------------------------------------------+| Table       | Op        | Msg_type | Msg_text                                     |
+-------------+-----------+----------+----------------------------------------------+
| sb1.sbtest1 | histogram | status   | Histogram statistics created for column 'k'. |+-------------+-----------+----------+----------------------------------------------+1 row in set (0.55 sec)

root@sb1 05:17:03>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k,pad with 10 BUCKETS;
+-------------+-----------+----------+------------------------------------------------+| Table       | Op        | Msg_type | Msg_text                                       |
+-------------+-----------+----------+------------------------------------------------+
| sb1.sbtest1 | histogram | status   | Histogram statistics created for column 'k'.   || sb1.sbtest1 | histogram | status   | Histogram statistics created for column 'pad'. |
+-------------+-----------+----------+------------------------------------------------+
2 rows in set (7.98 sec)

删除pad列上的histogram:
root@sb1 05:17:51>ANALYZE TABLE sbtest1 DROP HISTOGRAM ON pad;
+-------------+-----------+----------+------------------------------------------------+
| Table       | Op        | Msg_type | Msg_text                                       |+-------------+-----------+----------+------------------------------------------------+| sb1.sbtest1 | histogram | status   | Histogram statistics removed for column 'pad'. |
+-------------+-----------+----------+------------------------------------------------+
1 row in set (0.06 sec)

root@sb1 05:58:12>ANALYZE TABLE sbtest1 DROP HISTOGRAM ON k;
+-------------+-----------+----------+----------------------------------------------+
| Table       | Op        | Msg_type | Msg_text                                     |+-------------+-----------+----------+----------------------------------------------+| sb1.sbtest1 | histogram | status   | Histogram statistics removed for column 'k'. |
+-------------+-----------+----------+----------------------------------------------+
1 row in set (0.08 sec)


# 如果不指定bucket的话,默认Bucket的数量是100

root@sb1 05:58:27>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k;
+-------------+-----------+----------+----------------------------------------------+
| Table       | Op        | Msg_type | Msg_text                                     |+-------------+-----------+----------+----------------------------------------------+| sb1.sbtest1 | histogram | status   | Histogram statistics created for column 'k'. |
+-------------+-----------+----------+----------------------------------------------+
1 row in set (0.56 sec)


直方图统计信息存储于InnoDB数据词典中,可以通过information_schema表来获取。


root@information_schema 05:34:49>SHOW CREATE TABLE INFORMATION_SCHEMA.COLUMN_STATISTICS\G
*************************** 1. row ***************************
                View: COLUMN_STATISTICS
         Create View: CREATE ALGORITHM=UNDEFINED DEFINER=`mysql.infoschema`@`localhost` SQL SECURITY DEFINER VIEW `COLUMN_STATISTICS` AS select `mysql`.`column_statistics`.`schema_name` AS `SCHEMA_NAME`,`mysql`.`column_statistics`.`table_name` AS `TABLE_NAME`,`mysql`.`column_statistics`.`column_name` AS `COLUMN_NAME`,`mysql`.`column_statistics`.`histogram` AS `HISTOGRAM` from `mysql`.`column_statistics` where can_access_table(`mysql`.`column_statistics`.`schema_name`,`mysql`.`column_statistics`.`table_name`)
character_set_client: utf8
collation_connection: utf8_general_ci1 row in set (0.00 sec)


从column_statistics表的定义可以看到,有一个名为mysql.column_statistics系统表,但被隐藏了,没有对外暴露。


以下举个简单的例子:


root@sb1 05:58:55>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k WITH 4 BUCKETS;
+-------------+-----------+----------+----------------------------------------------+| Table       | Op        | Msg_type | Msg_text                                     |
+-------------+-----------+----------+----------------------------------------------+
| sb1.sbtest1 | histogram | status   | Histogram statistics created for column 'k'. |+-------------+-----------+----------+----------------------------------------------+1 row in set (0.63 sec)# 查询表上的直方图信息root@sb1 06:00:43>SELECT JSON_PRETTY(HISTOGRAM) FROM INFORMATION_SCHEMA.COLUMN_STATISTICS WHERE SCHEMA_NAME='sb1' AND TABLE_NAME = 'sbtest1'\G
*************************** 1. row ***************************
JSON_PRETTY(HISTOGRAM): {  "buckets": [
    [      38671,      99756,      0.249795,      17002
    ],
    [      99757,      100248,      0.500035,      492
    ],
    [      100249,      100743,      0.749945,      495
    ],
    [      100744,      172775,      1.0,      16630
    ]
  ],  "data-type": "int",  "null-values": 0.0,  "collation-id": 8,  "last-updated": "2018-09-22 09:59:30.857797",  "sampling-rate": 1.0,  "histogram-type": "equi-height",  "number-of-buckets-specified": 4}1 row in set (0.00 sec)


从输出的json可以看到,在执行了上述语句后产生的直方图有4个bucket,数据类型为Int,类型为equi-height,即等高直方图(另外一种是等宽直方图,即SINGLETON)。


每个Bucket中,描述的信息包括:数值的上界和下界,频率以及不同值的个数。通过这些信息可以获得比较精确的数据分布情况,从而优化器来根据这些统计信息决定更优的执行计划。


如果列上存在大量的重复值,那么MySQL也可能选择等宽直方图,例如上例,我们将列k上的值更新为一半10一半20,那么出来的直方图数据如下:


root@sb1 10:41:17>SELECT JSON_PRETTY(HISTOGRAM) FROM INFORMATION_SCHEMA.COLUMN_STATISTICS WHERE SCHEMA_NAME='sb1' AND TABLE_NAME = 'sbtest1'\G
*************************** 1. row ***************************
JSON_PRETTY(HISTOGRAM): {  "buckets": [
    [
      10,
      0.499995
    ],
    [
      20,
      1.0
    ]
  ],  "data-type": "int",  "null-values": 0.0,  "collation-id": 8,  "last-updated": "2018-09-22 14:41:17.312601",  "sampling-rate": 1.0,  "histogram-type": "singleton",  "number-of-buckets-specified": 100
}
1 row in set (0.00 sec)


如上,对于SINGLETON类型,每个bucket只包含两个值:列值,及对应的累计频率(即百分之多少的数据比当前Bucket里的值要小或相等)。


注意这里的sampling-rate,这里的值为1,表示读取了表上所有的数据来进行统计,但通常对于大表而言,我们可能不希望读太多的数据,因为可能产生过度的内存消耗,因此MySQL还提供了一个参数histogram_generation_max_mem_size来限制内存的使用上限。

参数参考链接:

https://dev.mysql.com/doc/refman/8.0/en/server-system-variables.html?spm=a2c4e.11153940.blogcont645897.26.25126624Sl2idM#sysvar_histogram_generation_max_mem_size


如果表上的DML不多,那直方图基本是稳定的,但频繁写入的话,那我们就可能需要去定期更新直方图,MySQL本身不会去主动更新。


优化器通过histogram来计算列的过滤性,大多数的谓词都可以使用到。


关于直方图影响查询计划,可参阅:

https://mysqlserverteam.com/histogram-statistics-in-mysql/?spm=a2c4e.11153940.blogcont645897.29.25126624Sl2idM


2、相关代码


代码结构


以MySQL 8.0.12为例,主要代码在sql/histogram目录下:


ls sql/histograms/
equi_height_bucket.cc  
equi_height_bucket.h  
equi_height.cc  
equi_height.h  histogram.cc  
histogram.h  singleton.cc  
singleton.h  
value_map.cc  
value_map.h  
value_map_type.h


类结构:namespace histograms
|---> Histogram  //基类
        |--> Equi_height //等高直方图,模板类,实例化参数为数据类型,需要针对类型显示定义
        // 见文件 "equi_height.cc"
        |--> Singleton        //等宽直方图,只有值和其出现的频度被存储下来


创建及存储histogram


处理histogram的相关函数和堆栈如下:


Sql_cmd_analyze_table::handle_histogram_command
|--> update_histogram  //更新histogram
   |-->histograms::update_histogram  //调用namespace内的接口函数
        a. 判断各个列:        //histograms::field_type_to_value_map_type:  检查列类型是否支持
        //covered_by_single_part_index: 如果列是Pk或者uk,不会为其创建histogram
        //如果是generated column, 则找到其依赖的列加入到set中
        b. 判断取样的半分比,这主要受参数histogram_generation_max_mem_size限制,如果设的足够大,则会去读取全表数据进行分析
        |-> fill_value_maps   //开始从表上读取需要分析的列数据
            |->ha_sample_init
            |->ha_sample_next
                |-->  handler::sample_next //读取下一条记录,通过随机数的方式来进行取样
            Value_map::add_values // 将读到的数据加入到map中
            |->...
            |->ha_sample_end
        
        |-> build_histogram //创建histogram对象
        a. 确定histogram类型:如果值的个数小于桶的个数,则使用Singleton,否则使用Equi_height类型
            |->Singleton::build_histogram
            |->Equi_height::build_histogram
        
        |-> Histogram::store_histogram //将histogram信息存储到column_statistic表中
            |-> dd::cache::Dictionary_client::update<:column_statistics>

|--> drop_histogram //删除直方图
    


使用histogram


使用的方式就比较简单了:


首先在表对象TABLE_SHARE中,增加成员m_histograms,其结构为一个unordered map,key值为field index,value为相应的histogram对象。


获取列值过滤性的相关堆栈如下:


get_histogram_selectivity
    |-->Histogram::get_selectivity
        |->get_equal_to_selectivity_dispatcher
        |->get_greater_than_selectivity_dispatcher
        |->get_less_than_selectivity_dispatcher
    |-->write_histogram_to_trace // 写到optimizer_trace中


MySQL支持多种操作类型对直方图的使用,包括:





    
col_name = constant
col_name <> constant
col_name != constant
col_name > constant
col_name < constant
col_name >= constant
col_name <= constant
col_name IS NULL
col_name IS NOT NULL
col_name BETWEEN constant AND constant
col_name NOT BETWEEN constant AND constant
col_name IN (constant[, constant] ...)
col_name NOT IN (constant[, constant] ...)


通过直方图,我们可以根据列上的条件判断出列值的过滤性,来辅助选择更优的执行计划。在没有直方图之前,我们需要通过在列上建立索引来获得相对精确的列值分布。但我们知道索引是有很大的维护开销的,而直方图则可以灵活的按需创建。


3、reference


  • WL#5384 PERFORMANCE_SCHEMA, HISTOGRAMS

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.30.25126624Sl2idM&id=5384

  • WL#8706 Persistent storage of Histogram data

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.31.25126624Sl2idM&id=8706

  • WL#8707 Classes/structures for Histograms

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.32.25126624Sl2idM&id=8707

  • WL#8943 Extend ANALYZE TABLE with histogram support

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.33.25126624Sl2idM&id=8943

  • WL#9223 Using histogram statistics in the optimizer

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.34.25126624Sl2idM&id=9223


三、其他


1、优化rec_per_key


相关worklog:


  • WL#7338: Interface for improved records per key estimates

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.35.25126624Sl2idM&id=7338

  • WL#7339 Use improved records per key estimate interface in optimizer

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.36.25126624Sl2idM&id=7339


MySQL通过rec_per_key 接口来估算记录的个数(暗示每个索引Key对应的记录个数),但在早前版本中这个数字是整数,对于小数会取整,不能表示准确的rec_per_key,从而影响到索引的选择。因此在5.7版本中,将其记录的值改成了float类型


2、引入数据cache状态计算开销


相关worklog:


  • WL#7168 API for estimates for how much of table and index data that is in memory buffer

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.37.25126624Sl2idM&id=7168

  • WL#7170: InnoDB buffer estimates for tables and indexes

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.38.25126624Sl2idM&id=7170

  • WL#7340 IO aware cost estimate function for data access

    https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.39.25126624Sl2idM&id=7340


在之前的版本中,优化器是无法知道数据的状态,是否是cache在内存中还是需要从磁盘读出来的。缺乏这部分信息,导致优化器统一认为数据属于磁盘的来计算开销,这可能导致低效的执行计划。


相关代码:


server层新增api,用于获取表或索引上有百分之多少的数据是存储在cache中的。


 handler::table_in_memory_estimate
 handler::index_in_memory_estimate


而在innodb层,增加了一个全局变量buf_stat_per_index (对应类型为buf_stat_per_index_t) 来维护每个索引在内存中的leaf page个数,其内部实现了一个lock-free的hash结构,Key值为(m_space_id) << 32 | m_index_id),在读入page时或者内存中创建新page时,如果对应的page是leaf page,就递增计数;当从page hash中移除时,则递减计数。


为了减少性能的影响,计数器是通过lock-free hash的结构存储的,对应的结构为ut_lock_free_hash_t。


基本的实现思路是:hash是一个定长的数组,数组元素为(key, val),根据Key计算一个hash值再模上array size,找到对应的槽位;如果槽位被占用了,则向右查找一个空闲的slot。


当数组满了的时候,会创建一个新的更大的数组,在数据还没Move到这个新hash之前,所有的search都需要查询两个数组;当所有的记录到迁移到新数组,并且没有线程访问老的数组时,就可以把老的hash删除掉了。


在hash中存储的counter本身,也考虑到多核和numa架构,避免同时更新引起的cpu cache失效。在大量core的场景下这个问题可能很明显。Innodb封装计数操作到类ut_lock_free_cnt_t中,使用数组维护counter,按照cpu no作为index更新,需要获取counter值时则累加数组中的值。


这个Lock free hash并不是个通用场景的hash结构:例如处理冲突的时候,可能占用其他key的槽位,hash不够用时,需要迁移到新的array中。实际上mysql本身实现了一个lf_hash,在扩展Hash时无需迁移数据。


你可以从information_schema.innodb_cached_indexes表中读取到每个索引cache的page个数。


当定义好接口,并且Innodb提供相应的统计数据后,优化器就可以利用这些信息来计算开销:


  • Cost_model_table::page_read_cost

  • Cost_model_table::page_read_cost_index


作者:zhaiwx_yinfeng

源:云栖社区

dbaplus社群欢迎广大技术人员投稿,投稿邮箱:editor@dbaplus.cn


- 近期活动-

2018 Gdevops全球敏捷运维峰会广州站

  • 聚焦AIOps:BAT、360、美图等名企大佬齐聚,携最新智能运维实践亮相;

  • 运维多面观:覆盖银行、证券等传统行业的DevOps、可视化、安全建设等;

  • 数据库专场:腾讯、蚂蚁金服、美团点评、PingCAP、巨杉、润乾等一线专家畅谈数据库管理、优化与改造;

  • 沉浸式学习:深度课程系统教学,玩转DevOps工具栈;

  • 年度颁奖礼:共同见证2018年度十大MVP、最佳产品奖的隆重揭晓!


今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/mefzBY8qwg
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/26311
 
464 次点击