MYSQL学习之buffer pool的理论学习

MYSQL学习之buffer pool的理论学习

by 小乌龟

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、buffer pool是什么？

我们都知道，MySQL的数据都是存储在磁盘空间中的，但是操作系统与磁盘的交互是比较耗时的，势必会影响MySQL的性能，如果要提高MySQL的性能，势必要解决交互的速度问题，为了解决这一问题，buffer pool 应运而生。buffer pool 是MySQL在内存中专门为自己开辟的内存空间，相当于数据缓存，主要目的是暂存一些使用频率较高的一些，以达到提高MySQL性能的。

二、buffer pool 的内存结构

buffer pool 中主要包含两部分：数据页和数据块，数据页主要存储MySQL的数据，数据块主要存储和数据也相关的信息，两者一一对应；

• 数据页：存储MySQL中的真实数据，每一页的默认大小为16KB。

• 数据块：存储数据页的页码，在buffer pool中的地址以及数据页所属的表空间等数据，大约为数据页大小的5%，816个字节左右。

三、buffer pool 的初始化和配置

初始化

1、MySQL 启动时，会根据参数 innodb_buffer_pool_size 的值来为 Buffer Pool 分配内存区域。
2、然后会按照缓存页的默认大小 16k 以及对应的描述数据块的 800个字节 左右大小，在 Buffer Pool 中划分中一个个的缓存页和一个个的描述数据库块。
此时的缓存页和描述数据块都是空的，毕竟才刚启动 MySQL

配置

？

四、buffer pool 空间管理

缓冲池的大小是有限的，当数据页不断被复制到缓冲池中时，必然会出现溢出的情况，因此要存在相应的淘汰策略去不断淘汰到缓冲池中的数剧，同时还要保证常用的数据能够保存在缓冲池中。buffer pool采用LRU方法进行数据页的数据页的淘汰管理，（LRU，全称是 Least Recently Used，中文名字叫作「最近最少使用」）顾名思义，淘汰最近最少使用的数据页。
但是呢，如果基于此算法，当遇到全表扫描时，此时缓存池中会加载大量的新的数据页，从而将缓存池中的已存在的且被频繁访问的数据页替换出去，从而也影响了MySQL的性能，因此，基于冷热数据分离的LRU算法登场；

LRU淘汰法

首先，为了能够完成LRU算法，底层采用链表的形式存储数据的地址，链表中每一个节点存储的是该节点所指向数据页的地址（此节点也称为称为控制块），当有一个数据页被访问时，此节点会移动到表头，基于此算法，表尾的节点自然就成为了最少使用的节点，当要进行淘汰数据页操作时时，将表尾节点所指向的内存替换即可，同时删掉此链表的结尾结点。通常我们此链表称为LRU链表

1. 缓存页已在缓冲池中
这种情况下会将对应的缓存页放到 LRU 链表的头部，无需从磁盘再进行读取，也无需淘汰其它缓存页。

如下图所示，如果要访问的数据在 6 号页中，则将 6 号页放到链表头部即可，这种情况下没有缓存页被淘汰。

2. 缓存页不在缓冲池中
缓存页不在缓冲中，这时候就需要从磁盘中读入对应的数据页，将其放置在链表头部，同时淘汰掉末尾的缓存页

如下图所示，如果要访问的数据在 60 号页中，60 号页不在缓冲池中，此时加载进来放到链表的头部，同时淘汰掉末尾的 17 号缓存页。

冷热数据分离的LRU算法

冷人数据分离的LRU算法就是将 LRU 链表分为两部分，一部分为热数据区域，一部分为冷数据区域。

当数据页第一次被加载到缓冲池中的时候，先将其放到冷数据区域的链表头部，1s（由 innodb_old_blocks_time 参数控制） 后该缓存页被访问了再将其移至热数据区域的链表头部。

基于此算法，当遇到全表扫描时，新数据只会在冷数据区进行频繁的淘汰替换，并不会全部占满缓冲池，因此有效的保证了其他真正频繁被使用的数据；那么为什么是大于1秒呢？要知道，缓冲区中冷数据替换是相对较快的，如果大于了1s后又被访问到，说明此数据有足够的的资格被列为频繁被访问的数据。就好像我们高中时后的尖子生班和中等班的流动名额，尖子升班最后几名的是替换的非常快的，如果最后几名中有一名同学在经过很多轮的考试后，依然挺拔且坚定的的矗立在尖子上里，即使是在最后的角落里，那么此同学是不是也是一名强者,有资格被认定为尖子生！！（为尖子生鼓掌）

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。