分清业务类型 选择合适的优化方法

今天，企业信息系统的绝大部分应用都属于数据库应用，数据库系统可以说是企业信息系统的核心。在数据库系统的实际应用环境中，我们经常会遇到访问量、带宽等瓶颈，影响数据库系统的整体运行效率，因此我们常常会寻求各种优化系统的方法。

    但是在笔者工作经验中，常常看见一些企业没有弄清楚自己的业务类型到底是什么，搞不清楚自身系统的瓶颈究竟在哪里，就开始盲目的寻求系统优化的方法，结果不但对系统性能没有任何的提高，甚至可能带来适得其反的效果。

    因此，在进行系统优化之前，搞清楚自己的业务类型是非常重要的，只有确定清除自身的业务类型后，才有可能对症下药对系统进行优化。一般而言，数据库系统的类型通常包括两种类型：OLTP和OLAP。

OLTP对服务器CPU的影响

    OLTP，也叫联机事务处理(Online Transaction Processing)，表示事务性非常高的系统，一般都是高可用的在线系统，以小的事务以及小的查询为主。在评估其系统的时候，一般看其每秒执行的transaction以及execute sql的数量。

    在这样的系统中，每秒处理的transaction往往超过几百个，或者是几千个，select 语句的执行量每秒几千甚至几万个。典型的OLTP系统如电子商务系统，银行，证卷等等，如美国ebay的业务数据库，就是很典型的OLTP数据库。

    OLTP系统最容易出现的瓶颈就是服务器系统的CPU与磁盘子系统。

    CPU的损耗取决于逻辑读以及内部调用的执行频度，如函数等等。对于这种类型的损耗，最有效的优化措施是对数据库语句做一定的优化。

    例如，一个执行频繁的SQL语句，即使每个语句只减少了很少的逻辑读，也相当于优化了逻辑读很差的大型语句，对整体系统性能能有较大的提高。很多人似乎感觉不到这里的作用，觉得一个语句几十个逻辑读，执行时间基本为0，就不需要优化了。其实，只要他的执行的频次非常频繁，而且有优化的余地，就一定要优化。减少一定的逻辑读或者降低执行次数，都是有效的优化方法。

    此外，数据库系统中一些计算性的函数，如sum，count，decode被非常频繁的使用，也会产生相当大的CPU损耗，笔者就曾经遇到一个系统，因为一个sql语句，大量的使用了sum与decode进行行列转换，结果这一个语句就耗费了整个机器一半以上的CPU。

    在一般的OLTP系统中，如果不考虑笔者上面所说的函数问题，那么，逻辑读乘以执行次数，就决定了cpu的消耗程度。

    比如一个语句，每秒执行次数为500次，每个逻辑读为15，但是，通过优化，能让每个语句的逻辑读从15降到10，那么，每秒的逻辑读就可以减少500*5=2500个，其实就是相当于优化了一个执行频率为每秒1次，每次逻辑读为2500个的语句（注意，2500个逻辑读，在OLTP系统中是非常差的语句）。

    再比如，我们假定一个1GHZ的cpu每秒能正常处理的逻辑读是100,000个，假定每个语句都包括10个逻辑读，那么这样的语句CPU每秒可以处理10,000个，而1000个逻辑读一个的语句，每秒则只能处理100个。很显然前一种情况相比后一种情况速度提升很多，因此整体系统的运行效率能够大幅度的提高。而当我们确定数据库的逻辑读速度后，我们也可以根据数据库的运行负荷来选择或者扩充服务器CPU。

OLTP对存储系统的影响

    我们在上面分析了OLTP的语句形式不同，对CPU不同的运行压力。同样的道理，物理读乘以执行次数，就决定了存储子系统的处理能力。

    在一个OLTP环境中，物理读一般都是db file sequential read决定的，也就是单块读，一个典型的OLTP系统，db file sequential read应当基本等于磁盘子系统的读IOPS。而磁盘子系统的IOPS处理能力，则是与cache命中率以及磁盘个数有很大的关系。

    在我此前的一些文章中，曾经详细分析过磁盘系统IOPS能力与缓存、cache命中率的关系。请参考RAID5和RAID10，哪种RAID适合你（下），在我的这篇文章中，我们发现一个15K转速的磁盘，每秒最多能处理的iops达到150个，基本就达到该磁盘的性能极限。在cache完全不命中的情况下， 100个磁盘最多能处理的IOPS也仅仅是15000个，而实际上，考虑到一些其他不可见的损耗，大多数都达不到这个值。因此提高cache命中率对于提高存储子系统的运行效率至关重要。

    OLTP数据库系统中最常用的技术就是cache技术与btree索引，通过各种有效的方式提高cache命中率，从而决定了很多语句不需要从磁盘子系统获得数据，因此能够大大的提高磁盘读取的速度。也因此，web cache与oracle data buffer对OLTP系统是很重要的。

    另外，在索引使用方面，语句是越简单越好，而且一定要使用绑定变量，减少语句解析，尽量减少关联，这样的好处是执行计划较为简单稳定。

    其它方面，基本不使用分区技术，MV技术，并行技术以及位图索引，因为并发量很高，批量更新可能要尽量快速提交避免阻塞的发生。

    根据笔者的经验，在美国ebay电子交易网站的数据库设计中，有一个很重要的点就是，数据库只负责存放数据，业务逻辑尽量在业务层实现，因为数据库扩展是困难的，而应用服务器扩展是简单的。这种规划是非常合理的，也就是说，在高可用的OLTP环境中，数据库使用越简单的功能越好

寻找OLAP的瓶颈
    OLAP，也叫联机分析(Online Analytical Processing)，有的时候也叫DSS决策支持系统，就是我们说的数据仓库。比较典型的系统包括一些高校的图书馆系统、医院的PACS系统等等。

    在这样的系统中，语句的执行量不是考核标准，因为一个语句的执行时间可能会非常长，读取的数据也非常多。所以，这样的系统中，考核的标准往往决定于磁盘子系统的吞吐量。

    磁盘子系统的吞吐量直接取决于磁盘的个数，这个时候cache基本对整体系统没有太多的影响，这个时候数据库的读写基本上是db file scattered read与direct path read/write。

    在我前面的文章RAID5和RAID10，哪种RAID适合你（下）中就描述过，如果一个15K的磁盘的IO量每秒13M，那么，100个磁盘，最多能提供的吞吐量则是1300M/s（实际上，也基本达不到这个值）。在磁盘个数足够的情况下，还需要考虑采用比较大的带宽，如4GB的光纤接口。

    在OLAP系统中，常使用的技术有分区技术，并行技术。如分区技术可以使得一些大表的扫描变得很快（只扫描单个分区），而且方便管理。另外，如果分区结合并行的话，也可以使得整个表的扫描也会变得很快。

    并行技术除了与分区技术结合外，在oracle 10g中，与rac结合实现多节点的同时扫描，效果也非常不错，把一个任务，如select的全表扫描，平均的分派到多个rac的节点上去。

    在OLAP系统中，不需要使用绑定变量，因为整个系统的执行量很少，分析时间对于执行时间来说，可以忽略，而且避免出现错误的执行计划。但是OLAP中可以大量使用位图索引，物化视图，对于大的事务，尽量的寻求速度上的优化，没有必要象OLTP需要快速提交，甚至要刻意减慢执行的速度。

总结：选择合适的优化方法

    这两种不同的业务类型需要不同的优化方式，特别是在高可用的OLTP环境中，不要盲目的把OLAP的技术拿过来用，如分区技术，如果不是大范围的使用了分区关键字作为where条件，而采用其它的字段作为where条件，那么，如果是本地索引，你将不得不扫描多个索引，而使得性能变的更为低下。如果是全局索引，那分区的意义又何在，只是多出一份分区技术的license而已。

    并行技术也是如此，一般是在大型任务的时候才使用，好比说，实际生活中，一个比较大型的工作，如翻译一本书，你可以先安排多个人，每个人翻译不同的章节，这样是可以提高翻译速度，但是，你现在只是翻译一页，你也去分配不同的人翻译不同的行，再组合起来，这个时间，你一个人或者早就翻译完了。

    位图索引如果用在oltp环境中，可能因为阻塞范围太大，很容易阻塞与死锁，但是，在olap环境中，可能会因为其特有的特性，提高olap的查询速度。mv也是基本一样，包括触发器等等，在dml频繁的oltp系统上，很容易成为瓶颈，而在olap环境上，则可能会因为使用恰当而提高查询速度。

    因此，在实际的系统维护过程中，大家需要慢慢的体会，分清楚业务类型，再判断合适的系统优化方法，不能盲目拿来使用。