MySQL:5.6 大事务show engine innodb status故障一例

导读：

今天遇到一个朋友的线上问题，大概意思就是说，我有一个线上的大事务大概100G左右，正在做回滚，当前看起来似乎影响了线上的业务，并且回滚很慢，是否可以减轻对线上业务的影响。并且朋友已经取消了双1设置，但是没有任何改观。版本MySQL 5.6

首先我们需要知道的是，MySQL并不适合大事务，大概列举一些MySQL中大事务的影响：

• binlog文件作为一次写入，会在sync阶段消耗大量的IO，会导致全库hang主，状态大多为query end。
• 大事务会造成导致主从延迟。
• 大事务可能导致某些需要备份挂起，原因在于flush table with read lock，拿不到MDL GLOBAL 级别的锁，等待状态为 Waiting for global read lock。
• 大事务可能导致更大Innodb row锁加锁范围，导致row锁等待问题。
• 回滚困难。

基于如上一些不完全的列举，我们应该在线上尽可能的避免大事务。好了我们下面来进行问题讨论。

一、问题

前面已经说了，我们已经取消了双1设置，所谓的双1就是 sync_binlog=1和 innodb_flush_log_at_trx_commit=1。这两个参数线上要保证为1，前者保证binlog的安全，后者保证redo的安全，它们在数据库crash recovery的时候起到了关键做用，不设置为双1可能导致数据丢失。具体的参数含义不做过多讨论。但是这里的问题是即便取消了双1，没有任何改观，因此似乎说明IO问题不是主要瓶颈呢？下面我们来看几个截图：

• vmstat 截图

• iostat 截图

• top -Hu截图

我们重点观察vmstat的r 和 b列发现，IO队列没有有什么问题 并且wa%并不大。我们观察iostat中的%util和读写数据大小来看问题不大，并且tps远没达到极限（SSD盘）。我们top -Hu 可以观察到 %us不小，并且有线程已经打满了（99.4%CPU）一个CPU核。

因此我们可以将方向转为研究CPU瓶颈的产生，希望能够对问题有帮助，然后从提供的perf top中我们有如下发现：

好了我们将问题先锁定到lock_number_of_rows_locked这个函数上。

_

朋友用的5.6，但是我这里以5.7.26的版本进行描述。然后下一节描述5.6和5.7算法上的关键差异。

不知道大家是否注意过show engine innodb status中的这样一个标志：

这个标记就来自函数lock_number_of_rows_locked，含义为当前事务加行锁的行数。而这个函数包裹在函数lock_print_info_all_transactions下面，lock_print_info_all_transactions函数是打印我们通常看到show engine innodb status中事务部分的核心参数。我们来看一下简单的流程：

    PrintNotStarted print_not_started(file);//建立一个结构体，目的是做not start 事务的打印    ut_list_map(trx_sys->mysql_trx_list, print_not_started); //这个地方打印出那些事务状态是no start的事务。mysql_trx_list是全事务。
    const trx_t*    trx;    
    TrxListIterator trx_iter; //这个迭代器是trx_sys->rw_trx_list 这个链表的迭代器    
    const trx_t*    prev_trx = 0;
    /* Control whether a block should be fetched from the buffer pool. */    
    bool        load_block = true;    
    bool        monitor = srv_print_innodb_lock_monitor && (srv_show_locks_held != 0);
    while ((trx = trx_iter.current()) != 0) { //通过迭代器进行迭代 ，显然这里不会有只读事务的信息，全部是读写事务。
       ...        /* If we need to print the locked record contents then we        
       need to fetch the containing block from the buffer pool. */        
       if (monitor) {
            /* Print the locks owned by the current transaction. */            
            TrxLockIterator& lock_iter = trx_iter.lock_iter();
            if (!lock_trx_print_locks( //打印出锁的详细信息                 
               file, trx, lock_iter, load_block)) 

简单的说就是先打印哪些处于not start的事务，然后打印那些读写事务的信息，当然我们的回滚事务肯定也包含在其中了，需要注意的是只读事务show engine不会打印。对于处于回滚状态的事务我们可以在show engine中观察到如下信息：

函数trx_print_low可以看到大部分的信息，这里就不详细解释了。既然如此我们需要明白lock_number_of_rows_locked是如何计算的，下面进行讨论。

三、函数lock_number_of_rows_locked的算法变化

上面我们说了函数lock_number_of_rows_locked函数会打印出当前事务加行锁的行数。那么我们来看一下5.6和5.7算法的不同。

• 5.7.26

实际上只有如下一句话：

return(trx_lock->n_rec_locks);

我们可以看到这是返回了一个计数器，而这个计数器的递增就是在每行记录加锁后完成的，在函数lock_rec_set_nth_bit的末尾可以看到 ++lock->trx->lock.nreclocks ，因此这是一种预先计算的机制。

因此这样的计算代价很低，也不会由于某个事务持有了大量的锁，而导致计算代价过高。

• 5.6.22

随后我翻了一下5.6.22的代码，发现完全不同如下：

    for (lock = UT_LIST_GET_FIRST(trx_lock->trx_locks); //使用for循环每个获取的锁结构    
         lock != NULL;         
         lock = UT_LIST_GET_NEXT(trx_locks, lock)) {
        
        if (lock_get_type_low(lock) == LOCK_REC) { //过滤为行锁            
        ulint   n_bit;            
        ulint   n_bits = lock_rec_get_n_bits(lock);
        
                for (n_bit = 0; n_bit < n_bits; n_bit++) {//开始循环每一个锁结构的每一个bit位进行统计            
                    if (lock_rec_get_nth_bit(lock, n_bit)) {                
                        n_records++;            
                    }        
                }      
         }   
   }
    return(n_records);

我们知道循环本身是一种CPU密集型的操作，这里使用了嵌套循环实现。因此如果在5.6中如果出现大事务操作了大量的行，那么获取行锁记录的个数的时候，将会出现高耗CPU的情况。

四、原因总结和解决

有了上面的分析我们很清楚了，触发的原因有如下几点：

• MySQL 5.6版本
• 有大事务的存在，大概100G左右的数据加行锁了
• 使用了show engine innodb status

这样当在统计这个大事务行锁个数的时候，就会进行大量的循环操作。从现象上看就是线程消耗了大量的CPU资源，并且处于perf top的第一位。

知道了原因就很简单了，找出为频繁使用show engine innodb status的监控工具，随后业务全部恢复正常，IO利用率也上升了如下：

当然如果能够使用更新的版本比如5.7及8.0 版本将不会出现这个问题，可以考虑使用更高版本。

分析性能问题需要首先找到性能的瓶颈然后进行集中突破，比如本例中CPU资源消耗更加严重。也许解决问题就在一瞬间。

五、其他

最后通过朋友后面查询的bug如下：https://bugs.mysql.com/bug.php?id=68647 发现印风（翟卫翔）已经在多年前提出过了这个问题，并且做出了修改意见，并且这个修改意见官方采纳了，也就是上面我们分析的算法改变。经过印风（翟卫翔）的测试有bug中有如下描述：

• From perf top, function locknumberofrowslocked may occupy more than 20% of CPU sometimes

也就是CPU消耗会高达20%。

下面是5.7.26调用栈帧：