作为综合性多业务的“互联网+生活服务”平台， 美团点评 对数据库的稳定运行有较高的要求，小概率的性能抖动(包括慢SQL)都会造成一定的可用性损失。本文将从过去几年遇到的一些性能问题中，挑选了一个较为棘手的案例，探究端到端数据库性能问题的解决思路，为DBA同学在解决类似问题时提供一种参考。
问题描述
在一段时间内不断有开发同学反馈，线上应用程序获取数据超时，通过C AT 监控系统发现这些应用的SQL 99line都比较高，这在一定程度上影响了对应业务的QoS，比如达不到99.99%的业务可用性(超时被定义为不可用)。这些问题出现在很多业务场景中，是一个普遍性问题。
通过 C AT 监控系统、SQL样本、慢查询系统等进一步了解，发现这类SQL有如下特征:
- 基本上都是以主键或唯一键为条件的简单查询，查询后的结果集及扫描的行数都比较小;
- 查询的表的数据总量也很小，最小的表甚至只有几千行;
- 时间达到了几百ms，甚至1s;
- 数据库的slow log里没有记录这类SQL。
下图为CAT相关监控数据的样本，以xxx-service这个service为例：
99line的监控数据，有很多SQL的返回时间超过100ms以上。
SQL的绝对数量在2016年9月6日当天为 ：3788。
具体到某个SQL，甚至达到了929ms。
FB_Coach的表结构如下：
可看到最多641条记录，还有联合索引。
概要分析
要想定位到原因，必须通过排除法找到该SQL到底慢在哪个阶段，这样才能缩小范围。接下来我们来分析慢SQL的花费时间组成。从下图可看出，时间主要由3部分组成：
- App Server：发出SQL请求的时间，接收返回结果的时间
- 网络：SQL请求包及查询结果在网络上花费的时间
- MySQL Server：发出SQL到查询结果整个过程花费的时间
我们可以通过抓包工具获取每个阶段花费的时间，从而定位到底慢在哪个阶段。
问题解决思路迭代
思路1：确认哪个过程花费的时间最多
方法：分别在APP Server与MySQL Server部署TcpDump抓包工具，得到数据包在4个监测点的“到达时间”。为了方便，把如下4个Wireshark分析结果(对TcpDump抓取日志分析)按4个方位标注：
- APP Server 发出SQL(左上)
- MySQL Server 收到SQL(右上)
- MySQL Server 将查询发出(右下)
- APP Server 收到查询结果(左下)
从数据可以准确的看出时间主要花费在MySQL内部，具体时间为22.569285000-21.962634000=0.6066509999999994(秒)，约为606ms。
抓包结果： 慢在MySQL Server端。
思路2： 一条SQL进入MySQL Server到查询结果输出分哪些阶段?
方法： 将MySQL内部对SQL查询的流程进行梳理，采用排除法定位问题。要 把经典图拿出来说事了，以下基础知识主要来自于《高性能MySQL》，“拿来主义”一下。
首先可以看到，MySQL主要有三个组件：连接/线程处理、MySQL Server层、存储引擎层。
- 最上层主要进行连接处理、授权认证、安全等;
- 第二层包括查询解析、分析、优化(这三个是解决问题最关心的)、缓存管理、所有内置函数、存储过程、触发器、视图，似乎扯得有点远;
- 第三层包含了主要的存储引擎层，MySQL Server层(第二层)通过“存储引擎API”向存储引擎层存储和提取数据，此层主要是数据存储相关。
接下来通过一个客户端请求查询数据，看看MySQL主要做哪些工作吧。
每个客户端(可能理解为App负责连接数据库的组件，我们叫DAL)连接到MySQL服务器进程后会拥有一个线程，这个连接的所有查询都会在该线程中去执行，同时服务器会缓存线程，以减少创建或销毁线程的开销和频繁的上下文切换。
当客户连接到MySQL服务器时，服务器会分配一个线程，之后进行权限认证，认证通过后，MySQL就开始解析该SQL查询，并创建内部数据数据结构(解析树)，然后对其各种优化，***调用存储引擎API获取或存储需要的数据，***将查询结果返回给客户端。
通过以上“背书”，我们大概了解了一个SQL请求的执行过程，那到底慢在哪个阶段呢?
通过“慢SQL特点”的第4条知道，“数据库的slow log里没有记录这类SQL”，那慢SQL发生的阶段就可以排除了。
MySQL slow log是记录SQL执行过程花费的时间，记录的时间从“SQL解析”到“存储引擎”返回数据整个过程，所以可以排除该SQL是慢在第二层和第三层，那么只能是把时间花费在***层了?和线程相关?
结果： 很可能慢在MySQL线程管理上。
思路3： 是创建线程慢?thread cache不够用，需要频繁的创建线程?
方法：查看当时数据库的状态值
可以看到，当时空闲的thread很多，监控图也没有抖动，所以并没有频繁地创建线程。 慢SQL产生的时间点，空闲的thread很多，并没有进行大量的线程创建。
那问题到底出现在和线程相关的哪个环节呢? 先把所有和thread相关的参数列出来。
- 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
一眼看过去，大部分是和Thread-Pool相关。同时意识到这些问题是随着升级到MySQL 5.6产生的，5.6引入了 Thread-Pool 功能。
结果： 看来MySQL5.6的 Thread-Pool 有很大嫌疑了。
思路4： 关闭MySQL 5.6的 Thread-Pool ，确认一下问题
方法： 调整MySQL参数 thread_handling = pool-of-threads---- → thread_handling = One-Connection-Per-Thread。
结论： 关闭 Thread-Pool 功能后，减少78%的慢SQL，侧面证明是 Thread-Pool 的问题。
以下是具体的证据，以xxx-service这个service为例： 打开 Thread-Pool 功能(2016年9月6日当天数据)。
99line占比：有好多超过100ms的SQL。
慢SQL数量：3788
关闭 Thread-Pool 功能后(2016年9月13日当天数据)。
99line占比：已经看不到超过100ms的sql了，都在10ms以内。
慢SQL数量：818
那么关闭 Thread-Pool ? 答案很显然，不能! Thread-Pool 是MySQL5.6重要的功能，能够保证MySQL数据库高并发下的性能稳定。
思路5： 调优 Thread-Pool 相关参数
方法：深入了解 Thread-Pool 的工作原理，查找可能产生慢SQL的参数。
结果： 找到了相关参数(thread_pool_stall_limit)，并且效果明显，慢SQL数量从最初的3788减少到63，几乎全部消灭掉。
以xxx-service这个service为例，调整后的效果，2016年9月20日当天的数据：
99line占比：
慢SQL数量：63
ok，效果有了，总结一下。
问题分析
1、基本原理
没有引入Thread-Pool前，MySQL使用的是one thread per connection，一旦connection增加到一定程度，MySQL的性能将急剧下降甚至被压跨。引入Thread-Pool后将会解决上述问题,同时会减少MySQL内部的线程数(节省内存)及频繁创建线程的开销(节省CPU)。
2、Thread-Pool 是如何工作的?
在MySQL内部有一个专用的thread用来监听数据库连接请求，当一个新的请求过来，如果采用以前的模型(one-thread-per-connection)，main listener(这是主线程中的listener，为了避免与thread group 中的listener混淆，我们称之为“Main listener”)将从thread cache中取出1个thread或创建1个新的thead立即处理该连接请求，由该thread完成该连接的整个生命周期;
而如果采用Thread-Pool模型，这个连接请求将会被随机放到一个thread group(thread pool由多个thread group 组成)的队列中，之后该thread group中worker thread从队列中取出并建立连接，一旦连接建立，该连接对应的socket句柄将与该thread group中的listener关联起来，之后该连接将在该thread group中完成它的生命周期。
接下来我们来说说Thread Group 。Thread Group是Thread-Pool的核心组件，所有的操作都是发生在thread group。Thread-Pool由多个(数量由参数thread_pool_size来决定，默认等于cpu个数)thrad group组成。一个连接请求被随机地绑定到一个thread group，每个thread group独立工作，并且占用一个核的CPU。所以thread group都会***限度地保持一个thread处于ACTIVE状态，并且***只有一个，因为太多就有可能压跨数据库。
Thread Group中的thread一般有4个状态：
- TP_STATE_LISTENER
- TP_STATE_IDLE
- TP_STATE_ACTIVE
- TP_STATE_WAITING
当一个线程作为listener运行时就处于“TP_STATE_LISTENER”，它通过epoll的方式监听联接到该Thread Group的所有连接，当一个socket就绪后，listener将决定是否唤醒一个thread或自己处理该socket。此时如果Thread Group的队列为空，它将自己处理该socket并将状态更改为“ACTIVE”，之后该thread 在MySQL Server内部处理“工作”，当该线程遇到锁或异步IO(比如将数据页读入到buffer pool)这些wait时，该thread将通过回调函数的方式告诉thread pool，让其把自己标记为“WAITING”状态。
此时，假设队列中有了新的socket准备就绪，是立即创建新的线程还是等待刚才的线程执行结束呢?
由于Thread-Pool最初设计的目标是保持一定数量的线程处于“ACTIVE”状态，具体的实现方式就是控制thread group的数量和thread group内部处于"ACTIVE"状态的thread的数量。控制thread group内部的ACTIVE状态的数量，方法就是***限度地保证处于ACTIVE状态的线程个数是1。很显然，当前thread group中有一个处于WAITING状态的thread了，如果再启用一个新的线程并且处于ACTIVE状态，刚才的线程由WAITING变为ACTIVE状态时，此时将会有2个“ACTIVE”状态的线程，和最初的目标似乎相背，但显然也不能让后续就绪的socket一直等待下去，那应该怎么处理?
那么此时需要一个权衡了，提供了这样的一个方法：对正在ACTIVE或WAITING状态的线程启用一个计数器，超过计数器后将该thread标记为stalled，然后thread group创建新的thread或唤醒sleep的thread处理新的sokcet，这样将是一个很好的权衡。超时时间该参数thread_pool_stall_limit来决定，默认是500ms。
如果一个线程无事可做，它将保持空闲状态(TP_STATE_WAITING)一定时间(thread_pool_idle_timeout参数决定，默认是60秒)后“自杀”。
3、和我们遇到的具体问题相关的点
假设上文提到的由“ACTIVE”转化为“WAITING”状态的线程(标记为“线程A”)所执行的“SQL"可能是一个标准的慢SQL(命名为SQLA，执行时间较长)，那么后续有连接请求分配到了同一个thread group,那么新连接的SQL(命名SQLB)需要等待线程A结束;如果SQLA执行时间超过500ms，该thread group创建新的worker线程来处理SQLB。
不管哪种情况，SQLB都会在线程等待上花费很多时间，此时SQLB就是CAT监控系统上看到的慢SQL。又因为SQLA不一定都是慢SQL，所以SQLB也不是每次在线程等待上花费较多的时间，这就吻合我们看到的现象“一定比例的慢SQL”。
解决方法
找到问题了，那么解决办法就简单了。调整thread_pool_stall_limit=10，这样就强迫被SQLA更快被标记为stalled，然后创建新的线程来处理SQLB。
带来的价值
- 以xxx-service为例，减少了98.3%的慢SQL，效果很明显;
- 该问题的解决让百个产品线从中受益，业务可用性超过了99.99%。
首先我们分析了慢SQL的特点及该SQL花费的时间组成，通过“时间花费在哪”这一通用方法，不断把问题范围缩小，最终通过排除法将问题锁定在MySQL内部线程。
对于MySQL内部线程，我们通过对参数“全量扫描”，发现了与MySQL 5.6新开启的参数有关，粗略确定了Thread-Pool是导致慢SQL问题的。
之后通过关闭Thread-Pool进一步确认是开启该功能引起的。之后我们不断调整参数和阅读大量相关的资料，最终将问题解决。
通过以上问题的解决，我们可以学到一些端到端的性能问题解决思路：
定位问题
划分问题的边界
每个问题总有它的边界。当我们无法一眼看出来问题的边界在哪里时，就需要不断的通过排除法缩小边界，在特定的边界内就用特定的专业知识来定位问题。
搜集关键数据得出靠谱结论
比如生产环境中会有各种数据，包含监控数据、临时部署工具获取的数据，充分利用这些数据支撑我们的结论。
对问题产生的时间或影响范围进行上下文联想
很多问题是随着一些改变产生的，就像软件的生命周期一样，受到各种环境的变化影响。通过问题产生的上下去寻找问题的原因，可以发现大部分问题的产生原因。
解决问题
不断尝试
有很多人认为，知道问题的原因了，解决问题是比较容易的。其实我认为这个是反的。因为只有清楚知道问题解决了，才能证明问题的原因是对的。在找到问题的原因之前，其实我们已经通过不断的调整和测试把问题解决了。所以解决问题很关键，貌似是废话。
合理的理论推断问题产生的原因
问题解决了，原因也找到了，***一步还要“自圆其说”，这就需要深究技术原理，找到切入点，复现问题了。
解决问题的方法有千万种，这里列举了其中一种，希望能够帮助到大家。
