华为云 RDS MySQL 高可用与备份恢复实战:主备切换、PITR 与灾备演练

举报
yd_270427807 发表于 2026/11/14 23:28:32 2026/11/14
【摘要】 华为云 RDS for MySQL 高可用实战:从主备架构与实例选型,到主备切换演练、备份与 PITR 恢复、容灾演练,再到日常监控与常见故障排查,给出一套可直接照做的数据库高可用落地方法。

引言:数据库高可用不是买了主备就完事了

凌晨三点,监控群里弹出一条告警:主库磁盘使用率 97%,写入开始报错。值班同学第一反应是扩容,但扩容要走变更、要等审批;第二反应是切到备库,却发现上一次主备切换演练还是半年前,谁也不敢保证切过去应用能不能立刻恢复。那一晚的教训很直接:高可用从来不是购买页上勾选“主备”两个字就完成的,它是一套由架构、备份、演练和监控组成的组合动作,缺了任何一环,故障时都会变成现场翻文档。

本文以华为云 RDS for MySQL 为例,把一次完整的高可用落地拆成七步:从实例选型、主备切换、备份与时间点恢复(PITR),到容灾演练和日常运维,每一步都给出可直接照做的操作和验证方法。目标只有一个:让数据库在出问题时能按预期恢复,而不是靠运气。

一、先弄清架构:主备、只读与灾备各管什么

RDS for MySQL 的高可用建立在主备复制之上,常见的三种角色分工如下:

角色 作用 关键点
主备实例 主节点对外提供读写,备节点实时同步,主节点故障时自动切换 备节点平时不对外提供服务,是故障切换的底牌
只读实例 分担读流量,可挂多个 只读实例延迟通常在毫秒级,但不参与故障切换
灾备实例 跨区域容灾,平时异步同步 用于机房级、区域级故障,RPO 比同城主备大

两个指标要先定下来,再谈方案:RTO(恢复时间目标),即从故障发生到业务恢复最多能接受多久;RPO(恢复点目标),即最多能接受丢失多久的数据。主备同城部署一般能做到 RTO 分钟级、RPO 接近零;跨区域灾备的 RPO 则取决于同步延迟,需要实测而不是凭感觉。

复制方式上,RDS 主备默认采用半同步复制:主库提交事务后,至少等待一个备库确认收到 Binlog 再返回成功。这比异步复制更安全,比全同步复制对性能的影响更小。理解这一点很重要:切换时丢失数据的概率低,但不是数学上的零,业务上关键的写操作仍应有幂等或对账兜底。

二、创建实例:规格、存储与网络的关键选择

实例创建时的几个选择,事后改起来成本很高,建议一次想清楚:

1. 版本选 8.0。 MySQL 8.0 在窗口函数、CTE、直方图和 JSON 支持上明显强于 5.7,新业务没有理由再选 5.7;已有业务迁移则要先核对 SQL 兼容性,尤其是 GROUP BY 的 ONLY_FULL_GROUP_BY 行为和字符集排序规则。

2. 规格按峰值选,不要按平均值选。 通用型适合大多数业务,独享型适合对 CPU 和内存稳定性要求高的核心业务。估算方法:取历史峰值 CPU 和连接数,乘 1.5 倍余量,再选规格;宁可先选大一点跑一个月看监控曲线,再降配,也不要上线第一天就跑在 90% 水位。

3. 存储选极速型 SSD,预留 30% 空间。 数据库的磁盘水位线建议设在 70% 告警、85% 必须处理。Binlog、慢日志和临时表都会吃磁盘,磁盘满是导致主库停写的常见原因,比 CPU 打满更致命。

4. 网络与安全组只放业务网段。 实例放在业务 VPC 的私有子网,安全组入方向只放 3306 端口,且来源只写业务服务器所在网段或安全组,不要放 0.0.0.0/0。内网地址不要暴露到公网,管理操作走跳板机或 VPN。

5. 参数组先建再挂。 建议创建实例时就挂一个自定义参数组,关键参数一次设对:

binlog_format = ROW
sync_binlog = 1
innodb_flush_log_at_trx_commit = 1
slow_query_log = ON
long_query_time = 1
max_connections = 1000

其中 sync_binlog=1 与 innodb_flush_log_at_trx_commit=1 是数据安全的组合,代价是一点写入性能,核心业务不要为了压测数字把它关掉。创建完成后立即做一遍检查:连通性、账号权限、备份策略是否已开启、告警是否已配置,这四项缺一不可。

三、主备切换:手动演练一次,比看十遍文档管用

主备切换分自动和手动两种。自动切换在主节点故障、心跳超时后由平台触发;手动切换在控制台实例详情页发起,用于演练和计划内维护。切换期间的影响要心里有数:已有连接会断开,应用需要重连;DNS 解析切换需要时间;正在执行的事务会回滚,需要业务重试。

演练建议按这个流程走:

  1. 业务低峰期发起手动主备切换,记录开始时间。
  2. 观察应用日志,确认连接池在秒级完成重连,错误率回到基线。
  3. 在新主库上验证复制状态和只读属性:
-- 在新主库执行,确认当前实例可写
SELECT @@read_only, @@global.hostname;
-- 在备库执行,确认复制仍在跟进
SHOW REPLICA STATUS\G
  1. 记录从切换开始到业务恢复的实际耗时,与年初定的 RTO 对照。
  2. 如切换后复制出现延迟,先看备库的 Seconds_Behind_Master,再看主库大事务和长查询,必要时先处理慢查询再谈扩容。

应用侧有两个配套动作:一是连接池开启自动重连和合理的超时,二是关键写操作做幂等设计。切换演练至少每月一次,演练记录要留档:切换时间、恢复耗时、遇到的问题、下次改进点。没有演练记录的高可用,等于没有验证过的高可用。

四、备份与 PITR:备份的价值在恢复那一刻才兑现

备份策略建议这样定:自动全量备份每天一次,保留期至少 7 天,核心业务 30 天;Binlog 保留与备份保留期对齐,否则 PITR(恢复到指定时间点)会因为缺 Binlog 而只能恢复到备份点。手动备份在重大变更前单独做一次,并打好标签。

恢复到指定时间点的操作路径是:控制台备份恢复页选择“恢复到指定时间点”→选定目标时间→恢复到一个新实例→在新实例上校验数据→确认无误后再做业务切换。注意三点:恢复产生的是新实例,不会覆盖原实例;恢复时间点的选择要落在 Binlog 覆盖范围内;恢复完成后先校验行数和关键业务数据再切换,不要跳过校验。

备份还要能下载、能验证。定期把备份文件拉到本地或对象存储做一次恢复演练:

# 逻辑备份:一致性快照导出,适合中小库
mysqldump -h <RDS内网地址> -u <账号> -p --single-transaction --routines --triggers --databases 业务库 > backup.sql

# Binlog 可用于增量恢复验证,配合备份文件使用
mysqlbinlog --read-from-remote-server -h <RDS内网地址> -u <账号> -p --raw --result-file=./binlog/ mysql-bin.000123

恢复演练每月一次,演练要回答三个问题:备份文件能不能下载、能不能恢复、恢复出来的数据对不对。三个答案都是“能”,备份策略才算真正生效。

五、容灾演练:跨可用区与跨区域的演练清单

如果业务要求跨可用区甚至跨区域容灾,演练清单建议收好:

  1. 演练目标先写清楚:模拟主可用区故障,验证业务能否在目标 RTO 内恢复到备可用区或灾备实例。
  2. 演练前冻结变更,通知业务方,准备回退方案。
  3. 按顺序执行:停止写入→确认复制延迟归零→执行切换→修改应用连接地址→启动业务→核对核心接口。
  4. 记录每一项的实际耗时,形成演练报告,RTO 不达标就先优化再谈下一次。
  5. 演练结束后做复盘:哪些步骤可以自动化、哪些告警没有及时触发、文档哪里与实际不符,全部更新进运行手册。

需要提醒的是:灾备实例与只读实例的定位不同,灾备实例平时不承接读流量,切换后需要评估它能否扛住全部读写压力,演练时就要用真实流量比例去验证,而不是只做连通性检查。

六、日常运维:监控、告警与连接数治理

高可用最后拼的是日常。云监控 CES 上建议至少配这几组告警:

指标 建议阈值 说明
CPU 使用率 连续 5 分钟超过 80% 结合慢查询一起看,不要只看 CPU
内存使用率 超过 85% 重点关注缓冲池命中率
磁盘使用率 超过 70% 告警,85% 升级 磁盘满会直接导致停写
连接数 超过最大连接数的 80% 排查空闲连接和未关闭的连接
主备复制延迟 超过 60 秒 结合主库大事务排查
慢查询数 突增即告警 慢查询是大多数性能问题的源头

连接数治理有三个抓手:应用侧连接池大小按实例规格配,不要所有服务都用默认池;及时释放空闲连接,排查“连接泄漏”;突发流量时用只读实例分流读请求,而不是直接调大 max_connections。调大连接数上限治标不治本,连接数一高,线程切换和锁竞争会让实例更慢。

慢查询排查可以从性能视图入手,找出累计耗时最长的 SQL 再逐条优化:

SELECT DIGEST_TEXT AS sql_text,
       COUNT_STAR AS exec_count,
       ROUND(SUM_TIMER_WAIT/1000000000000, 2) AS total_sec
FROM performance_schema.events_statements_summary_by_digest
ORDER BY SUM_TIMER_WAIT DESC
LIMIT 10;

拿到慢 SQL 后再看执行计划,区分是缺索引、索引失效还是数据量到了必须分表分库的阶段。索引优化的文章已有很多,这里只强调顺序:先定位再优化,先验证再上线,变更后保留回滚方案。

七、常见故障与排查思路

复制延迟持续升高。 先看备库的复制状态和延迟秒数,再看主库是否有大事务、批量更新或 DDL。长事务和大批量写入是延迟的常见来源,拆批、错峰、控制单次事务大小通常就能缓解。

磁盘使用率突然到顶。 先看 Binlog 和慢日志的增长,再看临时表和未清理的备份文件。紧急处理是扩容磁盘和清理过期 Binlog,根治要回到日志保留策略和慢查询治理。

连接数打满、应用报 Too many connections。 先看当前连接的来源和状态,杀掉长时间空闲的异常连接,再看连接池配置和慢查询。连接数打满时不要直接重启实例,先保住现场数据,再做恢复。

主备切换后业务仍报错。 先确认应用连接的是新主库地址,再确认账号权限和安全组是否跟随切换,最后看连接池是否缓存了旧连接。切换演练中发现的问题,要记进演练报告并在下次演练前闭环。

总结

数据库高可用可以浓缩成一张检查清单,建议每月逐项打勾:

  • [ ] 主备切换演练已执行,实际 RTO 在目标内
  • [ ] 自动备份与 Binlog 保留期配置正确,恢复演练通过
  • [ ] 磁盘、CPU、连接数、复制延迟告警均已配置且有人响应
  • [ ] 参数组、账号权限、安全组按最小权限原则复核过
  • [ ] 慢查询 Top 10 已处理,变更均有回滚方案
  • [ ] 演练报告和运行手册已更新,团队成员都知道故障时第一步做什么

买主备实例只是高可用的起点,真正的可用性来自每个月一次的切换演练、一次恢复演练和每天都在看的监控。把这套动作跑顺,凌晨三点的告警就只是一次按流程处理的普通事件,而不是一场手忙脚乱的抢修。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。