【背景】
做了 3 年数据库平台,慢查询治理是绕不开的事,但每次跟团队对齐策略,都会撞上一堵墙:
慢 SQL 来了,我们的第一反应是什么?
我见过三种明显不同的团队文化:
A.「超时优先」型
核心链路默认 max_execution_time = 500ms,超时就 kill,先保 P99 不被拖垮,根因后面再说。
典型逻辑:「慢查询是异常,异常就该被快速熔断,不能让它影响其他请求。」
这套思路的好处很直接——实现成本低,保护效果即时,不需要等工程师排期。
B.「根因优先」型 认为超时只是止血带,真正的解法是加索引 / 改 SQL / 读写分离,否则治标不治本。 典型逻辑:「如果我们靠超时来兜底,说明这个查询计划本来就不该出现在这条链路上。」 这套思路的问题是:改 SQL 动辄 1–2 周排期,加索引有写放大成本,短期风险敞口很大。
C.「两手抓」型(大多数团队) 超时兜底 + 根因修复并行,但往往缺乏清晰的优先级排序——哪条慢 SQL 先治、哪条先靠超时扛着,没有统一标准。
【我的倾向】
我倾向 C,但有一个关键区分:超时是「未知慢查询」的保险丝,修复是「已知慢查询」的解法,两者的适用对象不同,不应该混为一谈。
- 对核心交易链路:超时阈值应该偏激进(100–300ms),同时已知慢 SQL 必须在 1 个迭代内完成根因修复;
- 对批量 / 分析类查询:可以放宽到秒级,但必须有资源隔离(独立实例或 read replica),不能和在线流量混跑;
- 最大的坑:很多团队的
max_execution_time是上线时拍的一个值,之后再没人动过,导致要么误杀合法长查询,要么完全没起到保护效果。
【一个被普遍忽略的坑:max_execution_time 只保护 SELECT】
这条是我最想补的,因为它是 A 型团队最容易翻车的地方:MySQL 的 max_execution_time(以及会话变量 max_statement_time)只对 SELECT 语句生效,对 INSERT / UPDATE / DELETE 完全不生效。 官方文档写明它 "This variable applies only to SELECT statements"。
意味着什么:
- 如果你的核心慢点是一条慢 UPDATE(典型如
UPDATE orders SET status=... WHERE user_id=?因缺索引而锁了大量行、长时间持锁),max_execution_time=500ms对它毫无作用——这条 DML 会一直跑到结束,期间持有的行锁/间隙锁会拖累所有后续请求,P99 照样被打穿。 - 慢 DML 的治理只能靠:① 加索引减少锁行数;② 拆小批量(
LIMIT分批 update,每批 500–1000 行,批间 sleep);③ 在应用层给整条写链路设「总时长预算」,超时则放弃本次写、走补偿,而不是指望 DB 帮你 kill。 - 所以「超时兜底」这套打法默认只对只读链路成立;对写链路,兜底的是「索引 + 分批 + 应用层预算」,不是
max_execution_time。
这是我之前 C 型倾向里没写清、但线上真实踩过的一次事故的根因:我们对一条慢 UPDATE 信了 max_execution_time,结果它超时也没被 kill,锁住了 8 万行,下游查询全排队,P99 飙到 3s。
【想听大家聊的】
- 你们核心链路的超时阈值具体是多少?是按 query 类型差异化配置,还是全局一个值?
- 慢 SQL 治理的优先级排序,你们用什么标准?影响面(多少请求受影响)/ 频率 / 开发成本,哪个权重最高?
- 有没有遇到过「加了索引之后写路径变慢」的典型案例?你们怎么权衡的?
- 你们有 per-query 的超时配置机制吗,还是全靠连接池级别的全局值?
- (新增)你们的慢 DML(UPDATE/DELETE)是怎么兜底的?有没有人踩过
max_execution_time对 DML 不生效这个坑?
有具体场景 / 配置截图的欢迎贴出来,比抽象讨论有用。