MySQL实战——执行优化、运维优化、架构优化

前言

• 本篇文章针对用户群为已经使用过 mysql 环境，并有一定开发经验的工程师。
• 针对高并发，海量数据的互联网环境。
• 本文语言为口语，非学术标准用语。
• 以实战和解决具体问题为主要目标，非应试，非常规教育。
• 非技术挑战，非高端架构师培训，请高手自动忽略。
• 友情提醒，在校生学习本教程可能对成绩提高有害无益。

执行优化

为什么使用数据索引能提高效率

• MySQL的数据索引（B+Tree）的存储是 有序的 、且能有效的 降低磁盘I/O次数 。
• Hash索引的查询效率是寻址操作，在不考虑 哈希冲突 的情况下， 1 次查询即可获得数据所存储在磁盘上的地址。

但是Hash不支持 区间查询 、排序 、 覆盖索引 、 最左匹配原则 、 向右模糊查询 等操作，仅支持 key-value 类型查询。不是本文重点。

• 在进行索引分析和 SQL 优化时，可以将数据索引字段想象为 单一有序序列 ，并以此作为分析的基础。涉及到复合索引情况，复合索引按照索引顺序拼凑成一个字段，想象为单一有序序列，并以此作为分析的基础。
• 一条数据查询只能使用一个索引，索引可以是多个字段合并的复合索引。但是一条数据查询不能使用多个索引。虽然MySQL 5.1 之后在你的查询使用到多列的多个索引情况下会帮你自动进行 索引合并（index merge） ，听起来好像是很好的功能，但是如果出现了 index intersect merge，那么一般同时也意味着我们的索引建立得不太合理，因为 index intersect merge 是可以通过建立 复合索引 进行更一步优化的。

认识影响结果集

• 通过 Explain 分析 SQL，查看 rows 列内容。
• 影响结果集数字是查询优化的重要中间数字，工程师在开发和调试过程中，应随时关注这一数字。
• 慢SQL优化不光是要优化那些执行时间太长的SQL，往往那些高频执行的从较大的 影响结果集 中获得极少的 **返回数据行数（ReturnMaxRowCount）**这些SQL，更应该被优化。

理解执行状态

慢查询日志，关注重点如下：

• 是否锁定，及锁定时间
  • 如存在锁定，则该慢查询通常是因锁定因素导致，本身无需优化，需解决锁定问题。
• 影响结果集
  • 如影响结果集较大，显然是索引项命中存在问题，需要认真对待。
  • 这里显示的数字不一定准确，如果没有索引则是MySQL去读几个Page页然后计算平均每个Page页的数据行数去预算的。(PS:所以当表足够大的情况下扫全表 Explain 计算影响行数比 Count(*) 要快的多)。
• 索引项使用
  • 不建议用 using index 做强制索引，如未如预期使用索引，建议重新斟酌表结构和索引设置。
• Show processlist 执行状态监控（这是在数据库负载波动时经常进行的一项操作）
  • Sleep 状态
    • 通常代表资源未释放，如果是通过连接池，sleep 状态应该恒定在一定数量范围内。
    • 实战范例： 因数据写入/输出时（特别是输出到用户终端）未及时关闭数据库连接，导致因网络连接速度产生大量 sleep 连接，在网速出现异常时，数据库 too many connections 挂死。
  • Waiting for net, reading from net, writing to net
    • 偶尔出现无妨。
    • 如大量出现，迅速检查数据库到前端的网络连接状态和流量。
    • 案例: 因外挂程序，内网数据库大量读取，内网使用的百兆交换迅速爆满，导致大量连接阻塞在 waiting for net，数据库连接过多崩溃。
  • Locked 状态
    • 有更新操作锁定。
    • 通常使用 innodb ( 行锁 )可以很好的减少 locked 状态的产生，但是切记，更新操作要
      正确使用索引，即便是低频次更新操作也不能疏忽。如上影响结果集范例所示。
  • Copy to tmp table
    • 索引及现有结构无法涵盖查询条件，才会建立一个临时表来满足查询要求，产生巨大的恐怖的 i/o 压力。
    • 很可怕的搜索语句会导致这样的情况，如果是数据分析，或者半夜的周期数据清理任务，偶尔出现，可以允许。频繁出现务必优化之。
    • Copy to tmp table 通常与连表查询有关，建议逐渐习惯不使用连表查询。
  • Sending data
    • 并不是发送数据，别被这个名字所欺骗，这是从物理磁盘获取数据的进程，如果你的影响结果集较多，那么就需要从不同的磁盘碎片去抽取数据。
    • 偶尔出现该状态连接无碍。
    • 回到上面影响结果集的问题，一般而言，如果 sending data 连接过多，通常是某查询的影响结果集过大，也就是查询的索引项不够优化。
    • 前文提到影响结果集对 SQL 查询效率线性相关，主要就是针对这个状态的系统开销。
  • Storing result to query cache
    • 出现这种状态，如果频繁出现，使用 set profiling 分析，如果存在资源开销在SQL 整体开销的比例过大（即便是非常小的开销，看比例），则说明 query cache碎片较多。
    • 使用 flush query cache 可即时清理，也可以做成定时任务。
    • Query cache 参数可适当酌情设置。
  • Freeing items
    • 理论上这玩意不会出现很多。偶尔出现无碍。
    • 如果大量出现，内存，硬盘可能已经出现问题。比如硬盘满或损坏。
    • i/o 压力过大时，也可能出现 Free items 执行时间较长的情况。
  • Sorting for …
    • 和 Sending data 类似，结果集过大，排序条件没有索引化，需要在内存里排序，甚至需要创建临时结构排序。
  • 还有很多状态，遇到了，去查查资料。基本上我们遇到其他状态的阻塞较少，所以不关心。

数据库异常分析流程

• 了解基本负载状况和运营状况
  • 基本运营状况
    • 当前每秒读请求。
    • 当前每秒写请求。
    • 当前在线用户。
    • 当前数据容量。
  • 基本负载情况
    • 学会使用这些指令(Top、Vmstat、uptime、iostat、df)。
    • Cpu 负载
      • 特别关注 i/o 压力( wa%)。
      • 多核负载分配。
    • 内存占用
      • Swap 分区是否被侵占。
      • 如 Swap 分区被侵占，物理内存是否较多空闲。
    • 磁盘状态
      • 硬盘满和 inode 节点满的情况要迅速定位和迅速处理。
  • 了解具体连接状况
    • 当前连接数。
    • 当前连接分布 show processlist。
      • 状态分布。
      • 雷同SQL分布。
    • 当前是否有较多慢查询日志。
  • 频繁度分析
    • 写频繁度
      • 如果 i/o 压力高，优先分析写入频繁度。
      • Mysqlbinlog 输出最新 binlog 文件，编写脚本拆分。
      • 最多写入的数据表是哪个。
      • 最多写入的数据 SQL 是什么。
      • 是否存在基于同一主键的数据内容高频重复写入。
    • 读取频繁度
      • 如果 cpu 资源较高，而 i/o 压力不高，优先分析读取频繁度。
      • 程序中在封装的 db 类增加抽样日志即可，抽样比例酌情考虑，以不显著影响系统负载压力为底线。
      • 最多读取的数据表是哪个。
      • 最多读取的数据 SQL 是什么。
        • 该 SQL 进行 explain 和 set profiling 判定，注意判定时需要避免 query cache 影响。
      • 是否存在同一个查询短期内频繁出现的情况 。
  • 抓大放小，解决显著问题
    • 不苛求解决所有优化问题，但是应以保证线上服务稳定可靠为目标。
    • 解决与评估要同时进行，新的策略或解决方案务必经过评估后上线。

实战案例：许多类似短信发送的业务，都需要在调用第三方接口前先在数据库写入一条数据，此时如 写入数据的事务没有提交然后就开始调用第三方的HTTP接口，等返回发送结果后再修改数据库状态，然后提交事务。这个流程正常业务下是没什么问题的，但是当高并发、第三方接口响应缓慢等异常情况，由于事务占用时间长，连接被占满，程序很快就会凉凉。

执行优化总结

• 要学会怎样分析问题，而不是单纯拍脑袋优化。
• 慢查询只是最基础的东西，要学会优化 0.01 秒的查询请求。
• 当发生连接阻塞时，不同状态的阻塞有不同的原因，要找到原因，如果不对症下药，就会南辕北辙
  • 范例：如果本身系统内存已经超载，已经使用到了 swap，而还在考虑加大缓存来优化查询，那就是自寻死路了。
• 影响结果集是非常重要的中间数据和优化指标，学会理解这一概念，理论上影响结果集与查询效率呈现非常紧密的线性相关。
• 监测与跟踪要经常做，而不是出问题才做
  • 读取频繁度抽样监测
    • 全监测不要搞，i/o 吓死人。
    • 按照一个抽样比例抽样即可。
    • 针对抽样中发现的问题，可以按照特定 SQL 在特定时间内监测一段全查询记录，但仍要考虑 i/o 影响。
  • 写入频繁度监测
    • 基于 binlog 解开即可，可定时或不定时分析。
  • 微慢查询抽样监测
    • 高并发情况下，查询请求时间超过 0.01 秒甚至 0.005 秒的，建议酌情抽样记录。
  • 连接数预警监测
    • 连接数超过特定阈值的情况下，虽然数据库没有崩溃，建议记录相关连接状态。
• 学会通过数据和监控发现问题，分析问题，而后解决问题顺理成章。特别是要学会
  在日常监控中发现隐患，而不是问题爆发了才去处理和解决。

MySQL 运维优化

存储引擎类型

• Myisam 速度快，响应快。表级锁是致命问题。
• Innodb 目前主流存储引擎
  • 行级锁
    • 务必注意影响结果集的定义是什么。
    • 行级锁会带来更新的额外开销，但是通常情况下是值得的。
  • 事务
    • 对 i/o 效率提升的考虑。
    • 对安全性的考虑。
• HEAP 内存引擎
  • 频繁更新和海量读取情况下仍会存在锁定状况。

内存使用考量

• 理论上，内存越大，越多数据读取发生在内存，效率越高。
• Query cache 的使用
  • 如果前端请求重复度不高，或者应用层已经充分缓存重复请求，query cache不必设置很大。
  • 如果前端请求重复度较高，无应用层缓存，query cache 是一个很好的偷懒选择。
    • 对于中等以下规模数据库应用，偷懒不是一个坏选择。
    • 如果确认使用 query cache，记得定时清理碎片，flush query cache。
• 要考虑到现实的硬件资源和瓶颈分布
• 学会理解热点数据，并将热点数据尽可能内存化
  • 所谓热点数据，就是最多被访问的数据。
  • 通常数据库访问是不平均的，少数数据被频繁读写，而更多数据鲜有读写。
  • 学会制定不同的热点数据规则，并测算指标。
    • 热点数据规模，理论上，热点数据越少越好，这样可以更好的满足业务的增长趋势。
    • 响应满足度，对响应的满足率越高越好。
    • 比如依据最后更新时间，总访问量，回访次数等指标定义热点数据，并测算不同定义模式下的热点数据规模。

性能与安全性考量

• 数据提交方式
  • innodb_flush_log_at_trx_commit = 0 每秒触发一次缓存日志回写磁盘操作，并调用操作系统fsync刷新IO缓存。安全性有影响，i/o 承载强。
  • innodb_flush_log_at_trx_commit = 1 每次自动提交，安全性高，i/o 压力大。
  • innodb_flush_log_at_trx_commit = 2 实时触发一次缓存日志回写磁盘操作，每秒只做一次磁盘IO缓存刷新操作，安全性略有影响，i/o 承载强。
• 日志同步
  • Sync-binlog = 1 每条自动更新，安全性高，i/o 压力大。
  • Sync-binlog = 0 根据缓存设置情况自动更新，存在丢失数据和同步延迟风险，i/o 承载力强。
• 性能与安全本身存在相悖的情况，需要在业务诉求层面决定取舍
  • 学会区分什么场合侧重性能，什么场合侧重安全。
  • 学会将不同安全等级的数据库用不同策略管理。

存储/写入压力优化

• 顺序读写性能远高于随机读写。
• 将顺序写数据和随机读写数据分成不同的物理磁盘进行，有助于 i/o 压力的疏解。
  • 数据库文件涉及索引等内容，写入是随即写。
  • binlog 文件是顺序写。
• 部分安全要求不高的写入操作可以用 /dev/shm 分区存储，简单变成内存写。
• 多块物理硬盘做 raid10，可以提升写入能力。
• 关键存储设备优化，善于比对不同存储介质的压力测试数据。
  • 例如 fusion-io 在新浪和淘宝都有较多使用。
• 涉及必须存储较为庞大的数据量时
  • 压缩存储，可以通过增加 cpu 开销（压缩算法）减少 i/o 压力。前提是你确认cpu 相对空闲而 i/o 压力很大。 新浪微博就是压缩存储的典范。
  • 通过 md5 去重存储，缺点是，删除文件需要甄别该 md5 是否有其他人使用。 去重存储，用户量越多，上传文件越多，效率越高！
  • 文件尽量不要存储到数据库内。尽量使用独立的文件系统存储，该话题不展开。

运维监控体系

• 系统监控
  • 服务器资源监控
    • Cpu, 内存，硬盘空间，i/o 压力。
    • 设置阈值报警。
  • 服务器流量监控
    • 外网流量，内网流量。
    • 设置阈值报警。
  • 连接状态监控
    • Show processlist 设置阈值，每分钟监测，超过阈值记录。
      -应用监控
  • 慢查询监控
    • 慢查询日志。
    • 如果存在多台数据库服务器，应有汇总查阅机制。
  • 请求错误监控
    • 高频繁应用中，会出现偶发性数据库连接错误或执行错误，将错误信息记录到日志，查看每日的比例变化。
    • 偶发性错误，如果数量极少，可以不用处理，但是需时常监控其趋势。
    • 会存在恶意输入内容，输入边界限定缺乏导致执行出错，需基于此防止恶意入侵探测行为。
  • 微慢查询监控
    • 高并发环境里，超过 0.01 秒的查询请求都应该关注一下。
  • 频繁度监控
    • 写操作，基于 binlog，定期分析。
    • 读操作，在前端 db 封装代码中增加抽样日志，并输出执行时间。
    • 分析请求频繁度是开发架构 进一步优化的基础。
    • 最好的优化就是减少请求次数！

运维优化总结：

• 监控与数据分析是一切优化的基础。
• 没有运营数据监测就不要妄谈优化！
• 监控要注意不要产生太多额外的负载，不要因监控带来太多额外系统开销。

MySQL架构优化

分库&拆表方案

• 基本认识

  • 用分库&拆表是解决数据库容量问题的唯一途径。
  • 分库&拆表也是解决性能压力的最优选择。
  • 分库 ： 不同的数据表放到不同的数据库服务器中（也可能是虚拟服务器）。
  • 拆表 ： 一张数据表拆成多张数据表，可能位于同一台服务器，也可能位于多台服
    务器（含虚拟服务器）。
    
    

• 去关联化原则

  • 摘除数据表之间的关联，是分库的基础工作。
  • 摘除关联的目的是，当数据表分布到不同服务器时，查询请求容易分发和处理。
  • 学会理解反范式数据结构设计，所谓反范式，第一要点是不用外键，不允许 Join操作，不允许任何需要跨越两个表的查询请求。第二要点是适度冗余减少查询请求，比如说，信息表，fromuid, touid, message 字段外，还需要一个 fromuname 字段记录用户名，这样查询者通过 touid 查询后，能够立即得到发信人的用户名，而无需进行另一个数据表的查询。
  • 去关联化处理会带来额外的考虑，比如说，某一个数据表内容的修改，对另一个数据表的影响。这一点需要在程序或其他途径去考虑。
    
    

• 分库方案

  • 安全性拆分
    • 将高安全性数据与低安全性数据分库，这样的好处第一是便于维护，第二是高安全性数据的数据库参数配置可以以安全优先，而低安全性数据的参数配置以性能优先。参见运维优化相关部分。
  • 基于业务逻辑拆分
    • 根据数据表的内容构成，业务逻辑拆分，便于日常维护和前端调用。
    • 基于业务逻辑拆分，可以减少前端应用请求发送到不同数据库服务器的频次，从而减少链接开销。
    • 基于业务逻辑拆分，可保留部分数据关联，前端 web 工程师可在限度范围内执行关联查询。
  • 基于负载压力拆分
    • 基于负载压力对数据结构拆分，便于直接将负载分担给不同的服务器。
    • 基于负载压力拆分，可能拆分后的数据库包含不同业务类型的数据表，日常维护会有一定的烦恼。
  • 混合拆分组合
    • 基于安全与业务拆分为数据库实例，但是可以使用不同端口放在同一个服务器上。
    • 基于负载可以拆分为更多数据库实例分布在不同数据库上。
    • 例如：
      • 基于安全拆分出 A 数据库实例。
      • 基于业务拆分出 B,C 数据库实例。
      • C 数据库存在较高负载，基于负载拆分为 C1,C2,C3,C4 等 实例。
      • 数据库服务器完全可以做到 A+B+C1 为一台，C2,C3,C4 各单独一台。
        
        

• 分表方案

  • 数据量过大或者访问压力过大的数据表需要切分
  • 纵向分表（常见为忙闲分表）
    • 单数据表字段过多，可将频繁更新的整数数据与非频繁更新的字符串数据切分。
    • 范例 user 表 ，个人简介，地址，QQ 号，联系方式，头像 这些字段为字符串类型，更新请求少； 最后登录时间，在线时常，访问次数，信件数这些字段为整数型字段，更新频繁，可以将后面这些更新频繁的字段独立拆出一张数据表，表内容变少，索引结构变少，读写请求变快。
  • 横向切表
    • 等分切表，如哈希切表或其他基于对某数字取余的切表。等分切表的优点是负
      载很方便的分布到不同服务器；缺点是当容量继续增加时无法方便的扩容，需要重新进行数据的切分或转表。而且一些关键主键不易处理。
    • 递增切表，比如每 1kw 用户开一个新表，优点是可以适应数据的自增趋势；缺点是往往新数据负载高，压力分配不平均。
    • 日期切表，适用于日志记录式数据，优缺点等同于递增切表。
    • 个人倾向于递增切表，具体根据应用场景决定。
  • 热点数据分表
    • 将数据量较大的数据表中将读写频繁的数据抽取出来，形成热点数据表。通常一个庞大数据表经常被读写的内容往往具有一定的集中性，如果这些集中数据单独处理，就会极大减少整体系统的负载。
    • 热点数据表与旧有数据关系
      • 可以是一张冗余表，即该表数据丢失不会妨碍使用，因源数据仍存在于旧有结构中。优点是安全性高，维护方便，缺点是写压力不能分担，仍需要同步写回原系统。
      • 可以是非冗余表，即热点数据的内容原有结构不再保存，优点是读写效率全部优化；缺点是当热点数据发生变化时，维护量较大。
      • 具体方案选择需要根据读写比例决定，在读频率远高于写频率情况下，优先考虑冗余表方案。
    • 热点数据表可以用单独的优化的硬件存储，比如昂贵的闪存卡或大内存系统。
    • 热点数据表的重要指标
      • 热点数据的定义需要根据业务模式自行制定策略，常见策略为，按照最新的操作时间；按照内容丰富度等等。
      • 数据规模，比如从 1000 万条数据，抽取出 100 万条热点数据。
      • 热点命中率，比如查询 10 次，多少次命中在热点数据内。
      • 理论上，数据规模越小，热点命中率越高，说明效果越好。需要根据业务自行评估。
    • 热点数据表的动态维护
      • 加载热点数据方案选择
        • 定时从旧有数据结构中按照新的策略获取。
        • 在从旧有数据结构读取时动态加载到热点数据。
      • 剔除热点数据方案选择
        • 基于特定策略，定时将热点数据中访问频次较少的数据剔除。
        • 如热点数据是冗余表，则直接删除即可，如不是冗余表，需要回写给旧有数据结构。
    • 通常，热点数据往往是基于缓存或者 key-value 方案冗余存储，所以这里提到
      的热点数据表，其实更多是理解思路，用到的场合可能并不多….

反范式设计（冗余结构设计）

• 反范式设计的概念
  - 无外键，无连表查询。
  - 便于分布式设计，允许适度冗余，为了容量扩展允许适度开销。
  - 基于业务自由优化，基于 i/o 或查询设计，无须遵循范式结构设计。
  • 冗余结构设计所面临的典型场景
    • 原有展现程序涉及多个表的查询，希望精简查询程序。
    • 数据表拆分往往基于主键，而原有数据表往往存在非基于主键的关键查询，无法在分表结构中完成。
    • 存在较多数据统计需求（count, sum 等），效率低下。
• 冗余设计方案
  • 基于展现的冗余设计
    • 为了简化展现程序，在一些数据表中往往存在冗余字段。
    • 举例，信息表 message，存在字段 fromuid,touid,msg,sendtime 四个字段，其中 touid+sendtime 是复合索引。存在查询为 select * from message where touid=$uid order by sendtime desc limit 0,30。
    • 展示程序需要显示发送者姓名，此时通常会在 message 表中增加字段fromusername，甚至有的会增加 fromusersex，从而无需连表查询直接输出信息的发送者姓名和性别。这就是一种简单的，为了避免连表查询而使用的冗余字段设计。
  • 基于查询的冗余设计
    • 涉及分表操作后，一些常见的索引查询可能需要跨表，带来不必要的麻烦。确认查询请求远大于写入请求时，应设置便于查询项的冗余表。
  • 冗余表要点
    • 数据一致性，简单说，同增，同删，同更新。
    • 可以做全冗余，或者只做主键关联的冗余，比如通过用户名查询 uid，再基于 uid 查询源表。
  • 基于统计的冗余结构
    • 为了减少会涉及大规模影响结果集的表数据操作，比如 count，sum 操作。应将一些统计类数据通过冗余数据结构保存。
    • 冗余数据结构可能以字段方式存在，也可能以独立数据表结构存在，但是都应能通过源数据表恢复。
  • 历史数据表
  • 历史数据表对应于热点数据表，将需求较少又不能丢弃的数据存入，仅在少数情况下被访问。

主从架构

• 基本认识
  • 读写分离对负载的减轻远远不如分库分表来的直接。
  • 写压力会传递给从表，只读从库一样有写压力，一样会产生读写锁！
  • 一主多从结构下，主库是单点隐患，很难解决（如主库当机，从库可以响应读写，但是无法自动担当主库的分发功能）
  • 主从延迟也是重大问题。一旦有较大写入问题，如表结构更新，主从会产生巨大延迟。
• 应用场景
  • 在线热备
  • 异地分布
    • 写分布，读统一。
    • 仍然困难重重，受限于网络环境问题巨多！
  • 自动障碍转移
    • 主崩溃，从自动接管
  • 个人建议，负载均衡主要使用分库方案，主从主要用于热备和障碍转移。
• 潜在优化点
  • 为了减少写压力，有些人建议主不建索引提升 i/o 性能，从建立索引满足查询要求。个人认为这样维护较为麻烦。而且从本身会继承主的 i/o 压力，因此优化价值有限。该思路特此分享，不做推荐。

缓存方案

• Redis是最常用的缓存系统
• 数据读取
  • 并不是所有数据都适合被缓存，也并不是进入了缓存就意味着效率提升。
  • 命中率是第一要评估的数据。
  • 如何评估进入缓存的数据规模，以及命中率优化，是非常需要细心分析的
    • 实景分析： 前端请求先连接缓存，缓存未命中连接数据库，进行查询，未命中状态比单纯连接数据库查询多了一次连接和查询的操作；如果缓存命中率很低，则这个额外的操作非但不能提高查询效率，反而为系统带来了额外的负载和复杂性，得不偿失。
  • 相关评估类似于热点数据表的介绍。
  • 善于利用内存，请注意数据存储的格式及压缩算法。
• 利用缓存不但可以减少数据读取请求，还可以减少数据库写入 i/o 压力。
• 缓存实时更新，数据库异步更新、批量更新。

总结

• 第一步，完成数据库查询的优化，需要理解索引结构，才能学会判断影响结果集。而影响结果集对查询效率线性相关，掌握这一点，编写数据查询语句就很容易判断系统开销，了解业务压力趋势。
• 第二步，在 SQL 语句已经足够优化的基础上，学会对数据库整体状况的分析，能够对异常和负载的波动有正确的认识和解读；能够对系统资源的分配和瓶颈有正确的认识。
• 学会通过监控和数据来进行系统的评估和优化方案设计，杜绝拍脑袋，学会抓大放小，把握要点的处理方法。
• 第三步，在彻底掌握数据库语句优化和运维优化的基础上，学会分布式架构设计，掌握复杂，大容量数据库系统的搭建方法。
• 最后，分享一句话，学会把问题简单化，正如 Caoz 常说的，你如果认为这个问题很复杂，你一定想错了。
• 感谢您的阅读，如对您有帮助，来个三连吧

课后彩蛋
何为数据落地？为何内存中查找效率如此高效我们还非要把数据存入硬盘？
数据落地 也就代表了数据的安全性，不会被丢失。
内存是晶体管制作的(CPU也是晶体管做的),而晶体管的特性就是我们平时常说的用开关的开和关来表示1,0.通过一些门电路的组合可用来表示数字和实现复杂的逻辑功能.而内存主要是用来临时保存数据.CPU就是处理一些逻辑关系。
晶体管由于必须得通电,然后用电流的有无状态来表示信息,充放电后电荷的多少（电势高低）分别对应二进制数据0和1,所以只有通电的时候可以保存数据,电一断内存里的晶体管状态就处未知状态就啥用处也没了.而磁盘断电后磁性物质还会一直保持原样。

文章内容借鉴 厦门游家公司（4399.com） 某位大佬写的内部培训分享手册，特此鸣谢。
如有侵权 立即删除。