背景
早上收到某系统的告警tidb节点挂掉无法访问，情况十万火急。登录中控机查了一下display信息，4个TiDB、Prometheus、Grafana全挂了，某台机器hang死无法连接，经过快速重启后集群恢复，经排查后是昨天上线的某个SQL导致频繁OOM。
于是开始亡羊补牢，来一波近期慢SQL巡检 #手动狗头#。。。
随便找了一个出现频率比较高的慢SQL，经过优化后竟然性能提升了1500倍以上，感觉有点东西，分享给大家。
分析过程
该慢SQL逻辑非常简单，就是一个单表聚合查询，但是耗时达到8s以上，必有蹊跷。
脱敏后的SQL如下：
SELECT
cast( cast( CAST( SUM( num ) / COUNT( time ) AS CHAR ) AS DECIMAL ( 9, 2 )) AS signed ) speed,
... -- 此处省略n个字段
FROM
(
SELECT
DATE_FORMAT( receive_time, '%Y-%m-%d %H:%i:00' ) AS time,
COUNT(*) AS num
FROM
db1.table
WHERE
create_time > DATE_SUB( sysdate(), INTERVAL 20 MINUTE )
GROUP BY
time
ORDER BY
time
) speed;
碰到慢SQL不用多想，第一步先上执行计划：
很明显，这张900多万行的表因为创建了TiFlash副本，在碰到聚合运算的时候优化器选择了走列存查询，最终结果就是在TiFlash完成暴力全表扫描、排序、分组、计算等一系列操作，返回给TiDB Server时基本已经加工完成，总共耗时8.02s。
咋一看好像没啥优化空间，但仔细观察会发现一个不合理的地方。执行计划倒数第二排的Selection算子，也就是SQL里面子查询的where过滤，实际有效数据1855行，却扫描了整个表接近950W行，这是一个典型的适合索引加速的场景。但遗憾的是，在TiFlash里面并没有索引的概念，所以只能默默地走全表扫描。
那么优化的第一步，先看过滤字段是否有索引，通常来说create_time这种十有八九都建过索引，检查后发现确实有。
第二步，尝试让优化器走TiKV查询，这里直接使用hint的方式：
SELECT /*+ READ_FROM_STORAGE(TIKV[db1.table]) */
cast( cast( CAST( SUM( num ) / COUNT( time ) AS CHAR ) AS DECIMAL ( 9, 2 )) AS signed ) speed,
... -- 此处省略n个字段
FROM
(
SELECT
DATE_FORMAT( receive_time, '%Y-%m-%d %H:%i:00' ) AS time,
COUNT(*) AS num
FROM
db1.table
WHERE
create_time > DATE_SUB( sysdate(), INTERVAL 20 MINUTE )
GROUP BY
time
ORDER BY
time
) speed;
再次生成执行计划，发现还是走了TiFlash查询。这里就引申出一个重要知识点，关于hint作用域的问题，也就是说hint只能在指定的查询范围内生效。具体到上面这个例子，虽然指定了db1.table走TiKV查询，但是对于它所在的查询块来说，压根不知道db1.table是谁直接就忽略掉了。所以正确的写法是把hint写到子查询中：
SELECT
cast( cast( CAST( SUM( num ) / COUNT( time ) AS CHAR ) AS DECIMAL ( 9, 2 )) AS signed ) speed,
... -- 此处省略n个字段
FROM
(
SELECT /*+ READ_FROM_STORAGE(TIKV[db1.table]) */
DATE_FORMAT( receive_time, '%Y-%m-%d %H:%i:00' ) AS time,
COUNT(*) AS num
FROM
db1.table
WHERE
create_time > DATE_SUB( sysdate(), INTERVAL 20 MINUTE )
GROUP BY
time
ORDER BY
time
) speed;
对应的执行计划为：
发现这次虽然走了TiKV查询，但还是用的TableFullScan算子，整体时间不降反升，和我们预期的有差距。
没走索引那肯定是和查询字段有关系，分析上面SQL的逻辑，开发是想查询table表创建时间在最近20分钟的数据，用了一个sysdate()函数获取当前时间，问题就出在这。
获取当前时间常用的函数有now()和sysdate()，但这两者是有明显区别的。引用自官网的解释：
now()得到的是语句开始执行的时间，是一个固定值sysdate()得到的是该函数实际执行的时间，是一个动态值
听起来比较饶，来个栗子一看便知：
mysql> select now(),sysdate(),sleep(3),now(),sysdate();
+---------------------+---------------------+----------+---------------------+---------------------+
| now() | sysdate() | sleep(3) | now() | sysdate() |
+---------------------+---------------------+----------+---------------------+---------------------+
| 2023-03-16 15:55:18 | 2023-03-16 15:55:18 | 0 | 2023-03-16 15:55:18 | 2023-03-16 15:55:21 |
+---------------------+---------------------+----------+---------------------+---------------------+
1 row in set (3.06 sec)
这个动态时间就意味着TiDB优化器在估算的时候并不知道它是个什么值，走索引和不走索引哪个成本更高，最终导致索引失效。
从业务上来看，这个SQL用now()和sysdate()都可以，那么就尝试改成now()看看效果：
SELECT
cast( cast( CAST( SUM( num ) / COUNT( time ) AS CHAR ) AS DECIMAL ( 9, 2 )) AS signed ) speed,
... -- 此处省略n个字段
FROM
(
SELECT /*+ READ_FROM_STORAGE(TIKV[db1.table]) */
DATE_FORMAT( receive_time, '%Y-%m-%d %H:%i:00' ) AS time,
COUNT(*) AS num
FROM
db1.table
WHERE
create_time > DATE_SUB( now(), INTERVAL 20 MINUTE )
GROUP BY
time
ORDER BY
time
) speed;
最终结果4.43ms搞定，从8.02s到4.43ms，1800倍的提升。
滥用函数，属于是开发给自己挖的坑了。
解决方案
经过以上分析，优化思路已经很清晰了，甚至都是常规优化不值得专门拿出来讲，但前后效果差异太大，很适合作为一个反面教材来提醒大家认真写SQL。
其实就两点：
- 让优化器不要走TiFlash查询，改走TiKV，可通过hint或SQL binding解决
- 非必须不要使用动态时间，避免带来索引失效的问题
深度思考
优化完成之后，我开始思考优化器走错执行计划的原因。
在最开始的执行计划当中，优化器对Selection算子的估算值estRows和实际值actRows相差非常大，再加上本身计算和聚合比较多，这可能是导致误走TiFlash的原因之一。不清楚TiFlash的estRows计算原理是什么，如果在估算准确的情况并且索引正常的情况下会不会走TiKV呢？
另外，我还怀疑过动态时间导致优化器判断失误（认为索引失效才选择走TiFlash），但是在尝试只修改sysdate()为now()的情况下，发现依然走了TiFlash，说明这个可能性不大。
在索引字段没问题的时候，按正常逻辑来说，我觉得一个成熟的优化器应该要能够判断出这种场景走TiKV更好。
总结
TiFlash虽然是个好东西，但是优化器还在进化当中，难免有判断失误的时候，那么会导致适得其反的效果，我们要及时通过人工手段介入。再给TiDB优化器一些时间。
良好的SQL习惯至关重要，这也是老生常谈的问题了，再好的数据库也扛不住乱造的SQL。