【华为云MySQL技术专栏】TaurusDB统计信息机制解析，提升优化器效率

1

统计信息是 TaurusDB 优化器生成高效执行计划的关键依据，其核心功能包括基数估算（Cardinality Estimation）、数据分布分析、物理存储统计。具体来说：

本文将基于源码介绍 TaurusDB 统计信息的采集、更新、持久化机制的设计原理，同时介绍 TaurusDB 主备统计信息同步机制。

2

TaurusDB 的统计信息体系采用了分层设计模式。在 Server 层，统计信息用于查询优化决策；InnoDB 引擎层，负责统计信息的采集和持久化。核心数据结构通过handler 接口实现了跨层交互，这一设计体现了 MySQL 存储引擎可插拔架构的精髓。

图1 统计信息分层架构示意图

在 Server 层，通过调用 handler::info() 方法访问 Innodb 层的统计信息，为避免频繁访问引擎层，统计信息会被缓存于 TABLE 对象和 TABLE_SHARE 对象中。在构造 TABLE对象时，会将表的记录数、索引文件大小、数据文件大小等统计信息，存放到 handler::stats 中。

优化器在做代价估算时，会通过访问TABLE对象获取 handler ，以此获取保存在 handler::stats 中的统计信息。 

索引信息和单列直方图保存在 TABLE_SHARE 对象中，所有会话的 TABLE 对象共享同一个 TABLE_SHARE 对象，通过访问 TABLE 对象，可以获取 TABLE_SHARE 对象中保存的统计信息。

在 InnoDB 层中，统计信息缓存在 dict_table_t和 dict_index_t 中。dict_table_t 包含表级统计信息，如表修改行计数器、采样数、表估算行数、主键索引大小以及非主键索引大小总和等。dict_index_t 包含索引级统计信息，如索引大小、索引叶子页数以及索引前缀基数等。

Innodb 层的统计信息会持久化在 mysql.innodb_table_stats 和  mysql.innodb_index_stats 两个系统表中。

TaurusDB 的统计信息按照类型分类，可分为表级、索引级以及列级统计信息，优化器在不同算子下选择对应的统计信息做代价估算。

3

在数据库实时运行过程中，统计信息在内存中实时发生变化，下面将对 TaurusDB 统计信息采集、更新、持久化以及主备统计信息同步机制的源码进行解析。

如2.2章节所述，为了保证执行计划的稳定性，TaurusDB 对统计信息实施了持久化机制。当手动执行 ANALYZE TABLE、ALTER TABLE 重建表，或者表中的数据修改行数超过阈值10%时（由innodb_rds_recalc_persistent_stats_threshold_pct参数控制，默认值为10%，由后台线程触发），系统会重新计算统计信息，并将其持久化存储。

3.1.1 统计算法简介

InnoDB 采用分层随机采样（Stratified Sampling）来估算索引基数，通过采样索引树的叶子节点来获取统计信息。参数 innodb_stats_persistent_sample_pages 控制采样的叶子节点个数。

采样算法总体逻辑为：随机选取一些叶子节点，读取其记录信息，并基于这些信息推算整个索引的统计信息。

对 Innodb 索引的采样算法的伪代码如下：

dict_stats_analyze_index()
  //采样页数（如果表指定了采样数，使用表的指定值，
  //未指定取innodb_stats_persistent_sample_pages参数）
  let N = N_SAMPLE_PAGES(index)
  try dict_stats_analyze_index_low(N)
  if timed out, try again with smaller N


dict_stats_analyze_index_low(N)
  //遍历索引的每一个前缀组合
  for each n_prefix
    //找到足够好的采样层
    search for good enough level:
      //在好的level上进行分析，获取指定层级的记录总数和不同值总数
      dict_stats_analyze_index_level() 
        //遍历该层的每一个页，获取该层的页面总数、
        //记录数、索引前缀向量在该层的不同值数、
        //索引前缀向量在该层的每个不同值的边界下标
        collect statistics about the given level
      //如果该层不满足条件，寻找下一层
      if we are not satisfied with the level, 
      search next lower level
    //找到了足够好的采样层
    we have found a good enough level here
    //在该层上进行采样，从该层随机挑选一些记录,
    //估算索引前n_prefix列不同值的个数
    dict_stats_analyze_index_for_n_prefix(that level, 
                                          stats collected above)
      //将采样层不同记录按照范围划分，并对每个范围
      //随机选择记录，分析记录对应的叶子节点数据
      dive below some records and analyze the leaf page there:
      //根据当前的中间节点记录，下探到对应的叶子节点，
      //并计算叶子节点上n-prefix列不同值的个数
      dict_stats_analyze_index_below_cur()

从以上伪代码可以看出，算法的关键在于两点：

下面基于源码对以上两个关键动作做源码分析。

3.1.2 统计算法源码分析

TaurusDB 判断一个足够好的 level 的依据是：该层是否存在 'n_sample_pages * 10' 个不同的值。

这个依据考虑了性能影响及统计信息准确度的平衡，既不会因为采集信息少，导致统计信息偏差大，又不会因为采集过多，导致性能开销过高。

对于特殊情况，采样过程会退化为索引的全表扫描，以更快地获取更准确的统计信息：

情况1，整个 B+ 树只有1个根节点；

情况2，用户指定的采样页面数量很大（对于N列的索引，N_SAMPLE_PAGES(index) * N 超过 B+ 树叶子节点的总个数或者大于1000000）。

//获取树高
root_level = btr_height_get(index, &mtr);
//获取索引字段数
n_uniq = dict_index_get_n_unique(index);
//树高只有一层（即只有一个页面），或者采样数
//超过叶子节点数，走全表扫描
if (root_level == 0 || n_sample_pages * n_uniq >
    std::min<ulint>(index->stat_n_leaf_pages, 1e6)) {
   //对叶子节点进行全表扫描，并将扫描结果直接放入索引的
   //dict_index_t内存对象中。
  (void)dict_stats_analyze_index_level(
    index, 0 /* leaf level */, index->stat_n_diff_key_vals, 
    &total_recs,&total_pages, 
    nullptr /* boundaries not needed */, 
    wait_start_time,&mtr);
    return true;
   }

除了以上特殊情况外，TaurusDB 按照 B+ 树从高到低的层级，以及索引从 n_prefix （表示索引列数）到1的层级进行遍历采样。过程如下：

step 1：函数首先针对 n_prefix 列，找到包含 `n_sample_pages * 10` 个不同值的最高层级 L；

step 2：从层级L开始，向下查找满足 n_prefix-1 列需要的层级。

 //B+树从高到低，从根节点开始访问B+树，找到一个满足不同值个数
 //>=n_sample_pages * 10的一层
 const ib_uint64_t n_diff_required = n_sample_pages * 10
 level = root_level;
 level_is_analyzed = false;


 //先找到对于n_prefix列包含>=n_sample_pages * 10个不同值的层级L
 //则对于第n_prefx -1列，它第一个包含>=n_sample_pages * 10个不
 //同值的层级必然<=L(即更低层)
 for (n_prefix = n_uniq; n_prefix >= 1; n_prefix--) {


   //采样层为1或者该层的不同记录数>=n_sample_pages * 10，
   //则该层为采样层，否则往下一层继续寻找。
   //在寻找n_uniq前缀列最佳层时，n_uniq-1到1前缀列的不同值
   //记录数记录在n_diff_on_level中，可以直接复用
   if (level_is_analyzed &&
       (n_diff_on_level[n_prefix - 1] >= n_diff_required 
       || level == 1)) {
     goto found_level;
   }


   for (;;) {
     const uint64_t prev_total_recs = total_recs;
     //针对1到n前缀列，找到本层的总记录数，和不同前缀列的
     //不同值个数，填入n_diff_on_level中。
     //n_diff_on_level可以在寻找n_uniq-1到1前缀列的最佳
     //层时进行复用，减少计算
     if (!dict_stats_analyze_index_level(
             index, level, n_diff_on_level, &total_recs, 
             &total_pages,n_diff_boundaries, wait_start_time,
             &mtr)) {
       n_sample_pages = prev_total_recs  2;
     }
     level_is_analyzed = true;
     //如果已经搜索到最后一层中间节点，或者已经找到了包含足够多
     //不同值的level，即找到该n_prefix对应的最佳层。
     if (level == 1 || 
         n_diff_on_level[n_prefix - 1] >= n_diff_required) {
       break;
     }
   }
 found_level:
   //估算索引前n_prefix列不同值的个数，上述流程找到合适的level后，
   //将该层不同记录进行平均分组，在每个分组内，随机选取一个记录进行
   //下探，找到第一个no-boring记录，并遍历对应的叶子节点，获取叶子
   //节点内不同记录数。
   if (!dict_stats_analyze_index_for_n_prefix(index, n_prefix,
       &n_diff_boundaries[n_prefix - 1],
       data, wait_start_time, &mtr)) 

以上从源码角度分析了 TaurusDB 统计信息的采集和计算方法，感兴趣的读者可以在源码中搜索函数名详细看一下实现逻辑。

TaurusDB 统计信息的更新函数是 dict_stats_update_persistent ，按照触发方式，主要分为两类：

用户主动执行ANALYZE TABLE、DISCARD TABLESPACE / IMPORT TABLESPACE、TRUNCATE TABLE或ALTER TABLE。

Innodb后台线程 dict_stats_thread 自动执行，当检测到表的修改行数累积到一定数量时（innodb_stats_persistent_sample_pages配置），会自动触发统计信息的重新收集并更新。

3.2.1 统计信息更新源码分析

• 主动更新方式

直接调用 dict_stats_update 函数，函数内通过 dict_stats_update_persistent 函数更新统计信息，其主要工作即是：

1）调用统计信息采集算法；

2）基于采集的统计信息，计算表级统计信息以及索引级统计信息；

3）调用 dict_stats_save 函数，将统计信息持久化到 innodb_table_stats 和 innodb_index_stats 系统表中。

• 后台触发方式

后台线程 dict_stats_thread 的主要任务就是周期性从 recalc_pool 中获取待更新统计信息的表，并执行 dict_stats_update_persistent 函数更新统计信息。

recalc_pool是一个保存 table_id_t 类型数据的向量。当对表进行DML操作时，会通过 row_update_statistics_if_needed 函数判断，是否需要将表加入到 recalc_pool 中。

void dict_stats_thread() {
  while (!SHUTTING_DOWN()) {
    //后台周期性唤起，检查是否有需要更新统计信息的表
    wake up process based on rds_recalc_check_interval_ms ;


    //备机统计信息更新逻辑：主机将持久化统计信息更新之后，
    //备机需要同步标记内存中对应的统计信息失效并进行重新采集.
    rpl dict stats mark statistics invalidated and updated;


    //主机统计信息更新：取recalc_pool中第一个表进行统计信息重新
    //采集、更新以及持久化
    dict_stats_process_entry_from_recalc_pool(thd);
  }
}

在dict_table_t对象中，保存了表的行修改计数器stat_modified_counter。每次对表进行DML操作时，stat_modified_counter都会加1。当累计修改的行数超过当前表总行数的1/10时（由 innodb_rds_recalc_persistent_stats_threshold_pct 配置控制），就会将表加入到recalc_pool中，通过后台线程dict_stats_thread进行统计信息更新。

为了解决社区统计信息后台更新不及时的问题，TaurusDB 对 dict_stats_thread 后台线程进行优化，客户可通过配置 innodb_rds_recalc_check_interval_ms 参数，降低更新周期，提高统计信息更新的实时性。

此外，为了解决备机统计信息更新不及时的问题，TaurusDB 引入主备统计信息同步机制，dict_stats_thread 后台线程会定时更新备机的统计信息，提高备机统计信息的实时性。

Innodb层的统计信息通过调用 dict_stats_save 函数，再由 dict_stats_exec_sql 执行内置存储过程，来完成表的统计信息的持久化。表级统计信息保存在 innodb_table_stats 表中，而索引级统计信息则保存在 innodb_index_stats 表中。

TaurusDB 是基于共享存储架构，备机共享主机的持久化的统计信息数据。当主机更新持久化统计信息之后，会发送相关的 redo 日志给备机；备机接收并解析所有有关统计信息变更的 redo 日志，获取到需要更新统计信息的表的 table id ，然后将相关的表信息交给后台的 dict_stats_thread 线程进行处理。

dict_stats_thread 线程将所有需要处理的表的 stat_need_reload 字段设置为 true 。当查询进行 open table 操作时，根据 stat_need_reload 字段的值重新采集统计信息。

图2 TaurusDB统计信息主备同步机制

3.4.1 TaurusDB统计信息主备同步源码分析

TaurusDB新增了 MLOG_TABLE_STATS_UPDATE 类型的 redo 日志，通过 mlog_log_uint64(nullptr, table_id, MLOG_TABLE_STATS_UPDATE) 记录主机对统计信息的更新操作，redo 信息中携带了表的 table id 信息，通知备机更新相应表的统计信息。

备机解析到redo日志后，将需要更新统计信息的table id聚合并放入m_recalc_pool_instance，如3.2.1章节所述，备机上的后台线程 dict_stats_thread 会周期性地标记对应表的统计信息为失效，并进行重新采集。

社区 MySQL 后台线程触发更新，依赖统计计数器，当表对象从缓存中被淘汰后重新加载时，stat_modified_counter 会被重置，导致后台更新失效，如在多表更新场景中。

TaurusDB 已向社区提出该问题（Bug#117809）。

4

本文从源码角度介绍了 TaurusDB 统计信息的采集、更新、持久化和使用机制，同时介绍 TaurusDB 主备统计信息同步机制，并指出了当前统计信息实现上存在的问题，希望能帮助您更好地理解和优化 TaurusDB 的统计信息管理。如果感兴趣，可以根据本文提到的函数名去阅读源码。

[1] TaurusDB Statement Outline特性，https://support.huaweicloud.com/kerneldesc-gaussdbformysql/gaussdbformysql_20_0018.html

END

  戳“阅读原文”，了解更多