这样做数据清理，可以避免引发MySQL故障
|
副标题[/!--empirenews.page--]
【51CTO技术沙龙】10月27日，让我们共同探索AI场景化应用实现之道
通常来说，性能监控类业务场景具有数据导入量大、表空间增长快的特点，为了避免磁盘空间被占满，并提高SQL执行效率，要定期对历史数据进行清理。根据数据采集频率和保留周期的不同，可在应用程序中植入不同的定时器用于删除历史数据。在业务上线初期，这种简单的定时清理机制是有效的，但随着业务增长，特别是当有数据激增的情况发生时，上述定时器有很大机率会失效，不仅无法清理数据，还会因事务长时间持有表锁，引起数据库阻塞和流控。
下面我就跟大家分享一个因清理机制失效引发数据库故障的案例，并且给出如何通过分区表和存储过程进行数据清理的工程方案。 一、问题回顾 今年年初我们生产环境曾短暂发生云监控系统故障。经排查故障是由OP应用程序定期在性能库删除数据引起的，具体原因是delete事务过大超出PXC集群同步复制写入集，该事务在本地逻辑提交后，无法在集群另外两个节点同步，最终在本地回滚。因持有表锁时间过长，阻塞大量线程触发System Lock，引起数据库流控，最终导致华北节点云监控数据更新缓慢。 下面介绍下故障排查的过程： 1. Zabbix发出告警通知 Zabbix发出告警通知：“华北节点OP性能库内存利用率超过80%”，时间为：2018/02/27 06:14:05。
注：OP 是“移动云”门户系统简称;OP性能库用于存放用户订购云产品的性能数据，架构类型为3节点的PXC多主集群架构。 登录数据库查看，发现等待执行的线程数量激增，数据库已处于流控状态。引发数据库阻塞的SQL语句为：
该语句由OP应用程序发起，用于删除perf_biz_vm表两天前的历史数据，故障发生时执行时间已超过4个小时，看执行计划预计删除2亿行数据。
最终该语句没有执行成功，并引发数据库流控。 2. 故障发生的机理 这里我们结合Galera Cluster复制原理具体分析一下故障发生的机理。 首先，Galera集群节点间同步复制，主要基于广播write set和事务验证来实现多节点同时commit、冲突事务回滚等功能。 此外，事务在本地节点执行时采取乐观策略，成功广播到所有节点后再做冲突检测，当检测出冲突时，本地事务优先被回滚。如果没有检测到冲突，每个节点将独立、异步去执行队列中的write set。 最后，事务在本地节点执行成功返回客户端后，其他节点保证该事务一定会被执行，Galera复制的架构图如下：
根据Galera复制原理，删除事务在本地节点提交成功时，本地节点把事务通过write set复制到集群另外两个节点，之后各个节点独立异步地进行certification test，由于要删除的数据量非常大，该事务已超过同步复制写入集(生产环境中write set设定值为1G)，因此，本地节点无法得到certification信息，事务并没有插入待执行队列进行物理提交，而是在本地优先被回滚。 错误日志如下：
因事务长时间持有perf_bix_vm表的X锁，导致本地节点云主机监控数据无法入库，随着等待线程的累积，本地节点执行队列会越积越长，触发了PXC集群Flow Control机制。 该机制用于保证集群所有节点执行事务的速度大于队列增长速度，从而避免慢节点丢失事务，实现原理是集群中同时只有一个节点可以广播消息，每个节点都会获得广播消息的机会，当慢节点的执行队列超过一定长度后，它会广播一个FC_PAUSE消息，其他节点收到消息后会暂缓广播消息，随着慢节点(本地节点)事务完成回滚，直到该慢节点的执行队列长度减少到一定程度后，Galera集群数据同步又开始恢复，流控解除。 3. 导致故障的其它因素 OP性能库发生流控时，本地节点“DELETE FROM perf_biz_vm WHERE '2018-02-25 02:00:00'>CREATE_TIME”语句执行占满了Buffer Pool(即生产环境innodb_buffer_ pool_size=128G)，加上数据库本身正常运行占用的内存，使系统内存占用率超过80%预警值，此时打开华北节点OP控制台，可以看到云监控数据更新缓慢：
4. 重建数据清理机制 截止到2月28日，历史数据清理机制失效，导致业务表单表数据量高达250G，数据库存储空间严重不足，急需扩容。为消除数据库安全隐患、释放磁盘空间，我们决定在数据库侧使用分区表+存储过程+事件的方案重建数据清理机制。
二、重建清理机制 通过分析上述故障案例，我们决定基于分区表和存储过程建立一种安全、稳健、高效的数据库清理机制。 （编辑：拼字网 - 核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
