MySQL当前已经发布到MySQL 8.0版本，在新的版本中，可以看到MySQL之前被人诟病的优化器部分做了很多的改动。
由于笔者之前的工作环境是5.6，最近切换到最新的8.0版本，本文涵盖了一些本人感兴趣的和优化器相关的部分，主要包括MySQL 5.7的cost model以及MySQL 8.0的直方图功能。
本文基于当前最新的MySQL 8.0.12版本，主要是讲下cost model 和histogram的用法和相关代码。
一、Cost Model
1、Configurable cost constants
为什么需要配置cost model常量 ? 我们知道MySQL已经发展了好几十年的历史，但是在优化器中依然使用了hardcode的权重值来衡量io、cpu等资源情况，而这些权重值实际上是基于多年前甚至十来年前的经验设定的。
想想看，这么多年的时间，硬件的发展多么迅速。几十上百个核心的服务器不在少数甚至在某些大型公司大规模使用，ssd早就成为主流，NVME也在崛起。高速RDMA网络正在走入寻常百姓家。
这一切甚至影响到数据库系统的实现和变革。
显而易见，那些hardcode的权值已经过时了，我们需要提供给用户可定义的方式，甚至更进一步的能够智能根据硬件环境自动设定。
MySQL 5.7引入两个新的系统表，通过这两个系统表暴露给用户来进行更新，如下：
root@(none) 04:05:24>select * from mysql.server_cost;
+------------------------------+------------+---------------------+---------+---------------+| cost_name | cost_value | last_update | comment | default_value |+------------------------------+------------+---------------------+---------+---------------+| disk_temptable_create_cost | NULL | 2018-04-23 13:55:20 | NULL | 20 || disk_temptable_row_cost | NULL | 2018-04-23 13:55:20 | NULL | 0.5 || key_compare_cost | NULL | 2018-04-23 13:55:20 | NULL | 0.05 || memory_temptable_create_cost | NULL | 2018-04-23 13:55:20 | NULL | 1 || memory_temptable_row_cost | NULL | 2018-04-23 13:55:20 | NULL | 0.1 || row_evaluate_cost | NULL | 2018-04-23 13:55:20 | NULL | 0.1 |+------------------------------+------------+---------------------+---------+---------------+6 rows in set (0.00 sec)
其中default_value是generated column，其表达式已经固定死了默认值：`default_value` float GENERATED ALWAYS AS (
(case `cost_name` when _utf8mb3'disk_temptable_create_cost' then 20.0 when _utf8mb3'disk_temptable_row_cost' then 0.5 when _utf8mb3'key_compare_cost' then 0.05 when _utf8mb3'memory_temptable_create_cost' then 1.0 when _utf8mb3'memory_temptable_row_cost' then 0.1 when _utf8mb3'row_evaluate_cost' then 0.1 else NULL end)) VIRTUAL
root@(none) 04:05:35>select * from mysql.engine_cost;
+-------------+-------------+------------------------+------------+---------------------+---------+---------------+| engine_name | device_type | cost_name | cost_value | last_update | comment | default_value |+-------------+-------------+------------------------+------------+---------------------+---------+---------------+| default | 0 | io_block_read_cost | NULL | 2018-04-23 13:55:20 | NULL | 1 || default | 0 | memory_block_read_cost | NULL | 2018-04-23 13:55:20 | NULL | 0.25 |+-------------+-------------+------------------------+------------+---------------------+---------+---------------+
你可以通过update语句来进行更新，例如：
root@(none) 04:05:52>update mysql.server_cost set cost_value = 40 where cost_name = 'disk_temptable_create_cost';
Query OK, 1 row affected (0.05 sec)
Rows matched: 1 Changed: 1 Warnings: 0
root@(none) 04:07:13>select * from mysql.server_cost where cost_name = 'disk_temptable_create_cost';
+----------------------------+------------+---------------------+---------+---------------+
| cost_name | cost_value | last_update | comment | default_value |
+----------------------------+------------+---------------------+---------+---------------+
| disk_temptable_create_cost | 40 | 2018-06-23 16:07:05 | NULL | 20 |
+----------------------------+------------+---------------------+---------+---------------+1 row in set (0.00 sec)//更新后执行一次flush optimizer_costs操作来更新内存//但老的session还是会用老的cost数据root@(none) 10:10:12>flush optimizer_costs;
Query OK, 0 rows affected (0.00 sec)
可以看到用法也非常简单，上面包含了两张表：server_cost及engine_cost，分别对server层和引擎层进行配置。
2、相关代码
全局cache Cost_constant_cache
全局cache维护了一个当前的cost model信息，用户线程在lex_start时会去判断其有没有初始化本地指针，如果没有的话就去该cache中将指针拷贝到本地。
初始化全局cache：
Cost_constant_cache::init
:
创建Cost_model_constants， 其中包含了两类信息: server层cost model和引擎层cost model, 类结构如下：
Cost_constant_cache ----> Cost_model_constants
---> Server_cost_constants //server_cost
---> Cost_model_se_info
--->SE_cost_constants //engine_cost 如果存储引擎提供了接口函数get_cost_constants的话,则从存储引擎那取
从系统表读取配置，适用于初始化和flush optimizer_costs并更新cache：
read_cost_constants()
|--> read_server_cost_constants
|--> read_engine_cost_constants
由于用户可以动态的更新系统表，执行完flush optimizer_costs后，有可能老的版本还在被某些session使用，因此需要引用计数，老的版本ref counter被降为0后才能被释放。
线程cost model初始化
Cost_model_server
在每个线程的thd上，挂了一个Cost_model_server的对象THD::m_cost_model，在lex_start()时，如果发现线程的m_cost_model没有初始化，就会去获取全局的指针，存储到本地：
Cost_model_server::initconst Cost_model_constants *m_cost_constants = cost_constant_cache->get_cost_constants();// 会增加一个引用计数，以确保不会在引用时被删除const Server_cost_constants *m_server_cost_constants = m_cost_constants->get_server_cost_constants();// 同样获取的是全局指针
可见thd不创建自己的cost model，只引用cache中的指针。
Table Cost Model
struct TABLE::m_cost_model，类型：Cost_model_table，其值取自上述thd中存储的cost model对象。
Cost_estimate
统一的对象类型cost_estimate来存储计算的cost结果，包含四个维度：
double io_cost; ///< cost of I/O operations
double cpu_cost; ///< cost of CPU operations
double import_cost; ///< cost of remote operations
double mem_cost; ///< memory used (bytes)
3、未来
目前来看，除非根据工作负载，经过充分的测试才能得出合理的配置值。但如何配置、什么是合理的值，个人认为应该是可以自动调整配置的。关键是找出配置和硬件条件的对应关系。这也是我们未来可以努力的一个方向。
4、reference
Cost Model官方文档
https://dev.mysql.com/doc/refman/5.7/en/cost-model.html?spm=a2c4e.11153940.blogcont645897.14.25126624v96rQQ
官方博客1:The MySQL Optimizer Cost Model Project
https://mysqlserverteam.com/the-mysql-optimizer-cost-model-project/?spm=a2c4e.11153940.blogcont645897.15.25126624v96rQQ
官方博客2: A new dimension to MySQL query optimizations
http://mysqlserverteam.com/a-new-dimension-to-mysql-query-optimizations-part-2/?spm=a2c4e.11153940.blogcont645897.16.25126624v96rQQ
Optimizer Cost Model Improvements in MySQL 5.7.5 DMR
https://mysqlserverteam.com/optimizer-cost-model-improvements-in-mysql-5-7-5-dmr/?spm=a2c4e.11153940.blogcont645897.17.25126624v96rQQ
Slide: MySQL Cost Model
https://www.slideshare.net/olavsa/mysql-optimizer-cost-model?spm=a2c4e.11153940.blogcont645897.18.25126624Sl2idM
Related Worklog：
WL#7182: Optimizer Cost Model API
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.19.25126624Sl2idM&id=7182
WL#7209: Handler interface changes for new cost model
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.20.25126624Sl2idM&id=7209
WL#7276: Configuration data base for Optimizer Cost Model
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.21.25126624Sl2idM&id=7276
WL#7315 Optimizer cost model: main memory management of cost constants
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.22.25126624Sl2idM&id=7315
WL#7316 Optimizer cost model: Command for online updating of cost model constants
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.23.25126624Sl2idM&id=7316
二、Histogram
直方图也是MySQL一个万众期待的功能了。这个功能实际上在其他数据库产品中是很常见的，可以很好的指导优化器选择执行路径。
利用直方图存储了指定列的数据分布。MariaDB从很早的10.0.2版本支持这个功能，而MySQL在最新的8.0版本中也开始支持。
功能参考链接：
https://mariadb.com/kb/en/library/histogram-based-statistics/?spm=a2c4e.11153940.blogcont645897.24.25126624Sl2idM
1、使用
MySQL里使用直方图是通过ANALYZE TABLE语法来执行的：
ANALYZE [NO_WRITE_TO_BINLOG | LOCAL] TABLE tbl_name UPDATE HISTOGRAM ON col_name [, col_name] ...
[WITH N BUCKETS] ANALYZE [NO_WRITE_TO_BINLOG | LOCAL] TABLE tbl_name DROP HISTOGRAM ON col_name [, col_name] ...
ANALYZE TABLE参考链接：
https://dev.mysql.com/doc/refman/8.0/en/analyze-table.html?spm=a2c4e.11153940.blogcont645897.25.25126624Sl2idM
举个简单的例子：
我们以普通的sysbench表为例：
root@sb1 05:16:33>show create table sbtest1\G
*************************** 1. row *************************** Table: sbtest1
Create Table: CREATE TABLE `sbtest1` ( `id` int(11) NOT NULL AUTO_INCREMENT, `k` int(11) NOT NULL DEFAULT '0', `c` char(120) NOT NULL DEFAULT '', `pad` char(60) NOT NULL DEFAULT '',
PRIMARY KEY (`id`),
KEY `k_1` (`k`)
) ENGINE=InnoDB AUTO_INCREMENT=200001 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci1 row in set (0.01 sec)# 创建直方图并存储到数据词典中root@sb1 05:16:38>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k with 10 BUCKETS;
+-------------+-----------+----------+----------------------------------------------+| Table | Op | Msg_type | Msg_text |
+-------------+-----------+----------+----------------------------------------------+
| sb1.sbtest1 | histogram | status | Histogram statistics created for column 'k'. |+-------------+-----------+----------+----------------------------------------------+1 row in set (0.55 sec)
root@sb1 05:17:03>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k,pad with 10 BUCKETS;
+-------------+-----------+----------+------------------------------------------------+| Table | Op | Msg_type | Msg_text |
+-------------+-----------+----------+------------------------------------------------+
| sb1.sbtest1 | histogram | status | Histogram statistics created for column 'k'. || sb1.sbtest1 | histogram | status | Histogram statistics created for column 'pad'. |
+-------------+-----------+----------+------------------------------------------------+
2 rows in set (7.98 sec)
删除pad列上的histogram:
root@sb1 05:17:51>ANALYZE TABLE sbtest1 DROP HISTOGRAM ON pad;
+-------------+-----------+----------+------------------------------------------------+
| Table | Op | Msg_type | Msg_text |+-------------+-----------+----------+------------------------------------------------+| sb1.sbtest1 | histogram | status | Histogram statistics removed for column 'pad'. |
+-------------+-----------+----------+------------------------------------------------+
1 row in set (0.06 sec)
root@sb1 05:58:12>ANALYZE TABLE sbtest1 DROP HISTOGRAM ON k;
+-------------+-----------+----------+----------------------------------------------+
| Table | Op | Msg_type | Msg_text |+-------------+-----------+----------+----------------------------------------------+| sb1.sbtest1 | histogram | status | Histogram statistics removed for column 'k'. |
+-------------+-----------+----------+----------------------------------------------+
1 row in set (0.08 sec)
# 如果不指定bucket的话，默认Bucket的数量是100
root@sb1 05:58:27>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k;
+-------------+-----------+----------+----------------------------------------------+
| Table | Op | Msg_type | Msg_text |+-------------+-----------+----------+----------------------------------------------+| sb1.sbtest1 | histogram | status | Histogram statistics created for column 'k'. |
+-------------+-----------+----------+----------------------------------------------+
1 row in set (0.56 sec)
直方图统计信息存储于InnoDB数据词典中，可以通过information_schema表来获取。
root@information_schema 05:34:49>SHOW CREATE TABLE INFORMATION_SCHEMA.COLUMN_STATISTICS\G
*************************** 1. row ***************************
View: COLUMN_STATISTICS
Create View: CREATE ALGORITHM=UNDEFINED DEFINER=`mysql.infoschema`@`localhost` SQL SECURITY DEFINER VIEW `COLUMN_STATISTICS` AS select `mysql`.`column_statistics`.`schema_name` AS `SCHEMA_NAME`,`mysql`.`column_statistics`.`table_name` AS `TABLE_NAME`,`mysql`.`column_statistics`.`column_name` AS `COLUMN_NAME`,`mysql`.`column_statistics`.`histogram` AS `HISTOGRAM` from `mysql`.`column_statistics` where can_access_table(`mysql`.`column_statistics`.`schema_name`,`mysql`.`column_statistics`.`table_name`)
character_set_client: utf8
collation_connection: utf8_general_ci1 row in set (0.00 sec)
从column_statistics表的定义可以看到，有一个名为mysql.column_statistics系统表，但被隐藏了，没有对外暴露。
以下举个简单的例子：
root@sb1 05:58:55>ANALYZE TABLE sbtest1 UPDATE HISTOGRAM ON k WITH 4 BUCKETS;
+-------------+-----------+----------+----------------------------------------------+| Table | Op | Msg_type | Msg_text |
+-------------+-----------+----------+----------------------------------------------+
| sb1.sbtest1 | histogram | status | Histogram statistics created for column 'k'. |+-------------+-----------+----------+----------------------------------------------+1 row in set (0.63 sec)# 查询表上的直方图信息root@sb1 06:00:43>SELECT JSON_PRETTY(HISTOGRAM) FROM INFORMATION_SCHEMA.COLUMN_STATISTICS WHERE SCHEMA_NAME='sb1' AND TABLE_NAME = 'sbtest1'\G
*************************** 1. row ***************************
JSON_PRETTY(HISTOGRAM): { "buckets": [
[ 38671, 99756, 0.249795, 17002
],
[ 99757, 100248, 0.500035, 492
],
[ 100249, 100743, 0.749945, 495
],
[ 100744, 172775, 1.0, 16630
]
], "data-type": "int", "null-values": 0.0, "collation-id": 8, "last-updated": "2018-09-22 09:59:30.857797", "sampling-rate": 1.0, "histogram-type": "equi-height", "number-of-buckets-specified": 4}1 row in set (0.00 sec)
从输出的json可以看到，在执行了上述语句后产生的直方图有4个bucket，数据类型为Int，类型为equi-height，即等高直方图(另外一种是等宽直方图，即SINGLETON)。
每个Bucket中，描述的信息包括：数值的上界和下界，频率以及不同值的个数。通过这些信息可以获得比较精确的数据分布情况，从而优化器来根据这些统计信息决定更优的执行计划。
如果列上存在大量的重复值，那么MySQL也可能选择等宽直方图，例如上例，我们将列k上的值更新为一半10一半20，那么出来的直方图数据如下：
root@sb1 10:41:17>SELECT JSON_PRETTY(HISTOGRAM) FROM INFORMATION_SCHEMA.COLUMN_STATISTICS WHERE SCHEMA_NAME='sb1' AND TABLE_NAME = 'sbtest1'\G
*************************** 1. row ***************************
JSON_PRETTY(HISTOGRAM): { "buckets": [
[
10,
0.499995
],
[
20,
1.0
]
], "data-type": "int", "null-values": 0.0, "collation-id": 8, "last-updated": "2018-09-22 14:41:17.312601", "sampling-rate": 1.0, "histogram-type": "singleton", "number-of-buckets-specified": 100
}
1 row in set (0.00 sec)
如上，对于SINGLETON类型，每个bucket只包含两个值：列值，及对应的累计频率（即百分之多少的数据比当前Bucket里的值要小或相等）。
注意这里的sampling-rate，这里的值为1，表示读取了表上所有的数据来进行统计，但通常对于大表而言，我们可能不希望读太多的数据，因为可能产生过度的内存消耗，因此MySQL还提供了一个参数histogram_generation_max_mem_size来限制内存的使用上限。
参数参考链接：
https://dev.mysql.com/doc/refman/8.0/en/server-system-variables.html?spm=a2c4e.11153940.blogcont645897.26.25126624Sl2idM#sysvar_histogram_generation_max_mem_size
如果表上的DML不多，那直方图基本是稳定的，但频繁写入的话，那我们就可能需要去定期更新直方图，MySQL本身不会去主动更新。
优化器通过histogram来计算列的过滤性，大多数的谓词都可以使用到。
关于直方图影响查询计划，可参阅：
https://mysqlserverteam.com/histogram-statistics-in-mysql/?spm=a2c4e.11153940.blogcont645897.29.25126624Sl2idM
2、相关代码
代码结构
以MySQL 8.0.12为例，主要代码在sql/histogram目录下：
ls sql/histograms/
equi_height_bucket.cc
equi_height_bucket.h
equi_height.cc
equi_height.h histogram.cc
histogram.h singleton.cc
singleton.h
value_map.cc
value_map.h
value_map_type.h
类结构：namespace histograms
|---> Histogram //基类
|--> Equi_height //等高直方图，模板类，实例化参数为数据类型，需要针对类型显示定义
// 见文件 "equi_height.cc"
|--> Singleton //等宽直方图，只有值和其出现的频度被存储下来
创建及存储histogram
处理histogram的相关函数和堆栈如下：
Sql_cmd_analyze_table::handle_histogram_command
|--> update_histogram //更新histogram
|-->histograms::update_histogram //调用namespace内的接口函数
a. 判断各个列： //histograms::field_type_to_value_map_type: 检查列类型是否支持
//covered_by_single_part_index: 如果列是Pk或者uk，不会为其创建histogram
//如果是generated column, 则找到其依赖的列加入到set中
b. 判断取样的半分比，这主要受参数histogram_generation_max_mem_size限制，如果设的足够大，则会去读取全表数据进行分析
|-> fill_value_maps //开始从表上读取需要分析的列数据
|->ha_sample_init
|->ha_sample_next
|--> handler::sample_next //读取下一条记录，通过随机数的方式来进行取样
Value_map<T>::add_values // 将读到的数据加入到map中
|->...
|->ha_sample_end
|-> build_histogram //创建histogram对象
a. 确定histogram类型：如果值的个数小于桶的个数，则使用Singleton，否则使用Equi_height类型
|->Singleton<T>::build_histogram
|->Equi_height<T>::build_histogram
|-> Histogram::store_histogram //将histogram信息存储到column_statistic表中
|-> dd::cache::Dictionary_client::update<dd::Column_statistics>
|--> drop_histogram //删除直方图
使用histogram
使用的方式就比较简单了：
首先在表对象TABLE_SHARE中，增加成员m_histograms，其结构为一个unordered map，key值为field index，value为相应的histogram对象。
获取列值过滤性的相关堆栈如下：
get_histogram_selectivity
|-->Histogram::get_selectivity
|->get_equal_to_selectivity_dispatcher
|->get_greater_than_selectivity_dispatcher
|->get_less_than_selectivity_dispatcher
|-->write_histogram_to_trace // 写到optimizer_trace中
MySQL支持多种操作类型对直方图的使用，包括：
col_name = constant
col_name <> constant
col_name != constant
col_name > constant
col_name < constant
col_name >= constant
col_name <= constant
col_name IS NULL
col_name IS NOT NULL
col_name BETWEEN constant AND constant
col_name NOT BETWEEN constant AND constant
col_name IN (constant[, constant] ...)
col_name NOT IN (constant[, constant] ...)
通过直方图，我们可以根据列上的条件判断出列值的过滤性，来辅助选择更优的执行计划。在没有直方图之前，我们需要通过在列上建立索引来获得相对精确的列值分布。但我们知道索引是有很大的维护开销的，而直方图则可以灵活的按需创建。
3、reference
WL#5384 PERFORMANCE_SCHEMA, HISTOGRAMS
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.30.25126624Sl2idM&id=5384
WL#8706 Persistent storage of Histogram data
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.31.25126624Sl2idM&id=8706
WL#8707 Classes/structures for Histograms
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.32.25126624Sl2idM&id=8707
WL#8943 Extend ANALYZE TABLE with histogram support
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.33.25126624Sl2idM&id=8943
WL#9223 Using histogram statistics in the optimizer
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.34.25126624Sl2idM&id=9223
三、其他
1、优化rec_per_key
相关worklog：
WL#7338: Interface for improved records per key estimates
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.35.25126624Sl2idM&id=7338
WL#7339 Use improved records per key estimate interface in optimizer
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.36.25126624Sl2idM&id=7339
MySQL通过rec_per_key 接口来估算记录的个数（暗示每个索引Key对应的记录个数），但在早前版本中这个数字是整数，对于小数会取整，不能表示准确的rec_per_key，从而影响到索引的选择。因此在5.7版本中，将其记录的值改成了float类型。
2、引入数据cache状态计算开销
相关worklog:
WL#7168 API for estimates for how much of table and index data that is in memory buffer
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.37.25126624Sl2idM&id=7168
WL#7170: InnoDB buffer estimates for tables and indexes
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.38.25126624Sl2idM&id=7170
WL#7340 IO aware cost estimate function for data access
https://dev.mysql.com/worklog/task/?spm=a2c4e.11153940.blogcont645897.39.25126624Sl2idM&id=7340
在之前的版本中，优化器是无法知道数据的状态，是否是cache在内存中还是需要从磁盘读出来的。缺乏这部分信息，导致优化器统一认为数据属于磁盘的来计算开销，这可能导致低效的执行计划。
相关代码：
server层新增api，用于获取表或索引上有百分之多少的数据是存储在cache中的。
handler::table_in_memory_estimate
handler::index_in_memory_estimate
而在innodb层，增加了一个全局变量buf_stat_per_index (对应类型为buf_stat_per_index_t) 来维护每个索引在内存中的leaf page个数，其内部实现了一个lock-free的hash结构，Key值为(m_space_id) << 32 | m_index_id)，在读入page时或者内存中创建新page时，如果对应的page是leaf page，就递增计数；当从page hash中移除时，则递减计数。
为了减少性能的影响，计数器是通过lock-free hash的结构存储的，对应的结构为ut_lock_free_hash_t。
基本的实现思路是：hash是一个定长的数组，数组元素为(key, val)，根据Key计算一个hash值再模上array size，找到对应的槽位；如果槽位被占用了，则向右查找一个空闲的slot。
当数组满了的时候，会创建一个新的更大的数组，在数据还没Move到这个新hash之前，所有的search都需要查询两个数组；当所有的记录到迁移到新数组，并且没有线程访问老的数组时，就可以把老的hash删除掉了。
在hash中存储的counter本身，也考虑到多核和numa架构，避免同时更新引起的cpu cache失效。在大量core的场景下这个问题可能很明显。Innodb封装计数操作到类ut_lock_free_cnt_t中，使用数组维护counter，按照cpu no作为index更新，需要获取counter值时则累加数组中的值。
这个Lock free hash并不是个通用场景的hash结构：例如处理冲突的时候，可能占用其他key的槽位，hash不够用时，需要迁移到新的array中。实际上mysql本身实现了一个lf_hash，在扩展Hash时无需迁移数据。
你可以从information_schema.innodb_cached_indexes表中读取到每个索引cache的page个数。
当定义好接口，并且Innodb提供相应的统计数据后，优化器就可以利用这些信息来计算开销：
Cost_model_table::page_read_cost
Cost_model_table::page_read_cost_index
作者：zhaiwx_yinfeng
来源：云栖社区
dbaplus社群欢迎广大技术人员投稿，投稿邮箱：editor@dbaplus.cn
如果字段的最大可能长度超过255字节，那么长度值可能…
只能说作者太用心了，优秀
感谢详解
一般干个7-8年（即30岁左右），能做到年入40w-50w；有…
230721