mangodb和mysql处理高并发_mongodb三种存储引擎高并发更新性能专题测试

背景说明

近期北京理财频道反馈用来存放股市实时数据的MongoDB数据库写响应请求很慢，难以跟上业务写入速度水平。我们分析了线上现场的情况,发现去年升级到SSD磁盘后，数据持久化的磁盘IO开销已经不是瓶颈.通过日志分析，线上单次写入(更新)请求大多在数十毫秒这个级别，数据库端观察几个主要的db在繁忙时通常有95%以上的时间在进行锁等待。线上数据库并发很高,接近1000个连接，所以怀疑是并发争用表锁导致性能不足。

我们知道MongoDB的mmap存储引擎一直是库/表级锁，因此任何写操作并发越高锁争用造成的性能损耗越大。为了改善锁并发性能MongoDB，升级到行级锁引擎应该能够改善线上更新数据的性能瓶颈。3.0的WT存储引擎和toku开发的tokumx存储引擎都号称实现了行级锁和多版本并发控制。因此，为了确定我们升级的方向，决定使用线上类似的场景，对三种存储引擎进行一次性能测试，评估最能改善并发更新写的方案。

我们取得了线上最繁忙的stock和stock_status数据，并且仿照线上并发更新最频繁的根据证券code更新的方式，在测试环境进行测验。

硬件环境

CPU:  24 核 Intel(R) Xeon(R) CPU E5-2630 0 @ 2.30GHz

内存:  48G

磁盘:  SSD

MongoDB版本

1. Mmap存储引擎 MongoDB-2.6.9

2. Toku存储引擎 MongoDB-2.4.10

3. WiredTiger存储引擎 MongoDB 3.0.5

测试用例

从线上将股票信息表数据导入测试环境，创建与线上一致的索引，股票码code_id为唯一索引。

单纯写测试：从股票表stock中抽取1000个code_id，用随机函数获取其中一个code_id，对这一行数据进行一次update操作；

读写混合测试：在一定并发度的写操作情况下，以同样并发度通过code_id读取一行数据，读写混合比例为1:1。

测试脚本

1.写测试脚本

#! /usr/bin/env python# -*- coding: utf-8 -*-

import multiprocessingimport timeimport randomimport pymongo

client = pymongo.MongoClient("172.17.1.234", 27017)

db = client.stock

def get_id():

code_list = [1000个code_id]

code_loct = random.randint(0, 999)

up_value  = random.randint(10, 99)/10.0

return code_list[code_loct], up_value

def update_func():  while True:

code_id, up_value = get_id()    db.stock.update_one({"CODE":str(code_id)},{"$set":{"ASK1":str(up_value),"ASK2":str(up_value),"ASK3":str(up_value),"ASK4":str(up_value),"ASK5":str(up_value),"ASKVOL1":str(up_value),"ASKVOL2":str(up_value),"ASKVOL3":str(up_value),"ASKVOL4":str(up_value),"ASKVOL5":str(up_value),"BID1":str(up_value),"BID2":str(up_value),"BID3":str(up_value),"BID4":str(up_value),"BID5":str(up_value)}})

if __name__ == "__main__":

pool = multiprocessing.Pool(processes=并发度)  for i in xrange(10000000):

pool.apply_async(update_func,)

pool.close()

pool.join()  print "\n"print "All done."

2.读测试脚本

#! /usr/bin/env python# -*- coding: utf-8 -*-

import multiprocessingimport timeimport randomimport pymongo

client = pymongo.MongoClient("172.17.1.234", 27017)

db = client.stock

def get_id():

code_list = [1000个code_id]

code_loct = random.randint(0, 499)  return code_list[code_loct]

def update_func():  while True:

code_id = get_id()     db.stock.find_one({"CODE":str(code_id)},{"CODE":1,"ASK1":1,"ASK2":1})

if __name__ == "__main__":

pool = multiprocessing.Pool(processes=并发度)for i in xrange(1000000):

pool.apply_async(update_func,)

pool.close()

pool.join()print "\n"

print"All done."

测试结果

1.单纯写的测试结果

结论：WiredTiger在纯update测试场景中性能明显高于toku和mmap

a.toku和mmap并发度超过32后TPS稳定在1.4万到1.5万左右，此时整体DB的锁争用非常高

b.WiredTiger表现良好，128并发度时TPS处理能力达到5万多，更高并发下处理能力逐渐下降，稳定在3万到4万之间

2.读写1比1混合的测试结果

结论：WiredTiger在读写1比1混合测试场景中，综合能力优于toku和mmap，且读写互不影响，都比较稳健

a.WiredTiger在读写混合测试场景中更新性能明显高于toku和mmap，读性能在高于256时不如toku和mmap，但是读写互不影响且性能较为稳定

b.mmap在高并发情况下读性能良好，但是更新性能下降很明显，受读的影响较大

c.toku在读写两端就像是WiredTiger和mmap的中庸版

读写混合模式下，WiredTiger在32到256之间的并发情况下，综合能力优于toku和mmap，其他并发度情况下读写综合能力相近

小结

由测试结果可以看出,3.0的WT引擎对多并发更新的场景明显好于其他两种引擎，TPS性能有较大的提升，因此建议线上升级3.0并且更换存储引擎。

目前线上已经在测试环境部署了3.0的数据库，等待应用反馈回归测试结果，如果一切顺利，打算尽快升级

原创文章

禁止其他公众账号转载