謹防索引 seeks 的效率低下

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。

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

在該分析服務的日誌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。

但經過詳細分析之後，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。

下面是關於對這個問題的分析、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。

那麼，是什麼操作會導致數據庫 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)、最後修改時間(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。

由於工單表非常大(千萬級)，所以在處理時會採用分頁的做法(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，以第一次拉取的最後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})

儘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，而後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

官方文檔對於 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)，執行器必須將遊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)，對於連續的葉子節點掃描來說是非常快的(只需要一次尋址)，那麼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 是怎麼產生的，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(一些舊記錄並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")

執行後的結果為：

"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,

這裡發現，去掉 exists 之後，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，然而由於掃描範圍非常大，

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徵：同一個工單號是存在兩條記錄的！於是可以說明：

- 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，我們對後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。

那麼，是不是意味著在後面的數據中，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(從後往前掃描):

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，幾乎不需要什麼 seeks 操作！

經過一番確認後，我們獲知了在所有數據的分佈中，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。

於是就會出現一開始提到的，第一次查詢非常慢甚至超時，而後面的查詢就快了。

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，從後面開始檢索

優化思路

通過分析，我們知道了問題的癥結在於索引的掃描範圍過大，那麼如何優化，以避免掃描大量記錄呢？

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

於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佈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。

那麼，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,

這樣優化之後，每次查詢最多隻掃描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。

在對於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，那麼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。

華為技術專家，多年互聯網研發/架設經驗，關注NOSQL 中間件高可用及彈性擴展，在分佈式系統架構性能優化方面有豐富的實踐經驗，目前從事物聯網平臺研發工作，致力於打造大容量高可用的物聯網服務。

MongoDB中文社區，一個mongoers都會來的社區

關注我們，獲取更多精彩內容