1. 背景

在实际生产中，因为SQL较慢、SQL关联不合理、不了解索引的性质、不熟悉mysql执行计划分析，可能会出现一些生产事故，本文会简单说明SQL通常的优化分析思路。
基本的优化原则：

1. 先优化SQL
2. 再优化mysql server
3. 最后优化硬件

2. 优化sql从执行计划开始

执行计划是mysql语句优化中最长使用的方式。相比于开发人员依赖经验、感觉进行优化，explain将会提供精确的分析结论。
其使用非常简单：

explain select data from A where id = "asdaqsdqw"

explain后面加上你想要分析的语句，执行即可。
重点在于执行计划结果的分析。
来看一个典型的explain结果:

2.1 table字段

2.1.1 分析

涉及到的表。一般而言，只涉及一张表就只有一行，但涉及多张表如n张表时，则至少有n行，因为多表join的过程可能出现中间临时表，这也是表，虽然不会出现在sql中，但执行时是会计算在执行计划内的。
对于inner join情况，先出现的表是驱动表，后出现的表是被驱动表。

2.1.1.1 驱动表

驱动表（Driving Table） 是作为外层循环的表，被驱动表（Driven Table）是作为内层循环的表。选择合适的驱动表能显著减少连接的总计算量，核心原则是：“小表驱动大表”（用数据量更小的表作为驱动表）

理由：
总操作次数 ≈ 驱动表行数 × 被驱动表中每行的匹配次数。
若驱动表是小表（如 100 行），被驱动表是大表（如 100 万行）：总操作次数约为 100 × 平均匹配次数。
若反过来（大表驱动小表）：总操作次数约为 100万 × 平均匹配次数，是前者的 1 万倍。
显然，小表作为驱动表能大幅减少外层循环次数，降低总计算开销。
伪代码辅助理解：

#伪代码：嵌套循环连接
for 驱动表中的每一行 a in A:for 被驱动表中匹配 a 的行 b in B:输出 (a, b)

所以，explain的结果，行数越少越好，用于驱动的表规模越小越好。
注意，这里的 “小” 不是指表的原始大小，而是 “经过 WHERE 过滤后参与连接的行数”，比如A表原本有100万数据，但谓词下推过滤后剩30条，那么驱动规模按30计算。

此外，被驱动表中，即使一个字段被加了索引，也很有可能在查询中不生效。
比如：
A表内连接B表，在where子句中使用B表的create_time作为时间范围限制，B.create_time已经加了索引，但为什么这个索引没生效？
因为MySQL 会先扫描 A表 的行，再逐行到 B表 中匹配连接条件（如 A.id = B.a_id）。此时，WHERE B.create_time 的过滤条件可能在 连接之后 执行（即先匹配所有满足连接条件的行，再过滤时间范围），导致索引失效，退化为普通全集扫描。
这个要点在后面线上事故分析时会看到实际案例。

2.1.2 使用

多数数据库（如 MySQL、PostgreSQL、SQL Server）的优化器会根据表的统计信息（行数、索引分布等）自动选择 “成本最低” 的驱动表，无需人工干预。
但在以下场景可能需要手动指定：

• 统计信息过时（如刚批量插入数据未更新统计信息），导致优化器误判表大小（可以执行ANALYZE TABLE Table_name来解决）；
• 复杂多表连接（3 张以上），优化器可能因计算复杂度选择次优顺序。
  手动指定方式（以 MySQL 为例）：
  用 STRAIGHT_JOIN 强制左表为驱动表：

-- 强制 A 作为驱动表，B 作为被驱动表
SELECT * FROM A STRAIGHT_JOIN B ON A.id = B.a_id;

2.2 type字段（重要）

type 字段 描述了 表的访问方式（即 MySQL 如何查找表中的行），是判断查询效率的核心指标之一。type 的值从 “性能最优” 到 “性能最差” 有明确的优先级，直接反映了查询对索引的利用效率
type 可能出现的值及含义（按性能从优到劣排序）

1. system：表中只有一行数据（系统表），是 const 类型的特例，几乎不会在生产中出现
2. const：通过主键或唯一索引的 等值查询 匹配到一行数据（最多一行），唯一主键且不join时会有
3. eq_ref：在 多表 JOIN 中，被驱动表的连接列是 主键或唯一非空索引，且每个驱动表的行只能匹配到被驱动表的一行
4. unique_subquery：子查询中使用了唯一索引，替代了 eq_ref 的 JOIN 方式（适用于 IN 子查询），一般认为和eq_ref效率基本一致
5. ref：非唯一索引的等值查询，或 JOIN 中被驱动表的连接列是 非唯一索引，可能匹配到多行
6. ref_or_null：类似 ref，但额外包含对 NULL 值的查询（即条件中包含 IS NULL）
7. index_merge：MySQL 使用 索引合并优化，即同时使用多个单列索引，将结果合并（交集 / 并集）后返回
8. range：使用索引进行 范围查询，只检索索引中某一范围内的行，范围越小（匹配行数越少）效率越高。若范围过大（接近全表），可能退化为全表扫描
9. index：扫描 整个索引树（而非全表），但未利用索引筛选，仅通过索引覆盖数据（即 “索引全扫描”）
10. ALL：全表扫描（Full Table Scan），MySQL 会遍历整个表的所有行来查找匹配的记录，最差的情况

目标是至少确保 type 达到 range 级别，最好能达到 ref 或更高。若出现 ALL 或 index，需检查是否缺少索引、索引失效或查询条件不合理，及时优化。

2.3 possible_keys字段

mysql执行计划预先判断某一次查询可能涉及的索引，如果你期望命中的索引没有命中，可以先在这里看你的索引是否被排除在预期之外，并据此优化。
有时mysql的执行计划如果只看keys字段，看起来好像有索引使用，但其实如果把possible_keys和keys连起来看，那么就会发现possible_keys为null时，即使keys有值也不一定走索引。

2.4 key字段（重要）

关键字段，代表实际命中的索引。如果为null则代表没有命中索引。要结合possible_keys字段一起分析。

2.5 ref字段

ref 字段用于描述：在使用索引查找匹配行时，哪些 “值”（可能是列名、常量或函数结果）被用来与索引列进行比较。它直观地展示了 MySQL 如何利用索引来定位符合条件的行，是理解索引匹配逻辑的重要依据

1. 取值为 常量（如 const、具体值），当前表的索引列与常量进行等值匹配 时，ref 会显示为 const 或具体的常量值，说明用 “常量” 与索引列比对
2. 取值为 其他表的列名：在 多表 JOIN 场景中，当被驱动表的索引列与驱动表的某列进行匹配时，ref 会显示驱动表的 “表名。列名”，说明用驱动表的列值与被驱动表的索引列比对。
3. 取值为 函数或表达式结果：当查询条件中，索引列与函数 / 表达式的结果比对时，ref 会显示函数或表达式的相关信息（不同 MySQL 版本可能显示方式不同）
4. 取值为 NULL：特殊情况下（如 type 为 index 或 ALL 时），ref 可能为 NULL，表示没有使用 “具体值” 与索引列比对（可能是全索引扫描或全表扫描，无需比对值）
   总而言之，这个字段是key字段的延展，用来告诉你你的索引和什么进行比对

2.6 rows字段

rows 表示 MySQL 优化器估计需要扫描的行数（即 “预计要检查多少行才能找到符合条件的记录”），rows 值越小，说明查询需要检查的行数越少，效率通常越高

2.7 filtered字段

filtered 表示经过表级条件过滤后，剩余行所占的百分比（取值范围 0~100），filtered = (满足条件的行数 / 扫描的行数) * 100

2.8 Extra字段（重要）

Extra 字段用于提供查询执行计划的额外细节信息，补充 type、ref 等字段未涵盖的执行逻辑（如索引使用细节、排序方式、临时表使用等）。它是判断查询是否需要优化的关键依据，许多 Extra 值直接反映了查询的性能瓶颈（如是否需要临时表、是否需要额外排序等）。

1. Using index：使用了覆盖索引（Covering Index），即查询所需的所有列（SELECT 后的列 + WHERE/JOIN 条件的列）都包含在索引中，无需回表访问主键索引获取数据，性能极佳，是索引优化的理想状态，避免了回表的 IO 开销
2. Using where：MySQL 使用了 WHERE 条件过滤数据，但未使用索引（或虽使用索引但索引未覆盖所有过滤条件，需在服务器层进一步过滤），性能：若 type 为 ALL（全表扫描），则性能较差，需添加索引；若 type 为 range 等，需结合具体场景优化
3. Using index condition：启用了索引条件下推（Index Condition Pushdown, ICP） 优化，将部分 WHERE 条件下推到存储引擎层，在索引扫描时直接过滤不符合条件的行，减少回表次数
4. Using temporary：MySQL 需要创建临时表来存储中间结果（如用于 GROUP BY、DISTINCT 或 JOIN 时的排序 / 去重），性能较差，临时表（尤其是磁盘临时表）会增加 IO 和内存开销，数据量大时可能导致严重性能问题。必须优化（如为 GROUP BY 列添加索引）
5. Using filesort：MySQL 需要对结果进行额外排序（无法利用索引的自然顺序完成排序），排序操作可能在内存或磁盘中进行（数据量大时会写入临时文件），性能较差，排序是 CPU 密集型操作，数据量大时会严重影响性能。需优化（如为 ORDER BY 列添加索引，或调整排序顺序与索引一致）
6. Using filesort with small result：类似 Using filesort，但排序的结果集很小，排序开销较低（MySQL 认为无需优化）
7. Using join buffer (Block Nested Loop) 或 Using join buffer (Batched Key Access)：JOIN 操作中，被驱动表无可用索引，MySQL 使用连接缓冲区（Join Buffer）存储驱动表的数据，再与被驱动表的行逐行比对（嵌套循环连接），性能极差，无索引的 JOIN 是性能杀手，数据量大时需为连接列添加索引
8. Range checked for each record (index map: N)：MySQL 无法确定哪个索引更高效，因此对驱动表的每一行，都会检查被驱动表的多个索引（index map: N 表示候选索引的位图），选择当前行最匹配的索引。可以尝试手动执行此语句解决：ANALYZE TABLE
9. Impossible WHERE：WHERE 条件永远为 FALSE，MySQL 无需扫描表（如 WHERE 1=0），性能极高但毫无意义
10. No tables used：不涉及表查询，比如select 1+1

总结而言：

• Using temporary：避免临时表，通过索引优化 GROUP BY/DISTINCT；
• Using filesort：添加排序索引，或调整 ORDER BY 顺序与索引一致；
• Using join buffer：为 JOIN 的 ON 条件列添加索引；
• Using where 且 type=ALL：为过滤列添加索引，避免全表扫描。

3. Mysql索引

特别地，任何索引在经过函数计算后都会失效。

3.1 主键索引

唯一标识表中的记录，不允许重复，且不允许为 NULL，每个表只能有一个主键索引。
InnoDB 中，主键索引是聚簇索引（叶子节点直接存储整行数据），性能最优。
执行计划：

{
"explain\r\nselect * from A where id = 1944811872387059713": [{"id" : 1,"select_type" : "SIMPLE","table" : "A","partitions" : null,"type" : "const","possible_keys" : "PRIMARY","key" : "PRIMARY","key_len" : "8","ref" : "const","rows" : 1,"filtered" : 100.0,"Extra" : null}
]}

3.2 唯一索引

确保索引列的值唯一（允许 NULL，但 NULL 只能出现一次）。Mysql非主键索引中最高效的键，它在建表时表达为UNIQUE，可以唯一定位一条数据。
对于唯一键，建议的使用方式只有一种，就是等于。
举例：
A表的唯一键是id，那么查询时应当：
select data from A where id = xxx
其执行计划表达为：

{
"explain\r\nselect * from service_entity where service_address=\"127.0.0.1\"": [{"id" : 1,"select_type" : "SIMPLE","table" : "service_entity","partitions" : null,"type" : "const","possible_keys" : "UKjety3jc210qsbnuij9yl61nf2","key" : "UKjety3jc210qsbnuij9yl61nf2","key_len" : "1022","ref" : "const","rows" : 1,"filtered" : 100.0,"Extra" : null}
]}

特别地，如果此唯一索引为int或bigint，且符合严格递增，那么我们遇到深分页问题时，可以尝试用唯一索引的范围来优化查询，这同样也适用在主键索引为数值的情况：

select id from A where id >= xxx and id < yyy and ...

其执行计划表达为：

{
"explain\r\nselect * from test_a where connections > 1 and connections <= 3\r\n\r\n\r\n": [{"id" : 1,"select_type" : "SIMPLE","table" : "test_a","partitions" : null,"type" : "range","possible_keys" : "idx_conn","key" : "idx_conn","key_len" : "5","ref" : null,"rows" : 2,"filtered" : 100.0,"Extra" : "Using where; Using index"}]
}

此处我们可以看到Extra中仍然存在using where，这是因为除了范围没有使用别的索引，如果查询还有其他索引，则还有优化空间

3.3 时间索引

时间索引一般而言使用模式比较固定，例如create_time，大多数场合都是create_time > xxx and create_time < yyy的使用模式。
不过也有一些细节可以注意。
看下面的SQL

select data from A where create_time >= '2025-09-01 00:00:00' and create_time < '2025-09-02 23:59:59'

这是我们在实际生产中见到的一类写法，这一类写法没有什么大问题，在必须精确到毫秒数的场合一定是这种写法。
其执行计划表现为：

{
"explain\r\n select * from A where create_time >= '2025-09-01 00:00:00' and create_time < '2025-09-02 23:59:59'": [{"id" : 1,"select_type" : "SIMPLE","table" : "A","partitions" : null,"type" : "range","possible_keys" : "timer_cre","key" : "timer_cre","key_len" : "4","ref" : null,"rows" : 45534,"filtered" : 100.0,"Extra" : "Using index condition; Using MRR"}
]}

特别地，Extra 列出现 “Using MRR” ，表示优化器启用了 MRR（Multi-Range Read，多范围读取）优化策略。这是 MySQL 针对 “二级索引查询 + 回表” 场景设计的性能优化手段，核心目标是将 “随机 IO” 转化为 “顺序 IO” ，减少磁盘 IO 开销，提升查询效率。总之，是一种比using where更优的表现。

如果是限定时间范围查询，比如某些场合已经预先确定一次查询必然查且只查一个自然日，那么更好的写法是：

select data from A where create_time = '2025-09-02'

其执行计划表现为：

{
"explain\r\nselect * from async_main_task_0 where create_time = \"2025-09-09\"\r\n\r\n\r\n": [{"id" : 1,"select_type" : "SIMPLE","table" : "async_main_task_0","partitions" : null,"type" : "ref","possible_keys" : "timer_cre","key" : "timer_cre","key_len" : "4","ref" : "const","rows" : 1,"filtered" : 100.0,"Extra" : null}
]}

3.4 字符串索引

这是实际生产中最常见到的一类索引，这一类索引不像数字索引那样可以简单的比较大小，其效率极大地取决于用户的使用方式。

3.4.1 最高效的方式

当然是直接等于：

select data from A where trace_id = "asdqwdzscqwfcqf"

其执行计划表现为：

{
"explain\r\n\r\nselect * from A where task_id = \"47f8fc36febb44f8afb5d08240bf4868\"": [{"id" : 1,"select_type" : "SIMPLE","table" : "A","partitions" : null,"type" : "ref","possible_keys" : "idx_task_id","key" : "idx_task_id","key_len" : "1022","ref" : "const","rows" : 1,"filtered" : 100.0,"Extra" : null}
]}

3.4.2 次优的方式

左like：

select data from A where trace_id like "asdwd%"

其执行计划表现为：

{
"explain\r\n\r\nselect * from A where task_id like \"47f8fc36febb44f8afb5d08240bf4%\"": [{"id" : 1,"select_type" : "SIMPLE","table" : "A","partitions" : null,"type" : "range","possible_keys" : "idx_task_id","key" : "idx_task_id","key_len" : "1022","ref" : null,"rows" : 1,"filtered" : 100.0,"Extra" : "Using index condition"}
]}

3.4.3 不生效的方式

1. 两侧like: select data from A where trace_id like “%asdqwd%”
2. 对列做函数计算：select data from A where len(trace_id) > 100
   以上两种，绝对不要在大数据量、大QPS场合出现必死。

3.5 联合索引

3.5.1 联合索引的建立

联合索引涉及到多个字段，由于mysql基础数据结构的限定，必须要在建立索引时就决定好从左到右的顺序。
以A表为例，如果其包含字段x,y,z,j,k,l，当我们想使用联合索引时，就必须预先分析下面两个问题：

1. 要用哪些字段加入到联合索引
2. 这些索引的排序
   这两个问题极其重要，会极大影响索引的过滤效果。
   下面给出一些分析标准来确定哪些字段应当加入联合索引：

• 区分度极高（如各种ID），且固定出现在where条件里
• 可以大规模过滤掉非目标数据（如时间段，如各种数值区间）
• 在条件查询的where中高频出现
• 绝不参与任何函数计算

假如根据上面的标准，我们筛选出x,z,j三个作为联合索引，那么排序应当按照如下原则从左到右排列：

• 固定出现的查询条件
• 高频出现的查询条件
• 可以过滤更多数据的查询条件
• 未必会出现的查询条件

比如，z条件必定出现在每次查询中，则z排第一位;x大概率出现，且为id字段，则排第2位；j不长出现，则排第三位，那么创建索引的语句为：

create index `udx_z_x_j` on A (z,x,j)

一定要注意，越靠左的索引越重要，使用联合索引查询时，左边的索引一旦缺失，整个查询效率会有巨幅下降。
创建该索引后，只要z,x出现，那么j不出现，也至少可以走两个索引。

3.5.2 联合索引的查询

查询过程务必遵守创建联合索引时的左右顺序，尽最大可能保证建立索引时左边的索引在where中出现：

select data from A where z="asdqdqw" and x like "niqdwnu%"

如果没有遵循这个原则，那么从左侧哪一个查询条件开始缺失，就会从哪一个索引开始失效。例如：

select data from A where x = 'aedqw'

看起来好像使用了联合索引中的x，但由于最左的z缺失，所以整个联合索引都失效了。
实际SQL:

-- test_jpa.test_union_index definitionCREATE TABLE `test_union_index` (`id` bigint(20) NOT NULL,`task_type` varchar(128) NOT NULL COMMENT '任务分类：智批改任务，划题任务，直接干预任务等',`task_status` varchar(32) NOT NULL COMMENT '任务状态，INIT：初始化，DOING：进行中，FAILED：失败，SUCCEED：成功',`task_stage` varchar(32) NOT NULL COMMENT '任务阶段，LAYOUT_ANALYSIS：版面分析，GET_TOPIC：取题，RECOGNIZATION：识别，CORRECTION：批改，INTERENTION:干预',PRIMARY KEY (`id`),KEY `udx_type_status_stage` (`task_type`,`task_status`,`task_stage`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;explain
select * from test_union_index
where task_status="STATUS_092" andtask_stage = "STAGE_092"

实际的执行计划为：

{
"explain\r\nselect\r\n\t*\r\nfrom\r\n\ttest_union_index\r\nwhere\r\n\t\r\n\ttask_status=\"STATUS_092\" and\r\n\ttask_stage = \"STAGE_092\"": [{"id" : 1,"select_type" : "SIMPLE","table" : "test_union_index","partitions" : null,"type" : "index","possible_keys" : null,"key" : "udx_type_status_stage","key_len" : "774","ref" : null,"rows" : 10119,"filtered" : 1.0,"Extra" : "Using where; Using index"}
]}

看似type为index好像走了索引，但实际上possible_keys为null，实际扫描的行数10119，就是全表的行数，根本未走索引。
而真正命中索引的效果为：

{
"explain\r\nselect\r\n\t*\r\nfrom\r\n\ttest_union_index\r\nwhere\r\n\t\r\n\ttask_type=\"TYPE_092\"": [{"id" : 1,"select_type" : "SIMPLE","table" : "test_union_index","partitions" : null,"type" : "ref","possible_keys" : "udx_type_status_stage","key" : "udx_type_status_stage","key_len" : "514","ref" : "const","rows" : 1,"filtered" : 100.0,"Extra" : "Using index"}
]}

3.5.3 合理使用联合索引避免回表

mysql中同一个索引涉及到的内容维护在同一棵索引树，如果要查询的字段包含在索引里且索引生效，那么就可以避免查询到索引后还需要回查真实数据。

3.6 多种索引冲突

有时SQL太过于复杂，join的表太多，索引之间会有冲突，未必真就会命中预期的索引。这种时候需要从未加索引的状态开始，一点点加索引做测试，千万不要偷懒。

4. 跨表JOIN问题

4.1 使用join的基本原则

这是整个Mysql生产中最容易出问题的部分。这里提出如下一些基本思想：

1. 首先判断是否只能使用join解决问题，而不能使用任何别的手段。只要还有别的更优方案，尽量避开join
2. 如果一定要使用join，那么inner join优先其他join（内连接取交集，数据量相对小）
3. 尽最大可能避免join超过2张表（多表情况，mysql执行器会产生优化障碍和驱动表选择障碍）
4. Join on的字段一定要对两张表都是索引，必须要用等于，比如task_id对于A和B都是索引，那么select data from A inner B where A.task_id=B.taskId
5. join后的表绝对不要写select *，一是未必需要全字段，二是不同表也许有同名字段，一旦和实体字段映射错了那么查询直接崩溃报错，三是有时候精确查询是可以省略回表的，全查则没有这种可能性
6. 一定要注意A和B表连接的字段是否是同样的数据类型，比如A中taskId为varchar，B中为BIGINT，那么就会发生隐式转换，这是一种函数计算，会导致索引失效
7. 一定要使用explain分析执行计划，多方比较，直到explain的所有行都走索引、Extra字段中几乎没有using temporary、using where情况才算优化完成

4.2 谓词下推

在数据库查询优化中，谓词下推（Predicate Pushdown） 是一种通过将过滤条件（谓词）尽可能提前应用来减少数据处理量的优化技术。其核心思想是：让数据在进入后续处理阶段（如连接、排序、聚合等）之前，就被过滤掉不需要的部分，从而降低整体计算和 IO 开销。

4.2.1 谓词

指查询中用于筛选数据的条件，通常出现在 WHERE、ON 或 HAVING 子句中，例如 age > 30、status = ‘active’ 等

4.2.2 下推

指将这些过滤条件从查询的 “上层”（如外层查询、聚合阶段）“推” 到 “下层”（如子查询、表扫描阶段、数据源读取阶段）执行，让过滤操作在数据处理的早期阶段完成

4.2.3 为什么需要谓词下推

没有谓词下推时，查询可能会先读取大量无关数据，再在后续阶段过滤，导致资源浪费。例如：
假设查询是 A和B join并查询A.a大于10，B.b小于100 的行：

-- 无优化时的执行逻辑（低效）
select * from A Join B on A.id = B.id where A.a > 10 and B.b < 100;

此时子查询会先返回表中所有行，再在外部过滤。
应该改为：

select * from (select *  from A  where a>10)A1 Join (select *  from B  where b<100)B1 on A1.id = B1.id;

4.3 不使用join的一些解决思路

4.3.1 从复杂join更替为多个简单查询，在代码中筛选

有时候一条语句实在太过复杂，没有优化的思路，那么也许可以试试把复杂sql拆成多个简单查询。
比如A和B和C表关联查询，A表的join字段需要做函数计算导致索引失效。
也许可以尝试先查一下A表，如果规模并不大，比如结果集只有几十条上百条，那不妨先查A，而后在代码中对A的结果做你想要做的函数计算，再把计算结果作为过滤条件参与到B和C的关联查询中。

4.3.2 将join改为where中的exists

比如需要查询A表中符合B表某些条件的数据，如果用join则涉及到关联，但如果替换为exists，mysql会自动优化为单表查询，直接优化掉一整张表的扫描，这比任何索引优化都强。

4.3.3 合理冗余字段

如果存储数据时预先考虑到join可能出现的情况，那么设计表时可以考虑冗余一些字段，比如原本要AjoinB来查询B中的一两个字段，那么有没有可能直接在A中添加这两个字段来避免JOIN呢？
现在随着固态硬盘的发展和降价，少量空间上的冗余并不耗费多少成本，但慢SQL一旦出现线上问题，损失可能比存储贵得多。

5. 分治策略

对于特别复杂的查询情况，涉及多表多条件，不妨试试看用分治的思想来应对。
核心思路是把一个统一大查询拆分成几种不同的分支情况，在代码里决定不同情况走不同查询，而后针对不同的查询专项优化。
比如某种查询，涉及到AB表关联查询，B表查询条件视情况发生变化，未必出现，最终的结果要按照A表的时间字段进行排序分页。
那么就可以分出两种情况：

1. 不存在B表的查询条件
2. 存在
   针对1情况，结合上面的知识，就可以比较容易的得出优化方案，首先把A表做一次查询和分页，记为小表再inner joinB表，只要A表查询中索引设计合理，该查询的整体效率可以堆到近乎于单表索引查询的程度。
   针对2情况，再针对B不同查询条件出现的可能性，针对性调整驱动表、联合索引等部分。
   这样，通过部分的优化，逐渐逼近整体的最优效果。

6. 涉及分库分表

6.1 选择优良的分库分表键

优良的分库分表键的标准：

1. 分布均匀：分片键需能将数据尽可能均匀地分散到所有分库分表中，避免某几个库 / 表数据量过大（“数据倾斜”）或过小（资源浪费）。例：若用 “用户性别” 作为分片键，仅能分为 2 组，必然导致数据倾斜；而用 “用户 ID 哈希” 则可分散到 N 个分片。
2. 匹配高频查询场景：分片键需与业务中最频繁的查询条件强关联，确保绝大多数查询能通过分片键直接定位到目标库 / 表，避免 “跨库全表扫描”。例：订单查询 90% 场景是 “按用户 ID 查询我的订单”，则优先用 “用户 ID” 作为分片键，而非 “订单创建时间”。
3. 贴合用户需要：统计业务中 80% 以上的查询 SQL，提取WHERE条件中最常出现的字段（如用户 ID、订单 ID、租户 ID）。典型案例：电商订单表中，“用户 ID” 是高频查询字段（用户查自己的订单），适合作为分片键
4. 实体唯一标识优先：这类字段天然具备 “唯一性” 和 “稳定性”，且与业务逻辑强绑定，便于理解和维护，如用户表的user_id、商品表的product_id
5. 如若必须用多字段组成分库分表键，则建议数据双写，双表查询。例如：通过 “数据冗余”（如订单表按用户 ID 分片，同时冗余一份按时间分片的表）实现。理由：组合分片键会增加查询复杂度，且难以保证所有查询都能匹配组合条件，容易引发跨库表查询

6.2 确保查询携带分库分表键

如果热点查询没有携带分库分表键，会触发跨库跨表全扫描，这个操作的性能开销是线上高并发业务不可承受的

7. mysql服务端的配置（DBA操作部分）

有时查询语句本身囿于业务强需求已经没有太多优化空间，那么考虑调优服务端配置也是一种思路。
需要注意，这种调整相对复杂，影响比较广，一定要充分和DBA协商清楚；如果数据库存在多业务复用，那么所有相关业务方都需要纳入讨论。

7.1 InnoDB专项优化

7.1.1 InnoDB 缓冲池（innodb_buffer_pool_size）

缓存 InnoDB 表的数据、索引、插入缓冲等，是 MySQL 中最重要的内存配置。命中缓冲池的查询可直接从内存获取数据，无需读磁盘。
对于专用 MySQL 服务器，设置为系统总内存的 50%~70%（预留部分内存给操作系统和其他进程）

7.1.2 日志相关配置

• innodb_log_buffer_size：事务日志（redo log）的内存缓冲区，满了会刷盘。
• innodb_flush_log_at_trx_commit：控制事务日志的刷盘策略（平衡性能与安全性）。
  • 1（默认）：每次事务提交立即刷盘，最安全但性能最低（适合金融等核心业务）。
  • 2：事务提交后写入操作系统缓存，每秒刷盘一次，安全性与性能平衡（推荐）。
  • 0：每秒刷盘一次，性能最高但可能丢失 1 秒内的数据（适合非核心业务）。
• innodb_log_file_size：单个 redo log 文件的大小。可酌情提高至 512M~2G（需同时调整innodb_log_files_in_group，通常 2~3 个文件），减少日志切换频率（频繁切换会导致 IO 波动）。

7.1.3 IO 并发配置

• innodb_read_io_threads 和 innodb_write_io_threads：控制 InnoDB 的读写 IO 线程数，提升 IO 并发处理能力。
• innodb_flush_method：控制 InnoDB 与磁盘 IO 的交互方式（减少双重缓存）。建议：Linux 系统：O_DIRECT（绕过操作系统缓存，避免 InnoDB 缓冲池与 OS 缓存的重复缓存）。Windows 系统：async_unbuffered。

7.2 连接与排序缓存

• join_buffer_size：用于表连接（JOIN）的缓存，非索引连接（ALL或index类型）会使用此缓存。
• sort_buffer_size：用于ORDER BY或GROUP BY的排序缓存，不足时会使用磁盘临时文件排序。
• read_buffer_size：用于顺序扫描（filesort）的缓存，提升全表扫描或大范围查询的效率。

7.3 临时表缓存

tmp_table_size 和 max_heap_table_size：控制内存临时表的最大大小（两者取较小值），超过则转为磁盘临时表（存储在tmpdir目录）。
默认值 16M，可酌情提高至 64M~256M（根据业务中临时表的使用频率调整），减少磁盘临时表的 IO 开销。

8. 硬件上的优化

有时软件上的优化已经没有更多空间，这时可以考虑从硬件层面下手把查询效率带上来。
需要注意，并非所有云厂商都可以指定mysql服务器的硬件，这一点需要预先确认是否可用以及预算是否支持。

8.1 选择更合适的CPU

8.1.1 Intel 至强 6 性能核处理器（OLTP 首选）

代表型号：Platinum 6787P（56 核 112 线程，全核睿频 3.5GHz，L3 缓存 140MB）
核心优势：
单核性能突出：全核睿频 3.5GHz，配合 Intel AVX-512 指令集，单线程执行效率比上一代提升 36%，尤其适合高并发事务中的单行查询、锁竞争场景。
硬件加速技术：内置数据保护与压缩加速技术（QAT），可将 SSL 加密和数据压缩卸载至硬件，减少 CPU 占用率 20%-30%。例如，MySQL 备份速度可提升 2.56 倍。
内存带宽优化：支持 8 通道 DDR5-6400 内存，带宽高达 204.8GB/s，比上一代提升 2.3 倍，显著缓解内存瓶颈。
服务器整合能力：单台服务器可替代 17 台旧代服务器，TCO 降低 87%，适合企业级集中式数据库部署。
典型场景：电商秒杀、金融交易、实时订单系统等需毫秒级响应的 OLTP 场景。

8.1.2 AMD EPYC 9004 系列（OLAP 首选）

代表型号：Genoa-X 9384X（48 核 96 线程，主频 2.4GHz，L3 缓存 1.152TB）
核心优势：
3D V-Cache 技术：堆叠式 L3 缓存容量达 1.152TB，是传统 CPU 的 3 倍，可将复杂分析查询的内存访问延迟降低 50% 以上，尤其适合需频繁扫描大表的 OLAP 场景。
多核并行处理：64 核 / 128 线程设计，配合 Zen4 架构的高 IPC（每周期指令数），在 sysbench 测试中 OLAP 性能比 Intel 同核数 CPU 提升 27%。
高扩展性：支持 12 通道 DDR5-4800 内存和 128 条 PCIe 5.0 通道，可直连高速 NVMe 存储或 GPU 加速卡，构建分析型数据湖。
能效比领先：5nm 工艺使功耗比上一代降低 30%，在高密度数据中心中每瓦性能比 Intel 高 60%。
典型场景：供应链分析、用户行为画像、金融风控等需多表关联和复杂聚合的 OLAP 场景。

8.2 选择更合适的硬盘

基本原则：

1. 固态硬盘 > 机械硬盘
2. 新一代固态硬盘 > 前代
3. OLTP 用 PCIE更新的版本
4. OLAP -> U.2 及以上
5. 需求均衡 -> SAS 4.0 及以上