BR备份参数影响分析与最佳实践参考

背景介绍：

目前Tidb物理备份工具主要使用BR来实现，BR备份具有较多参数配置，不同参数配置下备份效率与影响可能存在差异，本篇文章的主要目的：

• 依据详尽的观测数据来评估各类BR备份参数的影响；
• 依据详尽的观测数据来评估备份介质、表数量对BR备份的影响；
• 依据详尽的观测数据来评估BR备份对于在线业务QPS与latency的影响；
• 依据详尽的观测数据来评估BR备份对tikv cpu的影响；
• 依据相近的观察数据来预估BR备份任务的耗时公式、对GC阻塞时长的影响；
• 依据上述：BR各参数影响分析的结论，以及本身BR备份可能产生的影响，评估得出BR备份的最佳实践建议；

一、compression配置影响分析

• 数据分析：

1. lz4压缩方式，对tikv侧cpu消耗最低，备份速率适中，备份压缩率最低;
2. snappy压缩方式，对tikv侧cpu消耗适中，备份速率最快，备份压缩率适中；
3. zstd压缩方式，对tikv侧cpu消耗最高，备份速率最慢，备份压缩率最高;

• 建议：

1. 如果追求更小的备份空间使用，建议选择zstd备份压缩方式；(默认zstd方式)
2. 如果追求更快的备份速度，建议选择snappy备份压缩方式；
3. 如果追求更小的业务影响，建议选择lz4备份压缩方式；

二、compression-level配置影响分析

• ZSTD压缩方式下不同compression-level表现

• snappy压缩方式下不同compression-level表现

• lz4压缩方式下不同compression-level表现

• 数据分析：

1. lz4压缩方式下，调整不同compression-level，备份压缩率与备份速率几乎无影响；
2. snappy压缩方式下，调整不同compression-level，备份压缩率与备份速率几乎无影响；
3. zstd压缩方式下，compression-level =1时，备份速度最快;
4. zstd压缩方式下，compression-level = 16时，备份压缩率最高;

• 建议：

1. lz4与snappy压缩算法，不建议人为去调整compression-level，保持默认即可；
2. zstd压缩方式下，如果追求更小的备份空间使用，可以调整compression-level = 16;
3. zstd压缩方式下，如果追求更快的备份速度，可以调整compression-level = 1；
4. zstd压缩方式下，如果追求备份速度与备份空间使用的平衡，compression-level保持默认3即可；

• compression-level参数详解：

1. compression-level参数控制BR备份压缩算法使用的压缩等级；
2. compression-level参数目前支持的等级范围: lz4是 1 ~ 12 , zstd是 -7 ~ 22;
3. compression-level参数配置为0，不代表关闭压缩，配置0目前是无效配置;

三、concurrency参数配置影响分析

• 数据分析：

1. concurrency参数配置越大，备份速度越快；
2. concurrency参数配置越大，tikv backup thread cpu (AVG)越高;
3. concurrency参数配置越大，tikv backup thread cpu (AVG) 值越趋近于tikv backup thread cpu (MAX)值;

• 建议：

1. 如果追求更小的业务影响， concurrency参数建议默认4即可；
2. 如果追求更快的备份速度， concurrency参数建议调大，参数值范围控制在4~256区间；

• concurrency参数详解：

1. concurrency参数配置为8，表示BR会同时启动8个表的备份任务；
2. concurrency参数配置合理与否，与备份任务涉及的表个数相关，2者数值越相近，备份效率越高，相应的tikv侧资源消耗越高；

四、ratelimit配置影响分析

• 数据分析：

1. ratelimit参数配置大于64，对备份任务无明显影响；
2. ratelimit参数在128，256，512时，备份耗时、备份速度基本持平；
3. 当concurrency被自动调整为1后，ratelimit继续调大，对于备份速度以及流量控制无实际意义；

• 建议：

1. 不建议通过ratelimit来控制BR备份的效率，通过backup.num_threads 与 concurrency参数进行资源控制更为有效；

• ratelimit参数详解：

1. ratelimit参数控制：备份文件存储到外部存储的速度；
2. 当启用ratelimit配置的情况下，备份任务concurrency自动调节为1；
3. ratelimit参数控制的是：单个tikv实例的备份速率，并不是整个集群的备份速率；

五、backup.num-threads配置影响分析

• 数据分析：

1. backup.num-threads参数配置越大，备份速度越快，tikv cpu消耗越高；
2. backup.num-threads参数配置越小，备份速度越慢，tikv cpu消耗越低;

• 建议：

1. 如果追求更快的备份速度，建议调大backup.num-threads参数，但通常不建议超过8;
2. 如果追求更小的业务影响，更少的资源使用，建议调小backup.num-threads参数，以控制tikv侧cpu资源max位；
3. 如果追求更小的业务影响，更少的资源使用，建议调小backup.num-threads参数 + 调小concurrency参数，以控制tikv侧cpu max位与avg位；

• backup.num_threads参数详解：

1. backup.num-threads参数是tikv层config配置，可以edit-config进行修改reload，也可以set config tikv backup.num-threads=8 在线调整生效；
2. backup.num-threads参数控制的是tikv backup thread cpu的max位，也就是最大使用量，配置为2，代表：tikv backup thread cpu max值最大到200%;

六、表数量影响分析

• 数据分析：

1. 图中10，100， 1000，分别代表集群中存在10个表、 100个表、1000个表的3种情况，总数据量是相同的；
2. 表个数越多，备份速度越慢，tikv cpu消耗越低，备份耗时越长；
3. 表个数越小，备份速度越快，tikv cpu消耗越高，备份耗时越短；

• 建议：

1. 如果集群中存在大量的table对象，可以相应调大concurrency参数来提升BR备份的速度；

七、BR备份对Online business影响分析

• 65%基础负载下，BR备份对Online business影响分析 (NVME)

• 65%基础负载下，BR备份对Online business影响分析 (NAS)

• 25%基础负载下，BR备份对Online business影响分析 (NVME)

• 25%基础负载下，BR备份对Online business影响分析 (NAS)

• 数据分析：

1. 65%基础负载是指：没有启动BR备份，online business运行期间tikv主机层面cpu使用率是65%；
2. 25%基础负载是指：没有启动BR备份，online business运行期间tikv主机层面cpu使用率是25%；
3. 65%基础负载的online business，使用NVME盘运行BR备份期间，QPS衰减范围: 10%~25%;
4. 65%基础负载的online business，使用NVME盘运行BR备份期间，p95 latency上涨范围: 8.5%~33.5%;
5. 65%基础负载的online business，使用NAS盘运行BR备份期间，QPS衰减范围: 10.5%~23.5%;
6. 65%基础负载的online business，使用NAS盘运行BR备份期间，p95 latency上涨范围: 10.5%~30%;
7. 25%基础负载的online business，使用NVME盘运行BR备份期间，QPS衰减范围: 7%~15.5%;
8. 25%基础负载的online business，使用NVME盘运行BR备份期间，p95 latency上涨范围: 15.5%~44.5%;
9. 25%基础负载的online business，使用NAS盘运行BR备份期间，QPS衰减范围: 6.8%~11.8%;
10. 25%基础负载的online business，使用NAS盘运行BR备份期间，p95 latency上涨范围: 10.4%~21%;
11. 采用zstd压缩算法进行BR备份，QPS衰减比例会稍微高于lz4方式 , 大概高出: 4%；
12. 采用NVME盘进行BR备份，QPS衰减比例会高于NAS盘备份，大概高出: 3%;

• 建议：

1. 如果追求更小的online business影响，建议采用lz4压缩算法进行备份；
2. 如果追求更小的online business影响，建议采用NAS盘进行备份；

八、BR备份对tikv cpu的影响分析

• BR备份数据期间对tikv cpu的影响分析

• BR checksum阶段对tikv cpu的影响分析

• 数据分析：

1. backup.num-threads参数配置为4, concurrency参数范围: 4~16, BR备份期间total tikv cpu (AVG)上涨范围: 640%~1100%;
2. backup.num-threads参数配置为4, concurrency参数范围: 4~16 , BR备份期间total tikv cpu (MAX)上涨范围: 1395%~1899%;
3. backup.num-threads参数配置为4，BR 执行checksum阶段，单个 tikv cpu (MAX) 上涨: 1200%;
4. 上述第3点 ：单个 tikv cpu (MAX) 上涨: 1200%，这个1200%受到readpool.unified.max-thread-count配置限制，理论上可以更高；

• 建议：

1. 如果追求更小的online business影响，建议合理控制backup.num-threads参数与concurrency参数；
2. 如果追求更小的online business影响，建议BR备份期间关闭checksum动作，通过--checksum=false配置进行关闭；

九、BR备份最佳实践参考

9.1 小型集群 [ DB size <= 10TB ]

• 备份介质: NAS盘或s3存储
• backup.num-threads : 2
• concurrency : 16
• compression: lz4或zstd
• 备份命令参考：

mysql >  set config tikv `backup.num_threads`=2;    【这个分配每个tikv节点最大Backup Worker CPU数量为2】

br backup full \
--pd "172.16.201.xx:2359" \
--concurrency 16 \                                 【这个控制16个并发】
--compression "zstd" \                             【这里可以自行调整为lz4】
--checksum=false \                                 【checksum关闭，避免导致cpu突增】
--storage "local:///xxxx/brbackup/xxxx" \
--log-file /xxx/xxx/br_backupfull_xxxx.log \
--log-level "info"

• 上述BR配置备份速率预计在： 150MB/s [假设为变量： Z]
• 每个tikv实例max cpu预计会增长: 200%
• 每个tikv实例avg cpu预计会增长: 150%
• 备份压缩率可以参考监控： PD --> Statistics balance --> Size amplification [假设为变量： Y]
• 集群大小可以参考监控: pd ---> current storage size [假设为变量：X]
• 依据以上数据估算BR备份整个集群的耗时公式：

> BR Backup Time = (X/3 * Y) / Z

• 假设备份介质:NAS盘或s3不存在IO瓶颈现象;
• 假设集群PD监控显示大小为： 10TB
• 假设集群PD监控显示Size amplification为: 5
• 此时估算BR备份整个集群的耗时 ≈ ( 10TB/3 ) * 5 * 1024 * 1024 / 150 = 32h
• BR备份会阻止GC savepoint推进32h；

9.2 中型集群 [ 10TB < DB size <= 30TB ]

• 备份介质: NAS盘或s3存储
• backup.num-threads : 4
• concurrency : 32
• compression: lz4或zstd
• 备份命令参考：

mysql >  set config tikv `backup.num_threads`=4;   【这个分配每个tikv节点最大Backup Worker CPU数量为4】

br backup full \
--pd "172.16.201.xx:2359" \
--concurrency 32 \                                 【这个控制32个并发】
--compression "zstd" \                             【这里可以自行调整为lz4】
--checksum=false \                                 【checksum关闭，避免导致cpu突增】
--storage "local:///xxxx/brbackup/xxxx" \
--log-file /xxxx/xxxx/br_backupfull_xxxx.log \
--log-level "info"

• 这个配置大概备份速率在： 500MB/s [假设为变量： Z]
• 每个tikv实例峰值cpu预计会增长: 400%
• 每个tikv实例均值cpu预计会增长: 300%
• 备份压缩率可以参考监控： PD --> Statistics balance --> Size amplification [假设为变量： Y]
• 集群大小可以参考监控: pd ---> current storage size [假设为变量：X]
• 依据以上数据估算BR备份整个集群的耗时公式：

• > BR Backup Time = (X/3 * Y) / Z

• 假设备份介质:NAS盘或s3不存在IO瓶颈现象;
• 假设集群PD监控显示大小为： 30TB
• 假设集群PD监控显示Size amplification为: 5
• 此时估算BR备份整个集群的耗时 ≈ ( 30TB/3 ) * 5 * 1024 * 1024 / 500 = 29h
• BR备份会阻止GC savepoint推进29h；

9.3 大型集群 [ DB size > 30TB ]

• 备份介质: NAS盘或s3存储
• backup.num-threads : 8
• concurrency : 128
• compression: lz4或zstd
• 备份命令参考：

mysql >  set config tikv `backup.num_threads`=8;   【这个分配每个tikv节点最大Backup Worker CPU数量为4】

br backup full \
--pd "172.16.201.xx:2359" \
--concurrency 128 \                                【这个控制128个并发】
--compression "zstd" \                             【这里可以自行调整为lz4】
--checksum=false \                                 【checksum关闭，避免导致cpu突增】
--storage "local:///xxxx/brbackup/xxxx" \
--log-file /xxxx/xxxx/br_backupfull_xxxx.log \
--log-level "info"

• 这个配置大概备份速率在： 800MB/s [假设为变量： Z]
• 每个tikv实例峰值cpu预计会增长: 800%
• 每个tikv实例均值cpu预计会增长: 800%
• 备份压缩率可以参考监控： PD --> Statistics balance --> Size amplification [假设为变量： Y]
• 集群大小可以参考监控: pd ---> current storage size [假设为变量：X]
• 依据以上数据估算BR备份整个集群的耗时公式：

• > BR Backup Time = (X/3 * Y) / Z
  • 假设备份介质:NAS盘或s3不存在IO瓶颈现象;
  • 假设某个集群PD监控显示大小为： 60TB
  • 假设某个集群PD监控显示Size amplification为: 5
  • 此时估算BR备份整个集群的耗时 ≈ ( 60TB/3 ) * 5 * 1024 * 1024 / 800 = 36h
  • BR备份会阻止GC savepoint推进36h；

十、BR备份注意项summary

• BR备份任务配置中, backup.num_threads参数控制在8以内范围，此参数越大，BR备份期间backup max cpu使用率越高;

• BR备份任务配置中, concurrency参数控制在256以内，此参数越大，BR备份期间backup thread cpu(avg)使用率越高;

• BR备份运行期间，会阻止集群的gc safepoint推进，直到BR备份完成自动释放，需要与业务评估更多Mvcc所带来的影响;

• BR备份运行期间，不同的参数配置下，online business受到影响表现不一样，详情参阅第七章节；

• BR备份任务配置中，需要关闭checksum，避免触发tikv cpu突增现象，影响在线业务运行；

• BR备份任务配置中，ZSTD压缩算法消耗tikv cpu最高，snappy其次，lz4最低；

• BR备份任务配置中，ratelimit参数控制的是单个tikv实例的流量，不建议用此参数控制资源消耗;

2024.6.12