一、防微杜漸：異常SQL防御體系建設(shè)

1.SQL治理階段

如上圖所示，SQL治理的基本階段主要包括開發(fā)（事前）、測試（事中）、生產(chǎn)運維（事后）三階段。

在開發(fā)階段，研發(fā)通常不受相應(yīng)開發(fā)規(guī)范和SQL審核約束。從開發(fā)到測試或生產(chǎn)發(fā)布時，才會進行DDL和DML的審核。目前業(yè)內(nèi)SQL治理，主要還是在SQL出問題之后進行相應(yīng)的治理。

所以我們思考：能否在測試階段提前發(fā)現(xiàn)有問題的SQL，提前預(yù)判性能并治理？如何在事中進行SQL的兜底和止損？

之所以要把治理能力前置到測試階段，是因為越早發(fā)現(xiàn)有問題的SQL，對整體治理或改造的成本就越低，對生產(chǎn)的影響也越小。

2.事前發(fā)現(xiàn)

1）SQLReview

SQLReview是在開發(fā)環(huán)境向測試環(huán)境或生產(chǎn)環(huán)境發(fā)布時，對語句進行基本審核。此部分的整體能力建設(shè)與當(dāng)前業(yè)界主流的開源沒有太大差別，只是我們的集成規(guī)范會更個性化或更豐富。

第一，根據(jù)DBA在日常中的反饋，完善相應(yīng)規(guī)則并集成經(jīng)驗，如攔截特殊語法；

第二，集成三方規(guī)范。比如大數(shù)據(jù)包含某些特殊要求，要求每一張表必須有時間字段等特定字段、特定類型和特定索引，以供大數(shù)據(jù)抽取數(shù)據(jù)；

第三，廣播變更消息，比如提供安全審計，變更大數(shù)據(jù)訂閱結(jié)構(gòu)變更；

第四，日志分析，分析熱點表。DBA在日常運維時，需要一定數(shù)據(jù)統(tǒng)計來總結(jié)經(jīng)驗，梳理重點關(guān)注的業(yè)務(wù)，了解攔截最多的規(guī)則和問題最多的部門。

2）新增SQL檢測

新增SQL檢測是指在SQL執(zhí)行到生產(chǎn)環(huán)節(jié)之前，將它攔截。實現(xiàn)流程中最重要的一點是，通過數(shù)據(jù)庫代理中間件記錄全量測試及生產(chǎn)的全量SQL、然后統(tǒng)一進行消費處理，識別出生產(chǎn)環(huán)境新增的SQL。

例如通過指紋計算，對比測試環(huán)境下SQL的指紋是否出現(xiàn)在生產(chǎn)最后的指紋庫里。若不存在的話，就把它認(rèn)定為一個新增的SQL，再放到生產(chǎn)環(huán)境中進行特征判斷，比如它的掃描行數(shù)是否太多，是否存在全表掃描，索引特征是否出現(xiàn)index merge、file sort等，也包含執(zhí)行時長，特殊禁止語法等全方位的特征判斷。

但這種實現(xiàn)存在兩個問題：

一是據(jù)統(tǒng)計，生產(chǎn)環(huán)境峰值QPS每秒上百萬。由于生產(chǎn)的真實流量比較大，改進后，我們不再轉(zhuǎn)發(fā)全量SQL，而是根據(jù)SQL指紋進行采樣避免流量太大，但即便如此，每天處理的SQL量仍接近5TB。

二是指紋計算。上述SQL通過DBA直觀去看，指紋計算應(yīng)該是一致的。但由于早期我們采用開源的基于正則的SQL指紋計算庫存在的不足，無法識別SQL在細微上的差異，導(dǎo)致指紋計算準(zhǔn)確度差影結(jié)果判斷。

改進后的指紋算法則采用語法解析樹的方式，將SQL的關(guān)鍵對象抽取出來做特征處理，比如取出查詢字段后做排序后再計算指紋，對where條件同樣做排序處理，防止sharding表由于表名字不同，造成的計算差異同樣進行特殊處理。

3）統(tǒng)計分析

我們統(tǒng)計了最近一個月的攔截量。在TP場景下，SQL問題大部分是索引問題，由上圖可知，“索引不合理”和“缺少索引”的情況占比之和達到80%。因此能否通過技術(shù)手段進行自動合理索引創(chuàng)建就是解決問題的重點。

4）研發(fā)視角新增SQL質(zhì)量報告

通過上圖視角，研發(fā)可以了解每個DBA或每個部門，在具體時間范圍內(nèi)新增哪些 SQL，發(fā)到生產(chǎn)的新增SQL是否高危SQL，并清晰地記錄下來。

質(zhì)量報告還包含其他重要信息，比如 SQL被認(rèn)定為高風(fēng)險的原因。如上圖所示，質(zhì)量報告提示可能存在全表掃描的情況，然后記錄其首次出現(xiàn)的時長和時間，使用開源索引工具給出基本建議。

但初期的建設(shè)還不太完善，開源工具僅基于單條SQL提出建議，缺少評估意見合理性的全局視角，我們后續(xù)會整體改寫這部分。

5）不帶隱患上生產(chǎn)

實現(xiàn)攔截功能需要與整個研發(fā)流程結(jié)合。

在CICD環(huán)節(jié)的準(zhǔn)出階段進行卡口集成，若出現(xiàn)高風(fēng)險的慢查詢或SQL沒有處理的情況，會提示“不可上線”，避免隱患SQL上生產(chǎn)。

3.事中兜底

無論防御做得多好，隨著數(shù)據(jù)庫容量、QPS的增長，一些SQL會不可避免地逐步惡化為慢SQL，因此要具備兜底能力。

第一，通過中間件進行主動或被動的SQL限流或熔斷，比如DBA會主動介入對某個SQL限流或者熔斷；

第二，自研數(shù)據(jù)庫管控平臺。平臺集成數(shù)據(jù)庫自愈系統(tǒng)，通過查殺模塊，實時檢測每一個數(shù)據(jù)庫實例的健康狀況，并根據(jù)特征進行相應(yīng)的SQL查殺等。

我們整體構(gòu)建在混合云上，包含阿里云、華為云，AWS，Azure。每一家云對于數(shù)據(jù)庫的保護機制存在很大差別且是不可以跨云移植適用的，所以要打造自己統(tǒng)一的、通用的保護能力。

4.事后治理

事后治理主要是慢查詢治理。由于混合云上要兼容產(chǎn)品比較多通過云商接口，拉文件的原始分析方式實現(xiàn)比較麻煩，具備全量SQL的能力后實現(xiàn)就較為簡潔，后續(xù)接入多家云或兼容MySQL協(xié)議的產(chǎn)品時，能更好實現(xiàn)慢查詢分析、分析及安全審計等能力。

使用單一云較為簡單，而在混合云上時，為了某一能力的統(tǒng)一化或標(biāo)準(zhǔn)化，就不得不把管控系統(tǒng)設(shè)計得很復(fù)雜。

5.后續(xù)計劃

前文提到，我們統(tǒng)計80%的SQL問題是索引問題。如上圖統(tǒng)計，生產(chǎn)環(huán)境中單列索引占比77%，復(fù)合索引只占了13%，同時復(fù)合查詢條件占比91%。由此可以看出，用23%的復(fù)合索引服務(wù)91%的復(fù)合查詢顯然是不夠的，意味著可能是存在很多SQL執(zhí)行計劃不佳的情況。

過去的開源建設(shè)是針對單個索引、單個SQL的最佳推薦，但具備了全量SQL采集分析能力后，可以做全局性最佳索引的推薦。在數(shù)據(jù)統(tǒng)計維度，可以基于代價進行評估給出整張表綜合索引的建議，進而自動創(chuàng)建和維護索引。

二、深度觀測：全量SQL分析與挖掘

1.為什么要做全量SQL分析？

1）應(yīng)用場景：問題分析定位

全量SQL的應(yīng)用場景比較多。如上圖所示，例如數(shù)據(jù)庫CPU很高或抖了一下是哪些SQL導(dǎo)致的，這些SQL的具體執(zhí)行情況，包括時間響應(yīng)、返回行數(shù)、掃描行數(shù)等。

2）SQL挖掘：深度治理

基于全量SQL分析表、索引是否已廢棄，不同db的熱點表、熱點SQL，單條SQL RT是否穩(wěn)定，甚至可以分析表的活躍數(shù)據(jù)情況等治理場景。

3）兼容混合云產(chǎn)品、統(tǒng)一問題排查

由于混合云產(chǎn)品的差異性與企業(yè)統(tǒng)一管理的矛盾，給問題分析或日常應(yīng)用帶來很大困擾，因此產(chǎn)品設(shè)計時要格外考慮多云兼容性。

有時候，單一云確實提升了某一能力，但混合云下，服務(wù)整體功能的設(shè)計更加復(fù)雜。

2.全量SQL分析實現(xiàn)

全量SQL分析實現(xiàn)的基本流程：SQL請求DAL之后，DAL將SQL轉(zhuǎn)發(fā)到Kafka里面，然后再根據(jù)業(yè)務(wù)場景需要進行消費處理。

比如分析某一個字段是否有在用，只需要通過指紋去重，抓取這一段時間內(nèi)所有這個表的SQL請求，并進行參數(shù)解析，就能輕易分析出所需要的字段。

還比如熱點表、熱點SQL、SQL波動，經(jīng)過先前處理后，可直接通過原數(shù)據(jù)查詢。

通過對一段時間內(nèi)的SQL查詢返回數(shù)據(jù)記錄，分析出活躍數(shù)據(jù)量占比，來指導(dǎo)研發(fā)合理的規(guī)定設(shè)置。

上圖是做采樣的一個樣例，它的維度很豐富，我們可以基于SQL的采樣，進行大量統(tǒng)計分析的工作。

通過top SQL可以分析某個時間段內(nèi)SQL執(zhí)行占比情況，進而推測數(shù)據(jù)庫性能開銷情況，對深入問題分析有比較大的幫助作用。

上圖是第二個應(yīng)用場景，通過波動SQL，查詢不穩(wěn)定集群。預(yù)處理每條SQL時，我們記錄了SQL RT 的p50跟p95時長，把每一個集群下每一條SQL的p95跟p50去做差，然后聚合、排序。波動越大，聚合的差值越大，就大致能推測這個集群是不穩(wěn)定的。

從上圖左下方的圖表可知，它的CPU經(jīng)常具有毛刺。但日常中DBA很難根據(jù)經(jīng)驗照顧到每一個集群，所以需要拉取這些數(shù)據(jù)進行分析或日常治理。

再如DBA發(fā)現(xiàn)某個DB TOP 1的SQL執(zhí)行的次數(shù)幾乎是TOP 2的10倍，分析這個SQL發(fā)現(xiàn)它是一個司機登錄場景。由于活躍的司機體量是有限的，司機登錄動作達到每秒幾萬，這顯然是不合理的。

與研發(fā)溝通后，我們找到了原因：這是典型的業(yè)務(wù)設(shè)計問題，也是一個基礎(chǔ)編碼問題。

三、容量預(yù)測：數(shù)據(jù)庫仿真流量測壓

1.數(shù)據(jù)庫容量評估

基于云上技術(shù)的紅利，從存儲計算一體化的架構(gòu)演進為存儲計算分離的架構(gòu)，具備了快速容量彈性的能力。未來目標(biāo)是做到ServerLess化，但目前仍需要一些時間和數(shù)據(jù)進行驗證。

雖然實現(xiàn)了存算分離實現(xiàn)快速擴縮容，但是容量評估仍舊是根據(jù)DBA經(jīng)驗來判斷的，缺乏一些相應(yīng)的數(shù)據(jù)支撐。

2.數(shù)據(jù)庫容量壓測

1）BenchMark

由于BenchMark壓測與真實環(huán)境的SQL表現(xiàn)差距巨大，因此不能用于容量評估。

近年來流行的SQLReplay等流量回放工具，核心就是利用抓包的方式將SQL記錄下來然后機械能回放。它主要的問題是：一方面抓包容易缺漏，另一方面是SQL維度信息缺失難以支持還原真實場景。

2）全鏈路壓測

現(xiàn)在比較流行的方式是全鏈路壓測。它存在的問題是，在真實的業(yè)務(wù)場景下，APP ID之間的調(diào)用關(guān)系極其復(fù)雜。理論上使用全鏈路壓測的方式可以進行壓測評估，但實際應(yīng)用中數(shù)據(jù)上下游調(diào)用可能會造失真的問題，會存在壓不到、壓得過多或過少的情況。

同時，也存在數(shù)據(jù)熱點問題。全鏈路壓測有時會模擬一定的用戶、司機數(shù)據(jù)，通常這個量不會特別大，幾百條、上千條就已經(jīng)算是比較多的。由于數(shù)據(jù)庫有cache，很多查詢不回表，所以無法反映真實的數(shù)據(jù)庫的實際負(fù)載情況。

3）仿真流量壓測

在具備了全量SQL后，我們提出了仿真流量壓測。它的大概流程是：高峰期內(nèi)，SQL將流量錄制下來保存至Kafka低峰期內(nèi)，進行相應(yīng)的消息處理后進行仿真回放。

主要問題：

壓測冪：比如壓測1000次理論上這1000次在任意時間點執(zhí)行SQL的內(nèi)容、數(shù)量以及并發(fā)度都要求保持一致，這是非常困難的；

流量縮放：如果是1:1的回放，理論上是可以還原的。但研發(fā)可能對放量百分比產(chǎn)生疑問，比如流量增加120%，數(shù)據(jù)庫能否撐得住？這種時候只能通過經(jīng)驗預(yù)估容量。成倍放大是容易的，但成比例放大就很麻煩。

主要缺點：

• 使用真實生產(chǎn)環(huán)境進行回訪，不能執(zhí)行DML導(dǎo)致失真；
• 不能保證100%的仿真度，只能無限接近。

3.數(shù)據(jù)庫容量評估應(yīng)用

實際進行壓縮時，我們劃出一條以CPU為主的基準(zhǔn)線，安全的上限值是45%。超過45%之后，無論數(shù)據(jù)庫是否能承受都需要進行擴容。基于這個基線進行壓測，CPU壓到45%時當(dāng)前QPS即是容量的上限水位，這就有利于研發(fā)和DBA后續(xù)直觀地看到容量情況。

目前這一塊內(nèi)容并未完全落地，整體處于開發(fā)階段，我們在理論上還原了SQL執(zhí)行順序與并發(fā)情況。整體并發(fā)模型還需要做深入的打磨跟優(yōu)化。

4.為什么要圍繞SQL死磕？

根據(jù)真實生產(chǎn)的統(tǒng)計，我們將近70%的數(shù)據(jù)庫實際規(guī)格都低于8C。

使用這種小規(guī)格的服務(wù)器，數(shù)據(jù)庫的彈性能力是非常差的，SQL稍有問題都可能擊穿數(shù)據(jù)庫。由于使用的是混合云，無法將數(shù)據(jù)庫穩(wěn)定性保障交給云商統(tǒng)一解決，因此我們只能在現(xiàn)有能力下，構(gòu)建兼容多云的統(tǒng)一管理能力。

數(shù)據(jù)庫最大的兩個挑戰(zhàn)：高并發(fā)+大容量。雖然目前貨拉拉還沒有面臨大容量與高并發(fā)的場景，但已初顯端倪，不到3年，我們數(shù)據(jù)庫QPS流量增長了近10倍。

在可預(yù)見的未來，如果我們的訂單再增加1倍，流量可能會增加10倍，現(xiàn)存的SQL問題到時將會更加突出，這也是DBA圍繞SQL進行能力建設(shè)的原因之一。

5.后續(xù)規(guī)劃

目前平臺初步具備了DAS功能的雛形，距離比較完善的產(chǎn)品形態(tài)還要繼續(xù)進行打磨。