1事件起源

 整个事件的起源还要从笔者最近入职了一家区块链金融公司来说起（为了保密性，不便透露公司名字），公司业务发展比较迅猛，突破百万用户也是近在眼前。整个系统都在阿里云上运行，每天都能看到用户的不断增长，即兴奋又担忧，为什么这么说呢？

 由于笔者过来的时候这里业务就已经上线了，系统接过来之后，快速了解了所有的应用服务都是在docker swarm跑起来的，也包括mysql数据库，以至于笔者就有了迁库的想法，按照这种用户量发展下去，mysql在容器中运行用不了多久肯定会撑不住。

 笔者就开始隐隐的担忧起来，毕竟不想每天提心吊胆的做运维。所以立马重新规划了新的方案和大家一起探讨，最终总监和相关技术负责人都敲定用RDS做为数据库新的方案，周星驰的功夫中也说道过：“天下武功，唯快不破”。就立马开始动身干起来。

2迁移计划

2.1原架构图

分析架构图

1、从入口层（CDN）---> 到安全层（WAF） ---> 最后到达应用层 （ECS集群）；
2、Docker Swarm打通了ECS集群中的每台服务器，在每台ECS宿主机安装Docker engine并部署了公司需要的应用服务和数据库（nginx、php、redis、mysql等）；
3、mysql容器通过宿主机的本地（目录）挂载到容器中实现数据持久化；
4、业务项目以php为主，php也是运行在容器中，通过php指定的配置文件连接到mysql容器中。

其中一个库的 docker-compose yaml文件

笔者就随便展示一下其中一个库的yaml文件，比较简单：

version: "3"
services:
  ussbao:
    # replace username/repo:tag with your name and image details
    image: 隐藏此镜像信息
    deploy:
      replicas: 1
      restart_policy:
        condition: on-failure
    environment:
      MYSQL_ROOT_PASSWORD: 隐藏此信息
    volumes:
      - "/data//mysql/db1/:/var/lib/mysql/"
      - "/etc/localtime:/etc/localtime"
      - "/etc/timezone:/etc/timezone"
networks:
  default:
    external:
      name: 隐藏此信息

从上面的信息可以看出来，每个库只运行了一个mysql容器，并没有主从或读写分离的方案。而且也没有对数据库进行做任何优化，数据库这样跑下去让笔者很担忧，正常来说，都会把数据库独立部署运行。

2.2调整后架构图

 从上图可以看出来，笔者只是把mysql独立出来了，开通RDS实例来跑数据库，当然还开通了其它的一些服务（比如oss、云redis等），这些不是本文的重点，就没有画出来。nginx和php服务还是在docker swarm中运行。本文只是对迁移后出了问题的库进行分享，下面来看看迁移的方案吧。

2.3 迁移流程方案

开通RDS实例 ---> 备份sql ----> 导入到RDS ---> 修改数据库配置文件 --->测试验证

1、根据业务量规划开通RDS实例，创建数据库和用户；
2、提前做好RDS白名单，添加允许访问RDS的IP地址；
3、mysqldump 备份docker 中的mysql;
4、把备份好的.sql文件导入到RDS中；
5、修改php项目的数据库配置文件；
6、清空php项目的缓存文件或目录；
7、测试验证；
8、RDS定时备份；

 具体迁移细节就不展示了，笔者是在夜深人静的时候进行迁移操作的，确定大半夜没人访问我们的APP和网站了才开干的。

 我们的业务情况还有点像股市，我们是晚上12点不许操作和交易，第2天早上9点开盘，9点钟是并发的高峰期，就像朝阳大悦城上午开门一样，大批的顾客同时并发过来了。

 所以那天晚上在12点15分准时开干，按计划和提前准备的配置、命令、脚本进行操作的。把docker 中运行的mysql迁移到RDS上非常顺利，好几个库迁移不到半个小时就结束了，并且把网站和APP的流程都跑了一遍，也都是妥妥的，最终把提前准备好备份脚本放在crontab中定时执行，可以来看下脚本内容：

#!/bin/bash
#数据库IP
dbserver='*******'
#数据库用户名
dbuser='ganbing'
#数据库密码
dbpasswd='************'
#备份数据库,多个库用空格隔开
dbname='db1 db2 db3'
#备份时间
backtime=`date +%Y%m%d%H%M`
out_time=`date +%Y%m%d%H%M%S`
#备份输出路径
backpath='/data/backup/mysql/'
logpath=''/data/backup/logs/'

echo "################## ${backtime} #############################" 
echo "开始备份" 
#日志记录头部
echo "" >> ${logpath}/${dbname}_back.log
echo "-------------------------------------------------" >> ${logpath}/${dbname}_back.log
echo "备份时间为${backtime},备份数据库 ${dbname} 开始" >> ${logpath}/${dbname}_back.log

#正式备份数据库
for DB in $dbname; do
  source=`/usr/bin/mysqldump  -h ${dbserver} -u ${dbuser} -p${dbpasswd} ${DB} > ${backpath}/${DB}-${out_time}.sql` 2>> ${backpath}/mysqlback.log;
  #备份成功以下操作
  if [ "$?" == 0 ];then
    cd $backpath
    #为节约硬盘空间，将数据库压缩
    tar zcf ${DB}-${backtime}.tar.gz ${DB}-${backtime}.sql > /dev/null
    #删除原始文件，只留压缩后文件
    rm -f ${DB}-${backtime}.sql
    #删除15天前备份，也就是只保存15天内的备份
    find $backpath -name "*.tar.gz" -type f -mtime +15 -exec rm -rf {} \; > /dev/null 2>&1
    echo "数据库 ${dbname} 备份成功!!" >> ${logpath}/${dbname}_back.log
  else
  #备份失败则进行以下操作
  echo "数据库 ${dbname} 备份失败!!" >> ${logpath}/${dbname}_back.log
  fi
done

echo "完成备份"
echo "################## ${backtime} #############################"

到了1点钟，确定没问题后发通知到群里，发微信给领导表示已迁移完成，进行很顺利，然后笔者打车回家，睡觉。

3雪崩来临

其实这一晚笔者睡得也不踏实，到了8点半就醒了，因为我们9点钟开盘，会有大量的客户涌进，每天开始产生新的交易（买入和卖出）,给大家看下截图：

果不其然，9点过后，笔者打开APP，一切正常，点击切换几个界面后，发现其中一个功能的请求超时了，一直在转，然后紧接着其它功能也超时了。完了，出问题了。赶紧开笔记本查问题，过了一会儿群里就开始沸腾了（反映好多客户打开APP都显示请求超时了），我的电话也立马响了，技术总监打来的，问我怎么回事，我说正在开笔记本排查。

这个时候，我要说明一下：运维人员此时需要冷静并且安静的处理问题，公司领导千万别催得太急以免打乱处理人的思路。我们总监临场处理能力做得真是非常到位，马上跟我说不用担心上面压力，有他扛着，叫我只管排查和解决问题。

4紧急处理

4.1 排查问题

笔记本打开后，首先想到的就是RDS数据库出了问题，登录阿里云，进入RDS中的DMS数据管理控制台，一进去就傻眼了 “CPU爆了”，这么多连接数，如下图：

进入会话去看看，发现会话“炸锅了”，发现几百页的select都挤在ub_user_calculate这个表中,这个表是数据量相对大一些，这张表目前有200多万条数据：
![]

自然反应就是去查看此表的结构，发现此表没有索引，被惊讶到了，竟然没有索引，这...... 然后笔者返回源数据库查看这张表，也发现没有索引，由此可以确定我导过来的这张表就是没有创建索引，如下图：

分析：当数据库中出现访问表的SQL没创建索引导致全表扫描，如果表的数据量很大扫描大量的数据，执行效率过慢，占用数据库连接，连接数堆积很快达到数据库的最大连接数设置，新的应用请求将会被拒绝导致故障发生。

4.2 解决问题

赶紧把此事反应给开发负责人，表明问题根源找到了，会话锁死了，由其中的一张表没有索引而导致的，问询问需要给哪几个字段加索引。然后接着操作增加索引：

点击保存后，发现创建索引的sql一直卡死着,，如下图所示：


突然想起来还有一堆会话在那里，先kill 掉所有会话吧，不然索引肯定创建不了，然后又发现会话根本杀不完，如下图：

怎么办呢？会话杀不完...

没办法，先把访问入口切断吧，反正现在用户访问也超时，就毅然绝对先把域名停了，访问入口给切断了，然后在增加索引，索引加上了。

入口也断了，索引也加上了，发现CPU还下去，如下图：

为了快速让CPU降下去，重启这个实例吧：

实例重启完后，CPU下去了，会话也下去了：

开启入口层的域名访问吧，在次观察现在的会话和CPU等况，如下图：

这就对了，会话也正常了，通知领导业务恢复。。。

笔者后期补的一张图：在来看一下服务器CPU情况（迁移MYSQL后的情况），明显逐渐好转。

5索引使用策略及优化

创建索引

• 在经常查询而不经常增删改操作的字段加索引。
• order by与group by后应直接使用字段，而且字段应该是索引字段。
• 一个表上的索引不应该超过6个。
• 索引字段的长度固定，且长度较短。
• 索引字段重复不能过多，如果某个字段为主键，那么这个字段不用设为索引。
• 在过滤性高的字段上加索引。

使用索引注意事项

• 使用like关键字时，前置%会导致索引失效。
• 使用null值会被自动从索引中排除，索引一般不会建立在有空值的列上。
• 使用or关键字时，or左右字段如果存在一个没有索引，有索引字段也会失效。
• 使用!=操作符时，将放弃使用索引。因为范围不确定，使用索引效率不高，会被引擎自动改为全表扫描。
• 不要在索引字段进行运算。
• 在使用复合索引时，最左前缀原则，查询时必须使用索引的第一个字段，否则索引失效；并且应尽量让字段顺序与索引顺序一致。
• 避免隐式转换，定义的数据类型与传入的数据类型保持一致。

参考：https://help.aliyun.com/document_detail/52274.html?spm=a2c4g.11174283.6.812.ZGPyBQ

6总结

1、此次故障虽然是表没有索引造成的，但是笔者是有责任的，没有挨个表检查一下表的结构；
2、通过此次故障也可以看出来开发在设计表的真的要非常的重视，注意细节；
3、还有就是之前在容器中运行的mysql也时不时的出现CPU瓶颈（比如CPU使用率偶尔会达到80%以上），笔者应该就要提前发现这些问题，彻底排查找出问题所在原因在进行迁库的操作。

本章内容到此结束，喜欢我的文章，请点击最上方右角处的《关注》！！！