字节客增慢 SQL 治理体系
动手点关注 干货不迷路 👆
项目概览
背景
慢 SQL 即执行时间超过 long_query_time 设定阈值的 SQL 语句，可通过 select @@long_query_time 查看数据库具体的慢查询阈值。另外慢 SQL 不仅仅包括 select 语句，也包括 delete,insert 等 DML 语句。
慢查询 SQL 的危害包括:
性能: 慢 SQL 的执行时间过长，则会导致用户的等待时间过长，直接影响用户体验； 稳定性: 当 db 出现慢查询，一旦有其他的 DDL 操作，可能会造成整个数据库的等待;另一方面，慢 SQL 会拖垮数据库，导致正常执行的 SQL 也会变成慢 SQL。在字节的线上事故管理平台搜索慢 SQL 关键字可以看到很多由于慢 SQL 导致的事故，危害性较大。
成果
发布慢 SQL 月报，整理最佳实践，头部泳道推动改进等取得了慢 SQL 数下降了近 50%，慢 SQL 周运行次数下降了一个数量级的成效； 慢 SQL 配置&告警订阅持续配置率从 18% 提升到 70% 左右，持续优化中。
名词解释
RDS：Relational Database Service,即字节关系型数据库服务。提供的关系数据库服务，使用的数据库产品主要以开源 MySQL 数据库为主。字节云关系型数据库服务（RDS）专注于为业务提供稳定可靠，弹性伸缩的在线数据库服务。 Mars：客增性能平台名称。 风神 Aeolus：字节自研敏捷 BI 平台，提供灵活易用的数据查询，高效美观的报表制作，与丰富多元的数据内容。
设计方案
1. 架构图
2. 核心功能
2.1 全面的慢 SQL 度量看板
以字节 RDS 平台数据库的慢 SQL 数据为依据，量化管理客增每日/每周/每月的慢 SQL 数量&运行次数。按照度量看板数据推动大家及时改进存量的慢 SQL，降低数据库质量风险。例如周维度的运行次数 & 慢 SQL 条数趋势图如下所示：
2.2 慢 SQL 治理体系
2.2.1 rds 慢 SQL 阈值配置自动化管理
字节关系型数据库平台-RDS 提供慢 SQL 阈值配置的功能：
当 SQL 执行时间超过该阈值后，会被自动 kill 终止运行，相当于慢 SQL 的容灾配置（如果一条 SQL 执行了 3 个月还在运行，结果不敢想象）
慢 SQL 阈值配置自动化管理是解决业务关联的数据库全部配置了慢 SQL 阈值信息。该部分通过线上定时巡检来实现，流程如下：
2.2.2 Mars-慢 SQL 治理平台
在客增质量工作台搭建 Mars-客增慢 SQL 治理 Web 页面，展示相关业务的慢 SQL 现状以及排期跟进修复情况，目的是让业务同学更清晰快速了解当前业务相关，提供问题修复效率，方案如下：
慢 SQL 跟进页面:
2.2.3 慢 SQL 风险评估模型-慢 SQL 分
当业务线存在较多慢 SQL 时，如何精准且合理的分析出哪些慢 SQL 风险最高？
我们基于关系型数据库的 Quert_time,Lock_time,Rows_sent,Rows_affected,Bytes_sent 等维度建立客增的慢 SQL 风险评估模型，给每条慢 SQL & 每个数据库打分，按照慢 SQL 分来排序，分数最高的慢 SQL 风险最高。
慢 SQL 模型如下:
2.3 慢 SQL-CI 流水线准入/准出卡口建设
基于 ByteCycle（ByteCycle 字节统一能效中台）开发慢 SQL 原子节点，提供慢 SQL 相关的卡点能力。bytecycle 基于 psm 维度来构建持续集成流水线，通过提供慢 SQL 原子节点，可以方便用户插拔式使用。CI 卡点能够提供大家对慢 SQL 的重视程度以及提高慢 SQL 的改进效率。
2.4 慢 SQL 监控&告警订阅
目前提供慢 SQL 月报，每日慢 SQL 相关问题修复提醒，sqll kill lark 告警卡片等维度的信息展示和触发。相关样式如下:
慢 SQL 月报
每日慢 SQL 问题修复提醒
配置 db 慢查询阈值后，如果超过该阈值则该语句会被 db 自动 kill，订阅后会自动将获取到的 kill 信息发送到对应群中
3. Code 方案
RDS 元信息获取实现方案
数据表设计
create table cg_rds_external
(
id int unsigned auto_increment primary key comment 'id',
db_name varchar(100) default '' null comment 'db名字',
owners varchar(100) default '' not null comment 'db owners',
region varchar(100) default '' not null comment 'db部署的region',
proxy_port_master varchar(100) default '' not null comment 'master节点的port',
proxy_port_slave varchar(100) default '' not null comment 'slave节点的port',
sync_time datetime default CURRENT_TIMESTAMP not null on update CURRENT_TIMESTAMP comment '数据同步时间'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 comment 'rds db额外信息';
create table cg_rds_slow_query_config
(
id int unsigned auto_increment primary key comment 'id',
config_id int null comment '慢查询配置id',
db_name varchar(255) default '' null comment 'db名字',
region varchar(100) default '' not null comment 'db部署的region',
port varchar(100) default '' not null comment '规则中的端口',
db_role varchar(100) default '' not null comment 'master or slave',
max_query_time int null comment '超时阈值，单位是秒',
creator varchar(100) default '' null comment '规则创建人',
create_time varchar(100) default '' null comment '规则创建时间',
sync_time datetime default CURRENT_TIMESTAMP not null on update CURRENT_TIMESTAMP comment '数据同步时间'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 comment 'rds慢查询规则配置信息';
create table cg_rds_db_alarm_config
(
id int unsigned auto_increment primary key comment 'id',
region varchar(100) default '' not null comment 'db部署的region',
alarm_id int null comment 'alarm 规则id',
db_name varchar(255) default '' null comment 'db名字',
type varchar(100) default '' not null comment 'alarm type,例如lark',
group_id varchar(100) default '' not null comment 'lark id',
create_time varchar(100) default '' not null comment '规则创建/更新时间',
owner varchar(100) default '' not null comment 'alarm创建人',
sync_time datetime default CURRENT_TIMESTAMP not null on update CURRENT_TIMESTAMP comment '数据同步时间'
)ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 comment 'rds alarm配置表';
慢 SQL 查询详情落库
数据表
create table cg_slow_query_detail_info
(
id int unsigned auto_increment primary key comment 'id',
db_name varchar(255) default '' null comment 'db 名',
db_region varchar(255) default '' null comment 'db的region',
fingerprint_md5 varchar(255) default '' null comment '慢sql标识',
begin_time datetime DEFAULT CURRENT_TIMESTAMP null comment '慢sql的开始执行时间',
max_run_time varchar(255) default '' null comment 'sql执行的最大耗时',
run_count int default 0 null comment 'sql执行次数',
psm_name varchar(255) default '' null comment '发起sql的psm',
avg_query_time varchar(255) default '' null comment '平均耗时',
rds_address varchar(255) default '' null comment '执行sql的rds主机ip:port',
psm_host varchar(255) default '' null comment '发起查询请求的主机ip',
sync_time datetime NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '数据同步时间'
) ENGINE = InnoDB
DEFAULT CHARSET = utf8mb4 comment '客增慢sql记录';
慢 SQL 被 kill 的详情信息获取方案
数据表
create table cg_kill_sql_detail_info
(
id int unsigned auto_increment primary key comment 'id',
db_name varchar(255) default '' null comment 'db 名',
db_region varchar(255) default '' null comment 'db的region',
db_role varchar(255) default '' null comment 'db节点: master slave',
begin_time datetime DEFAULT CURRENT_TIMESTAMP null comment '被kill的sql 执行开始时间',
psm_name varchar(255) default '' null comment '发起sql的psm',
sql_detail varchar(2000) default '' null comment 'sql详情',
db_table_name varchar(255) default '' null comment '该sql的表名,如果多个表，只取第一个',
sync_time datetime NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '数据同步时间'
) ENGINE = InnoDB
DEFAULT CHARSET = utf8mb4 comment 'rds被kill的慢sql数据统计';
Metrics 监控规则
rds 报警订阅的监控只能发现 rds 上执行的 SQL 数据，不能实时发现慢接口。故推荐使用 dbatman 的 metrics 打点来完成慢 SQL 的监控告警工作。
$key = "max:toutiao.ttds.dbatman.latency.max{db=sales_manage,port=*,host=*,dc=*}"
$value = max(q($key, "3m", "1m"))/1000
warn = $value>50
runEvery=1
4. 慢 SQL 治理最佳实践与标准制定
慢 SQL 治理优化基本可分为如下 3 类:
优化 shcema 优化索引，尽可能构建三星索引 优化查询，合理的设计查询
相关细则如下所示:
参考
https://dbaplus.cn/news-11-4069-1.html
小结
虽然慢 SQL 专项取得了一定的进展，但后续的持续优化仍然有很长的路要走，如果你也对慢 SQL 优化、数据库质量感兴趣，欢迎加入我们！除了慢 SQL 专项，SRE、EP 等方向的建设同样欢迎大家加入。可以邮件联系 fangchang.fc@bytedance.om 咨询相关信息或者直接发送简历内推。欢迎来聊，hc 多多，等待你的加入！