MyDumper备份工具与MEMORY引擎表的死锁问题分析
2025-06-29 09:20:11作者:龚格成
问题背景
在使用MyDumper进行MySQL/MariaDB数据库备份时,当遇到使用MEMORY存储引擎的表时,可能会出现备份锁(backup lock)与表级锁(table level lock)之间的死锁情况。这种现象在备份过程中会导致MyDumper进程挂起,无法完成备份任务。
问题现象
具体表现为:
- MyDumper进程显示"Waiting for backup lock"状态
- 应用进程显示"Waiting for table level lock"状态
- 当表引擎改为MyISAM或InnoDB时,问题不会出现
- 终止任意一方进程后,另一方仍可能保持锁定状态
技术分析
MEMORY引擎特性
MEMORY存储引擎(原HEAP引擎)将表数据存储在内存中,具有以下特点:
- 数据访问速度极快
- 表结构在服务器重启后保留,但数据会丢失
- 默认使用表级锁定而非行级锁定
- 不支持事务
备份锁机制
MyDumper在执行备份时使用FLUSH TABLES WITH READ LOCK获取全局读锁,然后通过LOCK TABLES FOR BACKUP获取备份锁。这种机制在MariaDB中的特殊之处在于:
- 不会锁定不用于复制的临时表
- 但当需要写入二进制日志时,这些表会被阻塞
死锁成因
当MyDumper尝试备份MEMORY引擎表时:
- MyDumper获取备份锁
- 应用进程尝试更新MEMORY表
- 由于MEMORY引擎的表级锁定特性,更新操作需要获取表锁
- 同时备份锁阻止了表锁的获取
- 形成互相等待的死锁局面
解决方案
方案一:修改表引擎
将MEMORY引擎表改为MyISAM或InnoDB引擎是最直接的解决方案:
ALTER TABLE server_updater ENGINE=InnoDB;
方案二:仅备份表结构
对于MEMORY这类易失性表,可以仅备份表结构而不备份数据:
- 创建配置文件
mydumper_extra.cnf:
[`test_db`.`server_updater`]
object_to_export=SCHEMA
- 执行备份命令:
mydumper --defaults-extra-file=mydumper_extra.cnf [其他参数]
方案三:自定义补丁
对于高级用户,可以修改MyDumper源码实现选择性数据备份:
- 添加表数据跳过列表功能
- 在表结构导出阶段识别MEMORY引擎表
- 自动跳过这些表的数据备份
最佳实践建议
- 生产环境中慎用MEMORY引擎表
- 对于必须使用MEMORY引擎的场景:
- 考虑定期手动导出表结构
- 在备份策略中明确处理这类特殊表
- 监控备份过程中的锁等待情况
- 测试环境充分验证备份恢复流程
总结
MyDumper与MEMORY引擎表的死锁问题源于存储引擎特性与备份锁机制的交互作用。通过理解底层原理,我们可以采用多种方式规避这一问题,确保备份任务的顺利完成。对于关键业务系统,建议优先考虑修改表引擎的方案,从根本上消除潜在风险。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322