TiDB br 备份参数影响分析与最佳实践参考

作者： Chad 原文来源：https://tidb.net/blog/801ebc6b

背景介绍：

  目前 TiDB 物理备份工具主要使用BR来实现，br备份具有较多参数配置，不同参数配置下备份效率与影响可能存在差异，本篇文章的主要目的：

• 依据详尽的观测数据来评估各类 BR 备份参数的影响；

• 依据详尽的观测数据来评估备份介质、表数量对 BR 备份的影响；

• 依据详尽的观测数据来评估 BR 备份对于在线业务 QPS 与 latency 的影响；

• 依据详尽的观测数据来评估 BR 备份对 tikv cpu 的影响；

• 依据相近的观察数据来预估 BR 备份任务的耗时公式、对 GC 阻塞时长的影响；

• 依据上述：BR 各参数影响分析的结论，以及本身 BR 备份可能产生的影响，评估得出 BR 备份的最佳实践建议；

一、compression 配置影响分析

• 数据分析：

1. lz4 压缩方式，对 tikv 侧 cpu 消耗最低，备份速率适中，备份压缩率最低 ;

2. snappy 压缩方式，对 tikv 侧 cpu 消耗适中，备份速率最快，备份压缩率适中；

3. zstd 压缩方式，对 tikv 侧 cpu 消耗最高，备份速率最慢，备份压缩率最高 ;

• 建议：

1. 如果追求更小的备份空间使用，建议选择 zstd 备份压缩方式；(默认 zstd 方式)

2. 如果追求更快的备份速度，建议选择 snappy 备份压缩方式；

3. 如果追求更小的业务影响，建议选择 lz4 备份压缩方式；

二、compression-level 配置影响分析

• ZSTD 压缩方式下不同 compression-level 表现

• snappy 压缩方式下不同 compression-level 表现

• lz4 压缩方式下不同 compression-level 表现

• 数据分析：

1. lz4 压缩方式下，调整不同 compression-level，备份压缩率与备份速率几乎无影响；

2. snappy 压缩方式下，调整不同 compression-level，备份压缩率与备份速率几乎无影响；

3. zstd 压缩方式下，compression-level =1 时，备份速度最快 ;

4. zstd 压缩方式下，compression-level = 16 时，备份压缩率最高 ;

• 建议：

1. lz4 与 snappy 压缩算法，不建议人为去调整 compression-level，保持默认即可；

2. zstd 压缩方式下，如果追求更小的备份空间使用，可以调整 compression-level = 16;

3. zstd 压缩方式下，如果追求更快的备份速度，可以调整 compression-level = 1；

4. zstd 压缩方式下，如果追求备份速度与备份空间使用的平衡，compression-level 保持默认 3 即可；

• compression-level 参数详解：

1. compression-level 参数控制 BR 备份压缩算法使用的压缩等级；

2. compression-level 参数目前支持的等级范围: lz4 是 1 ~ 12 , zstd 是 -7 ~ 22;

3. compression-level 参数配置为 0，不代表关闭压缩，配置 0 目前是无效配置 ;

三、concurrency 参数配置影响分析

• 数据分析：

1. concurrency 参数配置越大，备份速度越快；

2. concurrency 参数配置越大，tikv backup thread cpu (AVG) 越高 ;

3. concurrency 参数配置越大，tikv backup thread cpu (AVG) 值越趋近于 tikv backup thread cpu (MAX) 值 ;

• 建议：

1. 如果追求更小的业务影响， concurrency 参数建议默认 4 即可；

2. 如果追求更快的备份速度， concurrency 参数建议调大，参数值范围控制在 4~256 区间；

• concurrency 参数详解：

1. concurrency 参数配置为 8，表示 BR 会同时启动 8 个表的备份任务；

2. concurrency 参数配置合理与否，与备份任务涉及的表个数相关，2 者数值越相近，备份效率越高，相应的 tikv 侧资源消耗越高；

四、ratelimit 配置影响分析

• 数据分析：

1. ratelimit 参数配置大于 64，对备份任务无明显影响；

2. ratelimit 参数在 128，256，512 时，备份耗时、备份速度基本持平；

3. 当 concurrency 被自动调整为 1 后，ratelimit 继续调大，对于备份速度以及流量控制无实际意义；

• 建议：

1. 不建议通过 ratelimit 来控制 BR 备份的效率，通过 backup.num_threads 与 concurrency 参数进行资源控制更为有效；

• ratelimit 参数详解：

1. ratelimit 参数控制：备份文件存储到外部存储的速度；

2. 当启用 ratelimit 配置的情况下，备份任务 concurrency 自动调节为 1*；*

3. ratelimit 参数控制的是：单个 tikv 实例的备份速率，并不是整个集群的备份速率；

五、backup.num-threads 配置影响分析

• 数据分析：

1. backup.num-threads 参数配置越大，备份速度越快，tikv cpu 消耗越高；

2. backup.num-threads 参数配置越小，备份速度越慢，tikv cpu 消耗越低 ;

• 建议：

1. 如果追求更快的备份速度，建议调大 backup.num-threads 参数，但通常不建议超过 8;

2. 如果追求更小的业务影响，更少的资源使用，建议调小 backup.num-threads 参数，以控制 tikv 侧 cpu 资源 max 位；

3. 如果追求更小的业务影响，更少的资源使用，建议调小 backup.num-threads 参数 + 调小 concurrency 参数，以控制 tikv 侧 cpu max 位与 avg 位；

• backup.num_threads 参数详解：

1. backup.num-threads 参数是 tikv 层 config 配置，可以 edit-config 进行修改 reload，也可以 set config tikv backup.num-threads=8 在线调整生效；

2. backup.num-threads 参数控制的是 tikv backup thread cpu 的 max 位，也就是最大使用量，配置为 2，代表：tikv backup thread cpu max 值最大到 200%;

六、表数量影响分析

• 数据分析：

1. 图中 10，100， 1000，分别代表集群中存在 10 个表、 100 个表、1000 个表的 3 种情况，总数据量是相同的；

2. 表个数越多，备份速度越慢，tikv cpu 消耗越低，备份耗时越长；

3. 表个数越小，备份速度越快，tikv cpu 消耗越高，备份耗时越短；

• 建议：

1. 如果集群中存在大量的 table 对象，可以相应调大 concurrency 参数来提升 BR 备份的速度；

七、br 备份对 Online business 影响分析

• 65% 基础负载下，BR 备份对 Online business 影响分析 (NVME)

• 65% 基础负载下，BR 备份对 Online business 影响分析 (NAS)

• 25% 基础负载下，BR 备份对 Online business 影响分析 (NVME)

• 25% 基础负载下，BR 备份对 Online business 影响分析 (NAS)

• 数据分析：

1. 65% 基础负载是指：没有启动 BR 备份，online business 运行期间 tikv 主机层面 cpu 使用率是 65%；

2. 25% 基础负载是指：没有启动 BR 备份，online business 运行期间 tikv 主机层面 cpu 使用率是 25%；

3. 65% 基础负载的 online business，使用 NVME 盘运行 BR 备份期间，QPS 衰减范围: 10%~25%;

4. 65% 基础负载的 online business，使用 NVME 盘运行 BR 备份期间，p95 latency 上涨范围: 8.5%~33.5%;

5. 65% 基础负载的 online business，使用 NAS 盘运行 BR 备份期间，QPS 衰减范围: 10.5%~23.5%;

6. 65% 基础负载的 online business，使用 NAS 盘运行 BR 备份期间，p95 latency 上涨范围: 10.5%~30%;

7. 25% 基础负载的 online business，使用 NVME 盘运行 BR 备份期间，QPS 衰减范围: 7%~15.5%;

8. 25% 基础负载的 online business，使用 NVME 盘运行 BR 备份期间，p95 latency 上涨范围: 15.5%~44.5%;

9. 25% 基础负载的 online business，使用 NAS 盘运行 BR 备份期间，QPS 衰减范围: 6.8%~11.8%;

10. 25% 基础负载的 online business，使用 NAS 盘运行 BR 备份期间，p95 latency 上涨范围: 10.4%~21%;

11. 采用 zstd 压缩算法进行 BR 备份，QPS 衰减比例会稍微高于 lz4 方式 , 大概高出: 4%；

12. 采用 NVME 盘进行 BR 备份，QPS 衰减比例会高于 NAS 盘备份，大概高出: 3%;

• 建议：

1. 如果追求更小的 online business 影响，建议采用 lz4 压缩算法进行备份；

2. 如果追求更小的 online business 影响，建议采用 NAS 盘或 S3 进行备份；

八、br 备份对 tikv cpu 的影响分析

• br 备份数据期间对 tikv cpu 的影响分析

• br checksum 阶段对 tikv cpu 的影响分析

• 数据分析：

1. backup.num-threads 参数配置为 4, concurrency 参数范围: 4~16, BR 备份期间 total tikv cpu (AVG) 上涨范围: 640%~1100%;

2. backup.num-threads 参数配置为 4, concurrency 参数范围: 4~16 , BR 备份期间 total tikv cpu (MAX) 上涨范围: 1395%~1899%;

3. backup.num-threads 参数配置为 4，BR 执行 checksum 阶段，单个 tikv cpu (MAX) 上涨: 1200%;

4. 上述第 3 点 ：单个 tikv cpu (MAX) 上涨: 1200%，这个 1200% 受到 readpool.unified.max-thread-count 配置限制，理论上可以更高；

• 建议：

1. 如果追求更小的 online business 影响，建议合理控制 backup.num-threads 参数与 concurrency 参数；

2. 如果追求更小的 online business 影响，建议 BR 备份期间关闭 checksum 动作，通过 –checksum=false 配置进行关闭；

九、影响 br 备份的核心变量及估算公式

核心影响变量：

• 集群大小可以参考监控: pd —> current storage size *** [变量：X]***

• 集群中单个主机上的 tikv 实例个数: *** [变量：Z]***

• 集群中主机层面 Vcore 数量: [变量: V]

• 集群中总的 tikv 机器数量： *** [变量: N]***

• BR 备份的核心控制参数: backup.num_threads : [变量: T]

估算 BR 备份的速率公式 (落盘速率)：

 ***> BR Backup rate =  6 MB/s  \* T \* Z \* N ***

估算 BR 备份的耗时公式：

 ***> BR Backup Time =  ( X / 3) / {BR Backup rate}***

**

估算 BR 备份期间单个 tikv 主机 cpu 负载公式 (MAX 值):

 ***> TIKV CPU Usage % = (T \* Z ) / V \* 100% ***

十、br 备份最佳实践参考

10.1 小型集群 [ DB size <= 10TB ]

• 备份介质: NAS 盘或 s3 存储

• backup.num-threads : 2

• concurrency : 16

• compression: lz4 或 zstd

• 备份命令参考：

• 假设备份介质:NAS 盘或 s3 不存在 IO 瓶颈现象 ;

• 假设集群 PD 监控显示大小为：10TB

• 假设集群 tikv 机器数量： 3

• 假设每个机器上启动 tikv 实例： 4

• 假设每个机器 Vcore 数量: 48

• 备份配置 num-threads: 2

• 依据以上信息估算 BR 备份的速率 ≈ 6MB/S * 2 * 4 * 3 ≈ 144MB/s

• 依据以上信息估算 BR 备份整个集群的耗时 ≈ ( 10TB/3 ) * 1024 * 1024 / (144MB/s ) ≈ 6.73h

** *> 估算公式： > BR Backup Time = ( X / 3) / {BR Backup rate}***

• 依据以上信息估算 BR 备份期间的 tikv 主机 cpu 负载 (MAX 值) ≈ (2 * 4) / 48 ≈ 16.7%

*** > 估算公式：TIKV CPU Usage % = (T * Z ) / V***

10.2 中型集群 [ 10TB < DB size <= 30TB ]

• 备份介质: NAS 盘或 s3 存储

• backup.num-threads : 4

• concurrency : 64

• compression: lz4 或 zstd

• 备份命令参考：

• 假设备份介质:NAS 盘或 s3 不存在 IO 瓶颈现象 ;

• 假设集群 PD 监控显示大小为： 30TB

• 假设集群 tikv 机器数量： 6

• 假设每个机器上启动 tikv 实例： 4

• 假设每个机器 Vcore 数量: 48

• 备份配置 num-threads: 4

• *** 依据以上信息估算 BR 备份的速率 ≈ 6MB/S * 4 * 4 * 6 ≈ 576MB/s ***

• *** 依据以上信息估算 BR 备份整个集群的耗时 ≈ ( 30TB/3 ) * 1024 * 1024 / (576MB/s ) ≈ 5h ***

** *> 估算公式： > BR Backup Time = ( X / 3) / {BR Backup rate}***

• ** 依据以上信息估算 BR 备份期间的 tikv 主机 cpu 负载 (MAX 值) ≈ (4 * 4) / 48 ≈ *33.3% ***

*** > 估算公式：TIKV CPU Usage % = (T * Z ) / V***

10.3 大型集群 [ DB size > 30TB ]

• 备份介质: NAS 盘或 s3 存储

• backup.num-threads : 4

• concurrency : 128

• compression: lz4 或 zstd

• 备份命令参考：

• 假设备份介质:NAS 盘或 s3 不存在 IO 瓶颈现象 ;

• 假设集群 PD 监控显示大小为：*** 60TB***

• 假设集群 tikv 机器数量： 6

• 假设每个机器上启动 tikv 实例： 4

• 假设每个机器 Vcore 数量: 96

• 备份配置 num-threads: 4

• *** 依据以上信息估算 BR 备份的速率 ≈ 6MB/S * 4 * 4 * 6 ≈ 576MB/s ***

• *** 依据以上信息估算 BR 备份整个集群的耗时 ≈ ( 60TB/3 ) * 1024 * 1024 / (576MB/s ) ≈ 10h ***

** *> 估算公式： > BR Backup Time = ( X / 3) / {BR Backup rate}***

• ** 依据以上信息估算 BR 备份期间的 tikv 主机 cpu 负载 (MAX 值) ≈ (4 * 4) / 96 ≈ *16.7% ***

*** > 估算公式：TIKV CPU Usage % = (T * Z ) / V***

十一、br 备份注意项 summary

• BR 备份任务配置中, backup.num_threads 参数控制在 8 以内范围，此参数越大，BR 备份期间 backup max cpu 使用率越高 ;

• BR 备份任务配置中, concurrency 参数控制在 256 以内，此参数越大，BR 备份期间 backup thread cpu(avg) 使用率越高 ;

• BR 备份运行期间，会阻止集群的 gc safepoint 推进，直到 BR 备份完成自动释放，需要与业务评估更多 Mvcc 所带来的影响 ;

• BR 备份运行期间，不同的参数配置下，online business 受到影响表现不一样，详情参阅第七章节；

• BR 备份任务配置中，需要关闭 checksum，避免触发 tikv cpu 突增现象，影响在线业务运行；

• BR 备份任务配置中，ZSTD 压缩算法消耗 tikv cpu 最高，snappy 其次，lz4 最低；

• BR 备份任务配置中，ratelimit 参数控制的是单个 tikv 实例的流量，不建议用此参数控制资源消耗 ;

十二、其他备注说明

• br 备份速率会受到本身集群环境信息的影响，比如：集群大小、集群拓扑、表数量、数据压缩率，NAS 或 S3 性能配置、tikv 主机 cpu 使用率等；

• 第十章主要目的是得出：估算公式模型以及在这个模型之上可能的各类耗时及资源占用情况，真实的表现可能因上述各类因素的影响，而对估算结果产生少量差异现象，本文无法穷举所有可能性；

• 备份速率 <—> 资源消耗之间存在正向相关性，而备份速率 <—> GC safepoint 阻塞时长之间存在反向相关性，在制定 br 备份策略期间需要考虑到这 2 个关系，避免对 online business 产生明显影响；

• 本文内容及结论基于版本信息， TiDB 集群版本：v6.5.3， br 版本: v6.5.3;

Thanks

2024.6.13