ActionTech dble项目中的ONLINE DDL操作详解
背景介绍
在分布式数据库中间件ActionTech dble中,DDL(数据定义语言)操作一直是一个需要谨慎处理的部分。在3.20.04.0及之前版本中,执行任何DDL操作时,dble会采取严格的表锁机制,这不仅影响当前节点的操作,还会通知集群中的其他dble节点同样加锁。这种机制虽然保证了数据一致性,但显著影响了系统的可用性。
随着MySQL 5.6及更高版本引入了ONLINE DDL特性,部分DDL操作可以在不阻塞DML(数据操作语言)的情况下执行。dble项目也借鉴了这一思路,识别出那些不需要修改dble元数据的DDL操作,允许它们以ONLINE模式执行,从而提升系统整体可用性。
ONLINE DDL的核心概念
ONLINE DDL指的是在执行DDL操作时,允许同时对表进行读写操作。在dble中,判断一个DDL操作是否可以ONLINE执行的关键标准是:该操作是否会影响dble维护的表元数据。
dble主要关注三类表元数据:
- 列名称
- 列数据类型
- 列是否允许NULL值
如果DDL操作不涉及这三类元数据的变更,且MySQL本身支持该操作的ONLINE执行,那么dble就可以直接将该DDL下发给后端MySQL实例执行,而不需要加表锁。
支持的ONLINE DDL操作类型
根据MySQL 8.0的ONLINE DDL特性,dble项目对各类DDL操作进行了详细分类和评估:
索引操作
-
创建或新增二级索引:完全支持ONLINE模式
- 示例:
CREATE INDEX idx_name ON table_name(col1); - 特点:MySQL会在事务完成后执行索引创建,期间允许正常读写
- 示例:
-
删除索引:完全支持ONLINE模式
- 示例:
DROP INDEX idx_name ON table_name; - 特点:立即生效,不影响表数据
- 示例:
-
修改索引类型:支持ONLINE模式
- 示例:
ALTER TABLE tbl DROP INDEX i1, ADD INDEX i1(col) USING BTREE;
- 示例:
列默认值操作
-
设置列默认值:支持ONLINE模式
- 示例:
ALTER TABLE tbl ALTER COLUMN col SET DEFAULT 100;
- 示例:
-
删除列默认值:支持ONLINE模式
- 示例:
ALTER TABLE tbl ALTER COLUMN col DROP DEFAULT;
- 示例:
其他支持的操作
部分VIRTUAL生成列的操作也支持ONLINE模式,但实际应用中较少使用。
不支持的ONLINE DDL操作
主键操作
所有主键相关操作都不支持ONLINE模式,包括:
- 新增主键
- 删除主键
- 修改主键
原因在于主键变更需要重建表数据,代价高昂且影响dble的路由逻辑。
列结构变更
大多数列结构变更都不支持ONLINE模式,包括:
- 新增列
- 删除列
- 重命名列
- 修改列数据类型
- 修改列NULL约束
这些操作会直接影响dble的元数据,必须加锁执行。
外键操作
dble作为分布式中间件,跨实例的表之间建立外键没有实际意义,因此不支持外键相关的ONLINE DDL。
表分区操作
dble自身实现了分库分表功能,不依赖MySQL的表分区,因此不处理表分区相关的DDL。
技术实现细节
dble通过以下机制实现ONLINE DDL:
- SQL解析:使用阿里的Druid解析器分析DDL语句
- 元数据判断:识别DDL是否影响关键元数据
- 锁控制:对需要元数据变更的操作加表锁
- 集群同步:在集群环境下协调各节点的元数据更新
使用建议
- 索引维护:尽量在业务低峰期执行,虽然支持ONLINE,但仍可能影响性能
- 结构变更:重大结构变更建议在维护窗口进行
- 自增列:避免在分片表上修改自增值,因为各节点无法保持同步
- 外键:分布式环境下应避免使用外键约束
常见问题
-
为什么有些MySQL的ONLINE DDL在dble中不支持?
- dble需要维护自己的元数据,某些不影响MySQL元数据的操作可能影响dble元数据
-
执行DDL时出现锁超时怎么办?
- 检查是否有长事务持有表锁,必要时终止阻塞的事务
-
如何确认DDL是否以ONLINE模式执行?
- 查看执行计划或监控锁等待情况
总结
ActionTech dble项目通过精细化的ONLINE DDL支持,在保证分布式一致性的前提下,尽可能减少DDL操作对业务的影响。理解各类DDL操作的支持情况,有助于数据库管理员更好地规划数据库变更,确保系统稳定运行。
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