前言
是什么原因导致线上数据库服务器磁盘I/O的util和iowait持续飚高？
1. 问题描述
朋友小明的线上数据库突发严重告警，业务方反馈写入数据一直堵住，很多锁超时回滚了，不知道怎么回事，就找到我了。
不管3721，先采集现场的必要信息再说。
a. 系统负载，主要是磁盘I/O的负载数据
该服务器的磁盘是由6块2T SSD硬盘组成的RAID-5阵列。从上面的截图来看，I/O %util已经基本跑满了，iowait也非常高，很明显磁盘I/O压力太大了。那就再查查什么原因导致的这么高压力。
b. 活跃事务列表
可以看到，有几个活跃的事务代价很高，锁定了很多行。其中有两个因为太久超时被回滚了。
再看一次活跃事务列表，发现有个事务锁定的行更多了，说明活跃业务SQL的效率不太好，需要进行优化。这个算是原因之一，先记下。
c. 查看InnoDB状态
执行
SHOW ENGINE INNODB STATUS\G
查看InnoDB状态，这里只展示了几个比较关键的地方：
...
0x7f8f700e9700 INNODB MONITOR OUTPUT
...
LATEST DETECTED DEADLOCK
------------------------
...
*** (2) TRANSACTION:
TRANSACTION 52970892097, ACTIVE 1 sec starting index read
mysql tables in use 2, locked 2
80249 lock struct(s), heap size 9691344, 351414 row lock(s),
undo log entries 30005
### 这里很明显，发生死锁的事务之一持有很多行锁，需要优化SQL
...
update a inner join b on a.uid=b.uid set a.kid=if(b.okid=0,b.kid,b.okid),a.aid=b.aid where
a.date='2020-02-10'
...
TRANSACTIONS
------------
Trx id counter 52971738624
Purge done for trx's n:o < 52971738461 undo n:o < 0
state: running but idle
History list length 81
...
---TRANSACTION 52971738602, ACTIVE 0 sec inserting
mysql tables in use 1, locked 1
1 lock struct(s), heap size 1136, 0 row lock(s),
undo log entries 348
### 同样滴，也是有很多行锁
...
LOG
---
Log sequence number 565123876918590
Log flushed up to 565123858946703
Pages flushed up to 565121518602442
Last checkpoint at 565121518602442
...
### 注意到Last checkpoint和LSN之间的差距非常大，约为2249MB
### 说明redo log的checkpoint有延迟比较厉害，有可能是因为磁盘I/O太慢，
### 也有可能是因为产生的脏页太多太快，来不及刷新
----------------------
BUFFER POOL AND MEMORY
----------------------
Total large memory allocated 201200762880
Dictionary memory allocated 130361859
Internal hash tables (constant factor + variable factor)
Adaptive hash index 3930999872 (3059599552 + 871400320)
Page hash 23903912 (buffer pool 0 only)
Dictionary cache 895261747 (764899888 + 130361859)
File system 16261960 (812272 + 15449688)
Lock system 478143288 (478120568 + 22720)
Recovery system 0 (0 + 0)
Buffer pool size 11795040
Buffer pool size, bytes 193249935360
Free buffers 7035886
Database pages 4705977
Old database pages 1737005
Modified db pages 238613
### 脏页比例约为2%，看着还好嘛，而且还有挺多free page的
... d. 查看MySQL的线程状态*
+---------+------+--------------+---------------------
| Command | Time | State | Info |
+---------+------+--------------+---------------------
| Query | 1 | update | insert xxx
| Query | 0 | updating | update xxx
| Query | 0 | updating | update xxx
| Query | 0 | updating | update xxx
| Query | 0 | updating | update xxx
+---------+------+--------------+--------------------- 可以看到几个事务都处于updating状态。意思是正在扫描数据并准备更新，肉眼可见这些事务状态时，一般是因为系统负载比较高，所以事务执行起来慢；或者该事务正等待行锁释放。
2. 问题分析及优化工作
分析上面的各种现场信息，我们可以得到以下几点结论：
a. 磁盘I/O压力很大。先把阵列卡的cache策略改成WB，不过由于已经是SSD盘，这个作用并不大，只能申请更换成RAID-10阵列的新机器了，还需等待资源调配。
b. 需要优化活跃SQL，降低加锁代价
[[email protected]]> desc select * from a inner join b on
a.uid=b.uid where a.date='2020-02-10';
+-------+--------+------+---------+----------+-------+----------+-----------------------+
| table | type | key | key_len | ref | rows | filtered | Extra |
+-------+--------+------+---------+----------+-------+----------+-----------------------+
| a | ref | date | 3 | const | 95890 | 100.00 | NULL |
| b | eq_ref | uid | 4 | db.a.uid | 1 | 100.00 | Using index condition |
+-------+--------+------+---------+----------+-------+----------+-----------------------+
[[email protected]]> select count(*) from a inner join b on
a.uid=b.uid where a.date='2020-02-10';
+----------+
| count(*) |
+----------+
| 40435 |
+----------+
1 row in set (0.22 sec) 执行计划看起来虽然能用到索引，但效率还是不高。检查了下，发现a表的uid列竟然没加索引，我汗。。。
c. InnoDB的redo log checkpoint延迟比较大，有2249MB之巨。先检查redo log的设置：
innodb_log_file_size = 2G
innodb_log_files_in_group = 2 这个问题就大了，redo log明显太小，等待被checkpoint的redo都超过2G了，那肯定要疯狂刷脏页，所以磁盘I/O的写入才那么高，I/O %util和iowait也很高。
建议把redo log size调整成4G、3组。
innodb_log_file_size = 4G
innodb_log_files_in_group = 2 此外，也顺便检查了InnoDB其他几个重要选项
innodb_thread_concurrency = 0
# 建议维持设置0不变
innodb_max_dirty_pages_pct = 50
# 由于这个实例每秒写入量较大，建议先调整到75，降低刷脏页的频率，
# 顺便缓解redo log checkpoint的压力。
# 在本案例，最后我们把这个值调整到了90。 特别提醒
从MySQL 5.6版本起，修改redo log设置后，实例重启时会自动完成redo log的再次初始化，不过前提是要先干净关闭实例。因此建议在第一次关闭时，修改以下两个选项：
innodb_max_dirty_pages_pct = 0
innodb_fast_shutdown = 0 并且，再加上一个新选项，防止实例启动后，会有外部应用连接进来继续写数据：
skip-networking 在确保所有脏页（上面看到的Modified db pages为0）都刷盘完毕后，并且redo log也都checkpoint完毕（上面看到的Log sequence number和Last checkpoint at**值相等），此时才能放心的修改 innodb_log_file_size 选项配置并重启。确认生效后再关闭 skip-networking 选项对业务提供服务。