背景

最近線上的一個工單分析服務一直不大穩定，監控平臺時不時發出數據庫操作超時的告警。

運維兄弟溝通后，發現在每天凌晨1點都會出現若干次的業務操作失敗，而數據庫監控上并沒有發現明顯的異常。

在該分析服務的日志中發現了某個數據庫操作產生了 SocketTimeoutException。

開發同學一開始希望通過調整 MongoDB Java Driver 的超時參數來規避這個問題。
但經過詳細分析之后，這樣是無法根治問題的，而且超時配置應該如何調整也難以評估。

下面是關于對這個問題的分析、調優的過程。

初步分析

從出錯的信息上看，是數據庫的操作響應超時了，此時客戶端配置的 SocketReadTimeout 為 60s。
那么，是什么操作會導致數據庫 60s 還沒能返回呢？

業務操作

左邊的數據庫是一個工單數據表(t_work_order)，其中記錄了每張工單的信息，包括工單編號(oid)、最后修改時間(lastModifiedTime)

分析服務是Java實現的一個應用程序，在每天凌晨1:00 會拉取出前一天修改的工單信息(要求按工單號排序)進行處理。

由于工單表非常大(千萬級)，所以在處理時會采用分頁的做法(每次取1000條)，使用按工單號翻頁的方式：

第一次拉取

db.t_work_order.find({
  "lastModifiedTime":{
   $gt: new Date("2019-04-09T09:44:57.106Z"),
   $lt: new Date("2019-04-09T10:44:57.106Z")}, 
  "oid": {$exists: true}})
  .sort({"oid":1}).limit(1000)

第二次拉取，以第一次拉取的最后一條記錄的工單號作為起點

db.t_work_order.find({
  "lastModifiedTime":{
   $gt: new Date("2019-04-09T09:44:57.106Z"),
   $lt: new Date("2019-04-09T10:44:57.106Z")}, 
  "oid": {$exists: true, $gt: "VXZ190"}})
  .sort({"oid":1}).limit(1000)
..

根據這樣的查詢，開發人員給數據表使用的索引如下：

db.t_work_order.ensureIndexes({
  "oid" : 1,
  "lastModifiedTime" : -1
})

盡管該索引與查詢字段基本是匹配的，但在實際執行時卻表現出很低的效率：
第一次拉取時間非常的長，經常超過60s導致報錯，而后面的拉取時間則會快一些

為了精確的模擬該場景，我們在測試環境中預置了小部分數據，對拉取記錄的SQL執行Explain:

db.t_work_order.find({
  "lastModifiedTime":{
   $gt: new Date("2019-04-09T09:44:57.106Z"),
   $lt: new Date("2019-04-09T10:44:57.106Z")}
  "oid": {$exists: true}})
  .sort({"oid":1}).limit(1000)
  .explain("executionStats")

輸出結果如下

"nReturned" : 1000,
"executionTimeMillis" : 589,
"totalKeysExamined" : 136661,
"totalDocsExamined" : 1000,

...

"indexBounds" : {
    "oid" : [
        "[MinKey, MaxKey]"
    ],
    "lastModifiedTime" : [
        "(new Date(1554806697106), new Date(1554803097106))"
    ]
},
"keysExamined" : 136661,
"seeks" : 135662,

在執行過程中發現，檢索1000條記錄，居然需要掃描 13.6 W條索引項！

其中，幾乎所有的開銷都花費在了 一個seeks操作上了。

索引seeks的原因

官方文檔對于 seeks 的解釋如下：

The number of times that we had to seek the index cursor to a new position in order to complete the index scan.

翻譯過來就是：

seeks 是指為了完成索引掃描(stage)，執行器必須將游標定位到新位置的次數。

我們都知道 MongoDB 的索引是B+樹的實現(3.x以上)，對于連續的葉子節點掃描來說是非常快的(只需要一次尋址)，那么seeks操作太多則表示整個掃描過程中出現了大量的尋址(跳過非目標節點)。
而且，這個seeks指標是在3.4版本支持的，因此可以推測該操作對性能是存在影響的。

為了探究 seeks 是怎么產生的，我們對查詢語句嘗試做了一些變更：

去掉 exists 條件

exists 條件的存在是因為歷史問題(一些舊記錄并不包含工單號的字段)，為了檢查exists查詢是否為關鍵問題，修改如下：

db.t_work_order.find({
  "lastModifiedTime":{
   $gt: new Date("2019-04-09T09:44:57.106Z"),
   $lt: new Date("2019-04-09T10:44:57.106Z")}
  })
  .sort({"oid":1}).limit(1000)
  .explain("executionStats")

執行后的結果為：

"nReturned" : 1000,
"executionTimeMillis" : 1533,
"totalKeysExamined" : 272322,
"totalDocsExamined" : 272322,
 
...

"inputStage" : {
  "stage" : "FETCH",
  "filter" : {
      "$and" : [
          {
              "lastModifiedTime" : {
                  "$lt" : ISODate("2019-04-09T10:44:57.106Z")
              }
          },
          {
              "lastModifiedTime" : {
                  "$gt" : ISODate("2019-04-09T09:44:57.106Z")
              }
          }
      ]
},

...

"indexBounds" : {
    "oid" : [
        "[MinKey, MaxKey]"
    ],
    "lastModifiedTime" : [
        "[MaxKey, MinKey]"
    ]
},
"keysExamined" : 272322,
"seeks" : 1,

這里發現，去掉 exists 之后，seeks 變成了1次，但整個查詢掃描了 27.2W 條索引項！ 剛好是去掉之前的2倍。

seeks 變為1次說明已經使用了葉節點順序掃描的方式，然而由于掃描范圍非常大，為了找到目標記錄，會執行順序掃描并過濾大量不符合條件的記錄。

在 FETCH 階段出現了 filter可說明這一點。與此同時，我們檢查了數據表的特征：同一個工單號是存在兩條記錄的！于是可以說明：

在存在exists查詢條件時，執行器會選擇按工單號進行seeks跳躍式檢索，如下圖：

在不存在exists條件的情況下，執行器選擇了葉節點順序掃描的方式，如下圖：

gt 條件和反序

除了第一次查詢之外，我們對后續的分頁查詢也進行了分析，如下：

db.t_work_order.find({
  "lastModifiedTime":{
   $gt: new Date("2019-04-09T09:44:57.106Z"),
   $lt: new Date("2019-04-09T10:44:57.106Z")}, 
  "oid": {$exists: true, $gt: "VXZ190"}})
  .sort({"oid":1}).limit(1000)
  .explain("executionStats")

上面的語句中，主要是增加了$gt: "VXZ190"這一個條件，執行過程如下：

"nReturned" : 1000,
"executionTimeMillis" : 6,
"totalKeysExamined" : 1004,
"totalDocsExamined" : 1000,

...

"indexBounds" : {
  "oid" : [ 
    "(\"VXZ190\", {})"
  ],
  "lastModifiedTime" : [ 
    "(new Date(1554806697106), new Date(1554803097106))"
  ]
},
"keysExamined" : 1004,
"seeks" : 5,

可以發現，seeks的數量非常少，而且檢索過程只掃描了1004條記錄，效率是很高的。

那么，是不是意味著在后面的數據中，滿足查詢的條件的記錄非常密集呢？

為了驗證這一點，我們將一開始第一次分頁的查詢做一下調整，改為按工單號降序的方式(從后往前掃描):

db.t_work_order.find({
  "lastModifiedTime":{
   $gt: new Date("2019-04-09T09:44:57.106Z"),
   $lt: new Date("2019-04-09T10:44:57.106Z")}, 
  "oid": {$exists: true}})
  .sort({"oid":-1}).limit(1000)
  .explain("executionStats")

新的"反序查詢語句"的執行過程如下：

"nReturned" : 1000,
"executionTimeMillis" : 6,
"totalKeysExamined" : 1001,
"totalDocsExamined" : 1000,

...

"direction" : "backward",
"indexBounds" : {
  "oid" : [ 
    "[MaxKey, MinKey]"
  ],
  "lastModifiedTime" : [ 
    "(new Date(1554803097106), new Date(1554806697106))"
  ]
},
"keysExamined" : 1001,
"seeks" : 2,

可以看到，執行的效率更高了，幾乎不需要什么 seeks 操作！

經過一番確認后，我們獲知了在所有數據的分布中，工單號越大的記錄其更新時間值也越大，基本上我們想查詢的目標數據都集中在尾端。

于是就會出現一開始提到的，第一次查詢非常慢甚至超時，而后面的查詢就快了。

上面提到的兩個查詢執行路線如圖所示：

加入$gt 條件，從中間開始檢索

反序，從后面開始檢索

優化思路

通過分析，我們知道了問題的癥結在于索引的掃描范圍過大，那么如何優化，以避免掃描大量記錄呢？

從現有的索引及條件來看，由于同時存在gt、exists以及葉子節點的時間范圍限定，不可避免的會產生seeks操作，
而且查詢的性能是不穩定的，跟數據分布、具體查詢條件都有很大的關系。

于是一開始所提到的僅僅是增加 socketTimeout 的閾值可能只是治標不治本，一旦數據的索引值分布變化或者數據量持續增大，可能會發生更嚴重的事情。

回到一開始的需求場景，定時器要求讀取每天更新的工單(按工單號排序)，再進行分批處理。

那么，按照化零為整的思路，新增一個lastModifiedDay字段，這個存儲的就是lastModifiedTime對應的日期值(低位取整)，這樣在同一天內更新的工單記錄都有同樣的值。

建立組合索引 {lastModifiedDay:1, oid:1}，相應的查詢條件改為：

{
 "lastModifiedDay": new Date("2019-04-09 00:00:00.000")，
 "oid": {$gt: "VXZ190"}
} 
-- limit 1000

執行結果如下：

"nReturned" : 1000,
"executionTimeMillis" : 6,
"totalKeysExamined" : 1000,
"totalDocsExamined" : 1000,

...

"indexBounds" : {
    "lastModifiedDay" : [
        "(new Date(1554803000000), new Date(1554803000000))"
    ],
    "oid" : [
        "(\"VXZ190\", {})"
    ]
},
"keysExamined" : 1000,
"seeks" : 1,

這樣優化之后，每次查詢最多只掃描1000條記錄，查詢速度是非常快的！

小結

本質上，這就是一種空間換時間的方法，即通過存儲一個額外的索引字段來加速查詢，通過增加少量的存儲開銷提升了整體的效能。

在對于許多問題進行優化時，經常是需要從應用場景觸發，適當的轉換思路。

比如在本文的問題中，是不是一定要增加字段呢？如果業務上可以接受不按工單號排序進行讀取，那么僅使用更新時間字段進行分頁拉取也是可以達到效果的，具體還是要由業務場景來定。

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對腳本之家的支持。