這套方法論，徹底終結MySQL同步延遲問題！
作為一名DBA，我們在工作中會經常遇到一些MySQL主從同步延遲的問題，這些同步慢的問題，其實原因非常多：可能是主從的網絡問題導致的，可能是網絡帶寬問題導致的，可能是大事務導致的，也可能是單線程復制導致的延遲。
近期筆者遇到了一個很典型的同步延遲問題，在此將分析過程寫出來，希望能夠為廣大DBA在排查同步延遲問題時提供比較系統的方法論。
一、背景
最近有一組DB出現比較大的延遲，這組DB是專門用來存儲監控數據的，每分鐘會使用Load Data的方式導入大量的數據。為了節省空間，將原來使用壓縮表的InnoDB引擎轉換成了TokuDB引擎，使用的版本和引擎如下：
MySQL Version： 5.7
Storage Engine： TokuDB
轉換后，發現主從延遲逐漸增大，基本每天落后主機大概50個binlog左右，大概延遲7.5個小時左右的數據，主機每天大概產生160個binlog，binlog列表如下圖所示：
由于對該業務非常熟悉，因此很快就定位到造成主從同步延遲的原因，并很快就解決了延遲的問題。這里不直接說解決辦法，而是想描述一套完整的解決主從延遲問題的思考方式，和大家一起來系統的做一些思考。
帶著問題去思考延遲的根本原因和解決辦法，這也許會更有意義。授人以魚，不如授人以漁。接下來我們就一起開腦洞吧。
二、思考
首先，既然產生了主從延遲，就說明在從機上的消費速度趕不上主機binlog產生的速度。我們先來思考一下可能的原因，并根據現場的蛛絲馬跡去驗證猜想的正確性。其實所謂的問題排查，就是提出可能問題猜想，然后不斷去證明的過程。不同的是，每個人的經驗不同，排查的質量也不盡頭相同，僅此而已。
1、網絡
網絡可能導致主從延遲的問題，比如主機或者從機的帶寬打滿、主從之間網絡延遲很大，有可能會導致主上的binlog沒有全量傳輸到從機，造成延遲。
筆者的那組DB的IO線程已經將對應的binlog近乎實時地拉取到了從機DB上，基本排除網絡導致的延遲，還可以結合網絡質量相關監控來進一步確認是網絡的問題。
2、機器性能
- 從機使用了爛機器？
之前有遇到過有的業務從機使用了很爛的機器，導致的主從延遲。比如主機使用SSD，而從機還是使用的SATA。從機用爛機器的觀念需要改改，隨著DB自動切換的需求越來越高，尤其是筆者所在的金融行業，從機至少不要比主機配置差。
- 從機高負載？
有很多業務會在從機上做統計，把從機服務器搞成高負載，從而造成從機延遲很大的情況，這種使用top命令即可快速發現。
- 從機磁盤有問題？
磁盤、Raid卡、調度策略有問題的情況下，有時會出現單個IO延遲很高的情況，比如Raid卡電池充放電時，在沒有設置強行write back的情況下得會將write back模式修改為write through。
使用iostat命令查看DB數據盤的IO情況，是否是單個IO的執行時間很長、塊大小和磁盤隊列情況等，可以比較一下DB盤的IO調度規則以及塊大小的設置等。
使用iostat查看IO運行情況：
從IO情況看也沒什么問題，單個IO延遲很小，IOPS很低，寫帶寬也不大。調度規則（cat /sys/block/fioa/queue/scheduler）和塊大小等和主機設置是一樣的，排除掉磁盤的問題。
從運行指標看，機器負載很低，機器性能也可以排除。
3、大事務
- 是否經常會有大事務？
這個可能DBA們會遇到比較多，比如在RBR模式下，執行帶有大量的Delete操作，或者在MBR模式下刪除時添加了不確定語句（類似limit）或一個表的Alter操作等，都會導致延遲情況的發生。
這種可通過查看Processlist相關信息，以及使用mysqlbinlog查看binlog中的SQL就能快速進行確認。這個設想也被排除。
4、鎖
鎖沖突問題也可能導致從機的SQL線程執行慢，比如從機上有一些select .... for update的SQL，或者使用了MyISAM引擎等。此類問題，可以通過抓去Processlist以及查看information_schema下面和鎖以及事務相關的表來查看。
經過排查也并未發現鎖的問題。
5、參數
參數部分使用如果是InnoDB引擎，可以根據自己的使用環境調整innodb_flush_log_at_trx_commit、sync_binlog參數來提升復制速度，那組DB使用的TokuDB，則可以優化tokudb_commit_sync、tokudb_fsync_log_period、sync_binlog等參數來做調整。這些參數調整后，復制的延遲情況會有一些作用。
備注：這種調整可能會影響數據的安全性，需要結合業務來考慮。
6、多線程
多線程問題可能是DBA們遇到最多的問題，之前在5.1和5.5版本，MySQL的單線程復制瓶頸就廣受詬病。從5.6開始MySQL正式支持多線程復制。
很容易想到，如果是單線程同步的話，單個線程存在寫入瓶頸，導致主從延遲。那就先調整為多線程試試效果。
可以通過Show Processlist查看是否有多個同步線程，也可以查看參數的方式查看是否使用多線程（show variables like '%slave_parallel%'）
當你看到是上圖這種結果時，恭喜你，你使用的是單線程?？墒褂孟旅婺切忻罡脑斐啥嗑€程復制：
- STOP SLAVE SQL_THREAD;
- SET GLOBAL
- slave_parallel_type='LOGICAL_CLOCK';
- SET GLOBAL
- slave_parallel_workers=8;
- START SLAVE SQL_THREAD;
改造后如下圖所示：
我的環境如上圖所示，本來就已經是多線程復制了，因此問題的根源也不在是否開啟多線程復制上。但當我使用Show Processlist查看復制狀態時，大多數情況下發現只有1個SQL線程在執行，如下圖所示：
通過上面的圖可發現，基本都是一個線程在執行，那么可初步判定是多線程的威力沒有得到很好的發揮，為了更有力地說明問題，想辦法統計出來每個同步線程使用的比率。統計方法如下:
1、將線上從機相關統計打開（出于性能考慮默認是關閉的），打開方法如下：
- UPDATE performance_schema.setup_consumers SET ENABLED = 'YES' WHERE NAME LIKE 'events_transactions%';
- UPDATE performance_schema.setup_instruments SET ENABLED = 'YES', TIMED = 'YES'WHERE NAME = 'transaction';
2、創建一個查看各同步線程使用量的視圖，代碼如下：
- USE test;
- CREATE VIEW rep_thread_count AS SELECT a.THREAD_ID AS THREAD_ID,a.COUNT_STAR AS COUNT_STAR FROMperformance_schema.events_transactions_summary_by_thread_by_event_name a WHERE a.THREAD_ID in (SELECT b.THREAD_ID FROM performance_schema.replication_applier_status_by_worker b);
3、一段時間后統計各個同步線程使用比率，SQL如下：
- SELECT SUM(COUNT_STAR) FROMrep_thread_count INTO @total;
- SELECT 100*(COUNT_STAR/@total) AS thread_usage FROMrep_thread_count;
結果如下：
從上面的結果可以看出，絕大多數情況下，都是一個線程在跑，在監控這種存在大量數據導入的場景下肯定容易出現瓶頸。如果能提高各個線程并發執行的能力，也許能很好地改善同步延遲的情況，那如何解決呢？
7、組提交
我們不妨從多線程同步的原理來思考，在5.7中，多線程復制的功能有很很大的改善，支持LOGICAL_CLOCK的方式，在這種方式下，并發執行的多個事務只要能在同一時刻commit，就說明線程之間沒有鎖沖突，那么Master就可以將這一組的事務標記并在slave機器上安全的進行并發執行。
因此，可以盡可能地使所有線程能在同一時刻提交，這樣就能很大程度上提升從機的執行的并行度，從而減少從機的延遲。
有了這個猜想后，很自然想到了人為控制盡可能多地使所有線程在同一時刻提交，其實官方已經給我們提供了類似的參數，參數如下：
- binlog_group_commit_sync_delay
備注：這個參數會對延遲SQL的響應，對延遲非常敏感的環境需要特別注意，單位是微秒。
參數說明見：
https://dev.mysql.com/doc/refman/5.7/en/replication-options-binary-log.html#sysvar_binlog_group_commit_sync_delay
- binlog_group_commit_sync_no_delay_count
備注：這個參數取到了一定的保護作用，在達到binlog_group_commit_sync_no_delay_count設定的值的時候，不管是否達到了binlog_group_commit_sync_delay設置定的閥值，都立即進行提交。
參數說明見：
https://dev.mysql.com/doc/refman/5.7/en/replication-options-binary-log.html#sysvar_binlog_group_commit_sync_no_delay_count
由于是監控的DB，主要是load數據，然后進行展示，1秒左右的導入延遲對業務沒什么影響，因此將兩個參數調整為：
- SET GLOBAL binlog_group_commit_sync_delay = 1000000;
- SET GLOBAL binlog_group_commit_sync_no_delay_count = 20;
備注：這兩個參數請根據業務特性進行調整，以免造成線上故障。
為了防止導入SQL堆積，設置SET GLOBAL binlog_group_commit_sync_no_delay_count為20，在達到20個事務時不管是否達到了1秒都進行提交，來減少對業務的影響。
設置完這兩個參數后，發現并發復制瞬間提升了好多，很多時候8個線程都能跑滿。于是將線程調整到16個。運行一段事件后，再次統計各個同步線程的使用比率，發現并發度提升了非常多，新的比率如下圖所示：
通過show slave status查看，發現從機延遲越來越小，目前已經完全追上，并穩定運行了一周。
三、總結
最后簡單總結一下，在遇到主從延遲的問題時，可從以下幾個地方開腦洞，尋找蛛絲馬跡，找到問題的根源，對癥下藥才能藥到病除，排查范圍包括但不限于如下幾方面：
- 網絡方面
- 性能方面
- 配置方面（參數優化）
- 大事務
- 鎖
- 多線程復制
- 組提交
通過上面對整個問題排查的梳理，希望能夠幫助廣大DBA在遇到類似復制延遲的問題時徹底終結問題。
參考資料
- https://dev.mysql.com/doc/refman/5.7/en/replication-options-binary-log.html
- https://www.percona.com/blog/2016/02/10/estimating-potential-for-mysql-5-7-parallel-replication/
