
很多刚入行的DBA觉得数据库运维就是装装软件、建建表,真干起来才发现远不止这么简单。我见过一个兄弟,接手了一套电商系统的MySQL集群,前三个月风平浪静,第四个月突然告警狂响——磁盘爆了。一查,binlog日志没人清理,备份脚本半年前就失效了,根本没人发现。这事说明一个道理:数据库运维的核心不是“救火”,而是把巡检、备份、监控这些日常动作做到位,让火根本烧不起来。
先说巡检。巡检不是走马观花看一眼监控大屏就完事。你得有一套清单,每天固定时间过一遍。比如早上到岗第一件事,检查数据库进程状态、主从复制延迟、表空间使用率、连接数是否逼近上限。用脚本自动化跑当然好,但关键指标得自己心里有数。我习惯用一条SQL看当前活跃会话: 这条语句能立刻告诉你有没有慢查询堵着、有没有锁等待。巡检还要看操作系统层面——CPU负载、内存使用、磁盘IO的await值。数据库出了问题,八成能在系统层面找到征兆。别等到业务方打电话说“系统卡死了”才动手,那时候已经晚了。
备份这件事,说起来简单,做起来最容易翻车。我见过太多团队备份策略写得漂漂亮亮,一恢复就露馅。核心原则就一条:备份文件必须定期做恢复演练。你每天凌晨三点跑全量备份,备份文件大小正常,日志也没报错,但你能保证它真能恢复吗?不能。所以每周至少抽一次备份文件,在测试环境跑一遍恢复流程,记录恢复耗时。这个时间直接决定故障发生时你的RTO(恢复时间目标)。另外,备份策略要分层次:全量备份一周一次,增量备份每天一次,binlog或者WAL日志持续归档。对于核心业务库,最好再加一层延迟从库,万一主库误删数据,延迟从库还能救命。备份文件别跟数据库放同一块存储,见过机房断电连备份一起没了的惨剧。
监控和告警是运维的眼睛。没有监控的数据库就像闭着眼睛开车。但监控不是装个Zabbix就完事了,关键在阈值设定和告警收敛。举个例子,连接数告警设成80%使用率,但你的连接池最大就配了500,数据库最大连接数设了1000,那80%到底是哪个的80%?这种模糊告警只会制造噪音。好的做法是分层告警:Warning级别发到值班群,Critical级别直接打电话。告警项要覆盖:主从延迟、慢查询数量突增、锁等待超时、磁盘剩余空间、QPS/TPS异常波动。特别提一句慢查询监控,别只看数量,要看趋势。昨天慢查询100条,今天120条,可能正常;但如果昨天10条今天200条,那一定有问题,赶紧去查。
性能优化是数据库运维里最考验功底的部分。但优化不是上来就改参数、加索引。第一步永远是定位瓶颈。是CPU跑满了?是IO扛不住了?还是锁竞争太激烈?用看锁信息,用查等待事件,用分析执行计划。找到瓶颈之后,优化手段是有优先级的:SQL改写和索引优化排第一,因为这俩成本最低效果最明显;然后是实例参数调整,比如innodbbufferpool_size该给多大;最后才考虑架构层面的分库分表、读写分离。我见过有人一上来就分库分表,结果发现慢查询只是因为少了一个联合索引。顺序搞反了,白花力气。
容量规划经常被忽略,但它直接关系到系统能撑多久。你得定期看数据增长趋势:表数据量每月涨多少?索引大小涨多少?磁盘什么时候会用满?别等到磁盘使用率95%了才想起来扩容。扩容也不是加块盘就完事,要考虑分库分表的路由规则、数据迁移方案、回滚预案。我一般建议保留至少30%的磁盘余量,给突发流量和运维操作留空间。另外,连接数、QPS、TPS这些指标也要做趋势预测,提前判断什么时候需要升配或者加从库。容量规划做得好,半夜被叫醒的概率至少降一半。
高可用和故障切换是运维的底线。主从复制、MHA、MGR、Paxos协议,方案很多,但核心问题就一个:主库挂了,多久能切过去?切过去之后数据丢不丢?这俩问题必须用实战演练来回答。每季度至少做一次故障切换演练,把主库kill掉,看从库能不能自动接管,看应用端能不能自动重连。演练的时候要记录每个环节的耗时,找到最慢的那一步去优化。另外,脑裂问题一定要防,切换脚本里得有仲裁机制,别两台机器都以为自己是主库,那就热闹了。
说到底,数据库日常运维没有什么一招制敌的秘籍,就是把巡检、备份、监控、优化、容量规划、高可用这几件事反复做、认真做。每一项都不难,难的是日复一日的坚持和不打折扣的执行。你糊弄数据库,数据库迟早糊弄你。反过来,你把日常运维的每一环都做扎实了,性能优化就是水到渠成的事,故障也会离你越来越远。这行干久了就明白,最牛的不是能解决多复杂的问题,而是让问题压根不发生。


