MYSQL深潜 - 剖析Performance Schema内存管理

一  引言

MYSQL Performance schema(PFS)是mysql提供的强大的性能监控诊断工具，提供了一种能够在运行时检查server内部执行情况的特方法。PFS通过监视server内部已注册的事件来收集信息，一个事件理论上可以是server内部任何一个执行行为或资源占用，比如一个函数调用、一个系统调用wait、SQL查询中的解析或排序状态，或者是内存资源占用等。

PFS将采集到的性能数据存储在performance_schema存储引擎中，performance_schema存储引擎是一个内存表引擎，也就是所有收集的诊断信息都会保存在内存中。诊断信息的收集和存储都会带来一定的额外开销，为了尽可能小的影响业务，PFS的性能和内存管理也显得非常重要了。

本文主要是通过对PFS引擎的内存管理的源码的阅读，解读PFS内存分配及释放原理，深入剖析其中存在的一些问题，以及一些改进思路。本文源代码分析基于Mysql-8.0.24版本。

二  内存管理模型

PFS内存管理有几个关键特点：

• 内存分配以Page为单位，一个Page内可以存储多条record

• 系统启动时预先分配部分pages，运行期间根据需要动态增长，但page是只增不回收的模式

• record的申请和释放都是无锁的

1  核心数据结构

PFS_buffer_scalable_container是PFS内存管理的核心数据结构，整体结构如下图：

Container中包含多个page，每个page都有固定个数的records，每个record对应一个事件对象，比如PFS_thread。每个page中的records数量是固定不变的，但page个数会随着负载增加而增长。

2  Allocate时Page选择策略

PFS_buffer_scalable_container 是PFS内存管理的核心数据结构

涉及内存分配的关键数据结构如下：

PFS_PAGE_SIZE  // 每个page的大小, global_thread_container中默认为256PFS_PAGE_COUNT // page的最大个数，global_thread_container中默认为256
class PFS_buffer_scalable_container {  PFS_cacheline_atomic_size_t m_monotonic;            // 单调递增的原子变量，用于无锁选择page  PFS_cacheline_atomic_size_t m_max_page_index;       // 当前已分配的最大page index  size_t m_max_page_count;                            // 最大page个数，超过后将不再分配新page  std::atomic<array_type *> m_pages[PFS_PAGE_COUNT];  // page数组  native_mutex_t m_critical_section;                  // 创建新page时需要的一把锁}

首先 m_pages 是一个数组，每个page都可能有free的records，也有可能整个page都是busy的，Mysql采用了比较简单的策略，轮训挨个尝试每个page是否有空闲，直到分配成功。如果轮训所有pages依然没有分配成功，这个时候就会创建新的page来扩充，直到达到page数的上限。

轮训并不是每次都是从第1个page开始寻找，而是使用原子变量 m_monotonic 记录的位置开始查找， m_monotonic 在每次在page中分配失败是加1。

核心简化代码如下：

value_type *allocate(pfs_dirty_state *dirty_state) {  current_page_count = m_max_page_index.m_size_t.load();    monotonic = m_monotonic.m_size_t.load();  monotonic_max = monotonic + current_page_count;  while (monotonic < monotonic_max) {    index = monotonic % current_page_count;    array = m_pages[index].load();    pfs = array->allocate(dirty_state);    if  (pfs) {      // 分配成功返回      return pfs;    } else {      // 分配失败，尝试下一个page，       // 因为m_monotonic是并发累加的，这里有可能本地monotonic变量并不是线性递增的，有可能是从1 直接变为 3或更大，      // 所以当前while循环并不是严格轮训所有page，很大可能是跳着尝试，换者说这里并发访问下大家一起轮训所有的page。      // 这个算法其实是有些问题的，会导致某些page被跳过忽略，从而加剧扩容新page的几率，后面会详细分析。      monotonic = m_monotonic.m_size_t++;    }  }    // 轮训所有Page后没有分配成功，如果没有达到上限的话，开始扩容page  while (current_page_count < m_max_page_count) {    // 因为是并发访问，为了避免同时去创建新page，这里有一个把同步锁，也是整个PFS内存分配唯一的锁    native_mutex_lock(&m_critical_section);    // 拿锁成功，如果array已经不为null，说明已经被其它线程创建成功    array = m_pages[current_page_count].load();    if (array == nullptr) {      // 抢到了创建page的责任      m_allocator->alloc_array(array);      m_pages[current_page_count].store(array);      ++m_max_page_index.m_size_t;    }    native_mutex_unlock(&m_critical_section);        // 在新的page中再次尝试分配    pfs = array->allocate(dirty_state);    if (pfs) {      // 分配成功并返回      return pfs;    }    // 分配失败，继续尝试创建新的page直到上限  }}

我们再详细分析下轮训page策略的问题，因为 m_momotonic 原子变量的累加是并发的，会导致一些page被跳过轮训它，从而加剧了扩容新page的几率。

举一个极端一些的例子，比较容易说明问题，假设当前一共有4个page，第1、4个page已满无可用record，第2、3个page有可用record。

当同时来了4个线程并发Allocate请求，同时拿到了的m_monotonic=0.

monotonic = m_monotonic.m_size_t.load();

这个时候所有线程尝试从第1个page分配record都会失败(因为第1个page是无可用record)，然后累加去尝试下一个page

monotonic = m_monotonic.m_size_t++;

这个时候问题就来了，因为原子变量++是返回最新的值，4个线程++成功是有先后顺序的，第1个++的线程后monotonic值为2，第2个++的线程为3，以次类推。这样就看到第3、4个线程跳过了page2和page3，导致3、4线程会轮训结束失败进入到创建新page的流程里，但这个时候page2和page3里是有空闲record可以使用的。

虽然上述例子比较极端，但在Mysql并发访问中，同时申请PFS内存导致跳过一部分page的情况应该还是非常容易出现的。

3  Page内Record选择策略

PFS_buffer_default_array 是每个Page维护一组records的管理类。

关键数据结构如下：

class PFS_buffer_default_array {PFS_cacheline_atomic_size_t m_monotonic;      // 单调递增原子变量，用来选择free的recordsize_t m_max;                                 // record的最大个数T *m_ptr;                                     // record对应的PFS对象，比如PFS_thread}

每个Page其实就是一个定长的数组，每个record对象有3个状态 FREE ， DIRTY ,  ALLOCATED ， FREE 表示空闲record可以使用， ALLOCATED 是已分配成功的， DIRTY 是一个中间状态，表示已被占用但还没分配成功。

Record的选择本质就是轮训查找并抢占状态为free的record的过程。

核心简化代码如下：

value_type *allocate(pfs_dirty_state *dirty_state) {  // 从m_monotonic记录的位置开始尝试轮序查找  monotonic = m_monotonic.m_size_t++;  monotonic_max = monotonic + m_max;
  while (monotonic < monotonic_max) {    index = monotonic % m_max;    pfs = m_ptr + index;      // m_lock是pfs_lock结构，free/dirty/allocated三状态是由这个数据结构来维护的    // 后面会详细介绍它如何实现原子状态迁移的    if (pfs->m_lock.free_to_dirty(dirty_state)) {      return pfs;    }    // 当前record不为free,原子变量++尝试下一个    monotonic = m_monotonic.m_size_t++;  }}

选择record的主体主体流程和选择page基本相似，不同的是page内record数量是固定不变的，所以没有扩容的逻辑。

当然选择策略相同，也会有同样的问题，这里的 m_monotonic 原子变量++是多线程并发的，同样如果并发大的场景下会有record被跳过选择了，这样导致page内部即便有free的record也可能没有被选中。

所以也就是page选择即便是没有被跳过，page内的record也有几率被跳过而选不中，雪上加霜，更加加剧了内存的增长。

4  pfs_lock

每个record都有一个 pfs_lock ，来维护它在page中的分配状态(free/dirty/allocated)，以及 version 信息。

关键数据结构：

struct pfs_lock {
std::atomic m_version_state;
}

pfs_lock使用1个32位无符号整型来保存version+state信息，格式如下：

state
低2位字节表示分配状态。

state PFS_LOCK_FREE = 0x00
state PFS_LOCK_DIRTY = 0x01
state PFS_LOCK_ALLOCATED = 0x11

version

初始version为0，每分配成功一次加1，version就能表示该record被分配成功的次数

主要看一下状态迁移代码：

// 下面3个宏主要就是用来位操作的，方便操作state或version#define VERSION_MASK 0xFFFFFFFC#define STATE_MASK 0x00000003#define VERSION_INC 4
bool free_to_dirty(pfs_dirty_state *copy_ptr) {  uint32 old_val = m_version_state.load();
  // 判断当前state是否为FREE，如果不是，直接返回失败  if ((old_val & STATE_MASK) != PFS_LOCK_FREE) {    return false;  }
  uint32 new_val = (old_val & VERSION_MASK) + PFS_LOCK_DIRTY;
  // 当前state为free，尝试将state修改为dirty，atomic_compare_exchange_strong属于乐观锁，多个线程可能同时  // 修改该原子变量，但只有1个修改成功。  bool pass =      atomic_compare_exchange_strong(&m_version_state, &old_val, new_val);
  if (pass) {    // free to dirty 成功    copy_ptr->m_version_state = new_val;  }
  return pass;}
void dirty_to_allocated(const pfs_dirty_state *copy) {  /* Make sure the record was DIRTY. */  assert((copy->m_version_state & STATE_MASK) == PFS_LOCK_DIRTY);  /* Increment the version, set the ALLOCATED state */  uint32 new_val = (copy->m_version_state & VERSION_MASK) + VERSION_INC +                   PFS_LOCK_ALLOCATED;
  m_version_state.store(new_val);}

状态迁移过程还是比较好理解的, 由 dirty_to_allocated 和 allocated_to_free 的逻辑是更简单的，因为只有record状态是free时，它的状态迁移是存在并发多写问题的，一旦state变为dirty，当前record相当于已经被某一个线程占有，其它线程不会再尝试操作该record了。

version的增长是在state变为PFS_LOCK_ALLOCATED时

5  PFS内存释放

PFS内存释放就比较简单了，因为每个record都记录了自己所在的container和page，调用deallocate接口，最终将状态置为free就完成了。

最底层都会进入到pfs_lock来更新状态：

struct pfs_lock {  void allocated_to_free(void) {    /*      If this record is not in the ALLOCATED state and the caller is trying      to free it, this is a bug: the caller is confused,      and potentially damaging data owned by another thread or object.    */    uint32 copy = copy_version_state();    /* Make sure the record was ALLOCATED. */    assert(((copy & STATE_MASK) == PFS_LOCK_ALLOCATED));    /* Keep the same version, set the FREE state */    uint32 new_val = (copy & VERSION_MASK) + PFS_LOCK_FREE;
    m_version_state.store(new_val);  }}

三  内存分配的优化

前面我们分析到无论是page还是record都有几率出现跳过轮训的问题，即便是缓存中有free的成员也会出现分配不成功，导致创建更多的page，占用更多的内存。最主要的问题是这些内存一旦分配就不会被释放。

为了提升PFS内存命中率，尽量避免上述问题，有一些思路如下：

  while (monotonic < monotonic_max) {    index = monotonic % current_page_count;    array = m_pages[index].load();    pfs = array->allocate(dirty_state);    if  (pfs) {       // 记录分配成功的index       m_monotonic.m_size_t.store(index);      return pfs;    } else {      // 局部变量递增，避免掉并发累加而跳过某些pages      monotonic++;    }  }

另外一点，每次查找都是从最近一次分配成功的位置开始，这样必然导致并发访问的冲突，因为大家都从同一个位置开始找，起始查找位置应该加入一定的随机性，这样可以避免大量的冲突重试。

总结如下：

1. 每次Allocate是从最近一次分配成功的index开始查找，或者随机位置开始查找
   
   
2. 每个Allocate严格轮训所有pages或records

四  内存释放的优化

PFS内存释放的最大的问题就是一旦创建出的内存就得不到释放，直到shutdown。如果遇到热点业务，在业务高峰阶段分配了很多page的内存，在业务低峰阶段依然得不到释放。

要实现定期检测回收内存，又不影响内存分配的效率，实现一套无锁的回收机制还是比较复杂的。

主要有如下几点需要考虑：

1. 释放肯定是要以page为单位的，也就是释放的page内的所有records都必须保证都为free，而且要保证待free的page不会再被分配到
   
   
2. 内存分配是随机的，整体上内存是可以回收的，但可能每个page都有一些busy的，如何更优的协调这种情况
   
   
3. 释放的阈值怎么定，也要避免频繁分配+释放的问题

针对PFS内存释放的优化，PolarDB已经开发并提供了定期回收PFS内存的特性，鉴于本篇幅的限制，留在后续再介绍了。

五  关于我们

PolarDB 是阿里巴巴自主研发的云原生分布式关系型数据库，于2020年进入Gartner全球数据库Leader象限，并获得了2020年中国电子学会颁发的科技进步一等奖。PolarDB 基于云原生分布式数据库架构，提供大规模在线事务处理能力，兼具对复杂查询的并行处理能力，在云原生分布式数据库领域整体达到了国际领先水平，并且得到了广泛的市场认可。在阿里巴巴集团内部的最佳实践中，PolarDB还全面支撑了2020年天猫双十一，并刷新了数据库处理峰值记录，高达1.4亿TPS。欢迎有志之士加入我们，简历请投递到 zetao.wzt@alibaba-inc.com ，期待与您共同打造世界一流的下一代云原生分布式关系型数据库。

参考：

[1] MySQL Performance Schema
https://dev.mysql.com/doc/refman/8.0/en/performance-schema.html

[2] MySQL · 最佳实践 · 今天你并行了吗？---洞察PolarDB 8.0之并行查询
http://mysql.taobao.org/monthly/2019/11/01/

[3] Source code mysql / mysql-server 8.0.24
https://github.com/mysql/mysql-server/tree/mysql-8.0.24

---

高级应用技能进阶

本课程您将进行云开发高级应用的实战，包括几种常见应用的开发和部署，例如开Web应用和小程序等，基于开源应用快速创建和云原生的DevOps实践。1. Web、小程序和开源应用的上手实践；2. 云原生DevOps的实践；3. 与本地开发流程的集成。

点击阅读原文查看课程详情～