存储 IO 性能优化策略、方案与瓶颈分析

存储 IO 性能优化策略、方案与瓶颈分析（15张图）

   

存储IO性能优化是难题，因为它通常涉及全局性问题，需要从应用、数据库、主机、网络和存储设备全IO链路栈各层考虑可能出现的性能问题或瓶颈。

一、不同应用数据的 IO 模型特点

下表概述了各种应用场景的IO大小、读写比例、随机和顺序比例，这些数据作为通用参考值。需要注意的是，该表并未涵盖所有应用类型，且在不同生产环境中，数值可能存在较大差异。因此，表1中的数据仅作为一个通用参考。

表1 应用数据的IO模型

二、存储 IO 性能指标和计算公式

1. 三大存储IO性能指标：

在三大性能指标中，针对大IO应用的吞吐量评估更科学；而对于小IO应用如数据库，需通过IOPS和延时指标评测性能。只有高IOPS与低延时兼得，才能应对高并发且快速的数据库访问需求，如表2所示。

表2 三大存储IO性能指标

2. 其它重要的存储性能指标（表3）：

表3 其它重要的存储性能指标

3. 各IO性能指标的计算和相互转换公式

IOPS、IO size、带宽和QueueDepth之间的计算转换公式如图1所示。请参考该图以获取详细信息。

图1 IOPS、IO size、带宽、QueueDepth之间的计算转换公式

4. 各性能指标在vdbench基准测试工具中的体现（如图2）

图2 各性能指标在vdbench基准测试工具中的体现

三、存储 IO 性能优化

1. 优化策略

存储IO性能优化工作需要一定的策略性（如表4）：

表4 存储IO性能优化策略

2. 优化方案

存储设备层优化方案（如图3）：

图3 存储设备层优化方案

网络层优化方案（图4）：

图4 网络层优化方案

存储传输协议方案选择（如图5）：

图5 存储传输协议方案选择

主机层优化方案（如图6）：

图6 主机层优化方案

应用层优化方案（如图7）：

图7 应用层优化方案

3. 传统关系型数据库的IO性能的瓶颈点分析（如图8）

图8 Oracle 数据文件和日志文件读写过程

如表5所示，OLTP系统中单进程LGWR可能成为瓶颈，特别是在无法保证在线日志IO写性能时，容易出现排队等LGWR进程现象。这也是传统关系型数据库相对脆弱之处，容易引发问题。

表5 关系型数据库data和log数据IO读写模型

OLTP数据库存储性能优化思路（如图9）：

图9 OLTP数据库存储性能优化思路

4. IO并发队列的考虑

队列深度(Queue-Depths)是衡量主机端单个LUN能同时处理的I/O操作数量的标准。以QD=32为例，这意味着在同一时刻，该LUN可以执行32个并行IO操作。

在SCSI命令层面，每个从发送端(initiator)主机HBA卡端口到接收端(target)存储HBA卡端口的IO请求都会占用一个队列条目。

通常来说，较高的队列深度意味着更好的性能。然而，当存储控制器/节点达到最大队列深度并耗尽资源时，它将拒绝新的传入命令，并通过返回QFULL回应主机，从而导致性能下降。因此，在大量主机访问存储控制器时，务必谨慎规划以避免QFULL条件导致系统性能显著降低甚至出现错误。

有关队列深度（Queue-Depths）计算的深入分析（表6）：

表6 队列深度计算的深入分析

有关队列深度（Queue-Depths）注意事项：

队列深度是一种并发交易模拟机制，它在流水线上的每个不同环节设置缓冲空间，使正常流水线数据传送从紧耦合变成了松耦合。简单来讲，Queue-Depths 传送机制的系统中，整个系统的吞吐量和延迟由性能最差的那个部位决定。

队列深度是一种并发交易模拟机制，它通过在流水线上的每个不同环节设置缓冲空间，使得正常流水线数据传送从紧耦合变成了松耦合。使用Queue-Depths 传送机制的系统中，整个系统的吞吐量和延迟由性能最差的那个部位决定。

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-