PolarDB MySQL 版 Serverless评测|一文带你体验什么是极致弹性

本文涉及的产品
云数据库 RDS MySQL,集群系列 2核4GB
推荐场景:
搭建个人博客
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
函数计算FC,每月15万CU 3个月
简介: PolarDB MySQL 版 Serverless评测|一文带你体验什么是极致弹性

在体验PolarDB MySQL 版之前,这里先为大家提供一下PolarDB MySQL 版 Serverless评测入口,以供热爱数据库探索的小伙伴们共同体验极致弹性体验的数据库PolarDB MySQL 版,测评入口:https://developer.aliyun.com/topic/polardbserverless

下面开始正文,测评PolarDB MySQL 版各项性能,那么在开始之前,例行惯例先简单介绍一下什么是PolarDB MySQL 版,这样也方便大家对PolarDB MySQL 版有一个基础的理解。

什么是PolarDB MySQL 版

PolarDB MySQL版是阿里巴巴自研的云原生HTAP数据库。PolarDB MySQL版100%兼容原生MySQL的多个版本,包括MySQL 5.6、MySQL 5.7和MySQL 8.0。PolarDB MySQL版的企业版基于云原生架构、计算存储分离、软硬件一体化设计,为用户提供具备超高弹性和性能、高可用和高可靠保障、高性价比的数据库服务。

image.png

到这里,大家也就知道什么是PolarDB MySQL版,简单的说就是你平常用的Mysql,只不过这个Mysql是一款云原生数据库,不需要你部署,不需要你维护,你只需要用就可以了,就是这么简单。

下面我们开始正式体验PolarDB MySQL版的极致弹性究竟体现在哪里呢?

PolarDB MySQL版体验

打开浏览器输入PolarDB MySQL版控制台地址:https://polardb.console.aliyun.com/ 点击【集群列表】

image.png没有集群的话就选择【创建新集群】,这里我已经创建好了集群,点击集群ID进去集群信息页面

image.png

点击【基本信息】页面下滑找到【数据库节点】配置,点击右上角的【Serverless配置】

image.png

在打开弹框页面设置如下信息

image.png

点击【确定】完成Serverless配置。

弹性压测一

下面开始进行弹性压测,执行如下命令初始化数据

sysbench /usr/share/sysbench/oltp_read_write.lua --mysql-host=pc-uf637o962oq7nqmqq.rwlb.rds.aliyuncs.com --mysql-port=3306--mysql-user=test_user --mysql-password=Password123 --mysql-db=sbtest --tables=128--table-size=1000000--report-interval=1--range_selects=1--db-ps-mode=disable --rand-type=uniform --threads=256--time=12000 prepare

image.png

点击【性能监控】可以看到PCU数量有个弹性增高

image.png

等待集群数据库初始化数据完成之后,开始进行256并发读写混合压测,输入命令

sysbench /usr/share/sysbench/oltp_read_write.lua --mysql-host=pc-uf637o962oq7nqmqq.rwlb.rds.aliyuncs.com --mysql-port=3306--mysql-user=test_user --mysql-password=Password123 --mysql-db=sbtest --tables=128--table-size=1000000--report-interval=1--range_selects=1--db-ps-mode=disable --rand-type=uniform --threads=256--time=12000 run

观察命令执行输出日志可以看到,在同样的并发数下,tps逐渐上升,延迟(lat)逐渐下降,最终到达一个稳定值

image.png

继续观察,可以看到tps lat逐渐趋于稳定,这说明PolarDB的处理能力借助Serverless弹性获得提升

image.png

回到控制台性能监控页面,查看节点负载情况,可以看到随着主节点PCU CPU使用率的不断提升,PCU数量从1分钟内从1 PCU弹升到最大上限32 PCU。

image.png

压测一段时间后,PCU数量及PCU CPU使用率也趋于稳定

image.png

停止压测后可以看到主节点PCU CPU使用率会立即下降,而PCU数量随后也会逐步自动缩小至1 PCU

image.png

弹性压测二

下面开始进行读写混合压测,回到集群基本信息页面,更改【Serverless配置】

image.png

更改完成后回到命令行页面执行如下命令,发起256并发读写混合压测请求

sysbench /usr/share/sysbench/oltp_read_write.lua --mysql-host=pc-uf637o962oq7nqmqq.rwlb.rds.aliyuncs.com --mysql-port=3306--mysql-user=test_user --mysql-password=Password123 --mysql-db=sbtest --tables=128--table-size=1000000--report-interval=1--range_selects=1--db-ps-mode=disable --rand-type=uniform --threads=256--time=12000 run

和前面观察日志输出结果一致,在同样的并发数下,tps逐渐上升,延迟(lat)逐渐下降,最终到达一个稳定值

image.png

回到控制台查看集群基本信息,可以看到当主节点弹升到最大规格后,Serverless系统会逐个创建只读节点,分摊主节点的读请求,直到只读节点的数量满足当前负载

image.png

回到性能监控页面,点击【集群】监控可以看出,PolarDB收到读写混合请求后,主节点会首先迅速弹升到最大的32 PCU,之后监控逐步出现2个读节点。当只读节点分摊主节点的读请求后,主节点CPU使用率逐步下降,规格最终稳定在22.5 PCU。

image.png

由于目前2个只读节点都没有到最大规格32 PCU,系统判断目前Serverless规格已经满足实际负载,不会再继续增加新的只读节点。

根据该实验之前的配置,PolarDB for MySQL Serverless最多支持扩展出7个只读节点,如果后续压力增大会继续弹性增加只读节点。那么下面增加只读压力测试。

弹性压测三

基于弹性压测二,继续增加只读压力测试,输入命令

sysbench /usr/share/sysbench/oltp_read_only.lua --mysql-host=pc-uf637o962oq7nqmqq.rwlb.rds.aliyuncs.com --mysql-port=3306--mysql-user=test_user --mysql-password=Password123 --mysql-db=sbtest --tables=128--table-size=1000000--report-interval=1--range_selects=1--db-ps-mode=disable --rand-type=uniform --threads=256--time=12000 run


image.png

为了效果明显可以多开几个只读压测命令执行的窗口,知道出现多个只读节点为止。也就是说当数据库接收到新的只读负载后,首先当前的2个只读节点会弹升到最大规格32 PCU,之后Serverless系统会继续创建新的只读节点,直到满足新增只读负载的要求。整个过程大概需要等待20~30min,且需要开启多个只读脚本压测命令窗口即可看到效果。

image.png

弹性缩容

当停止掉所有的Sysbench脚本之后,PolarDB for MySQL Serverless的计算节点首先会自动缩容,之后新增的只读节点会逐步回收,大概耗时 20~25min,等待一段时间后,最终PolarDB会缩容到只有一个主节点的状态。


从上面的实验可以看出,PolarDB for MySQL Serverless的节点数量和规格都能够根据负载进行自动伸缩与自动配置。


操作体验

对于PolarDB MySQL 版 Serverless整体的操作体验上很流畅,文档内容也很详细,整个实验操作下来达到了理想的预期,也看到了PolarDB MySQL 版 Serverless的极致弹性,配置简单,功能很强大,对于企业来说,弹性增减数据库节点可以极大的优化企业数据管理成本以及运维成本。同时在应对大数据量并发时,可以自动化的弹性伸缩保障数据库节点的稳定运行,也保障了业务的稳定运行。真的是做到了超高弹性和性能、高可用和高可靠保障、高性价比,为企业保驾护航,很赞。

相关实践学习
【文生图】一键部署Stable Diffusion基于函数计算
本实验教你如何在函数计算FC上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。函数计算提供一定的免费额度供用户使用。本实验答疑钉钉群:29290019867
建立 Serverless 思维
本课程包括: Serverless 应用引擎的概念, 为开发者带来的实际价值, 以及让您了解常见的 Serverless 架构模式
相关文章
|
3月前
|
人工智能 Serverless
《触手可及,函数计算玩转 AI 大模型》体验评测
《触手可及,函数计算玩转 AI 大模型》体验评测
|
3月前
|
关系型数据库 MySQL Serverless
探索PolarDB MySQL版:Serverless数据库的灵活性与性能
本文介绍了个人开发者对阿里云PolarDB MySQL版,特别是其Serverless特性的详细评测体验。评测涵盖了产品初体验、性能观测、Serverless特性深度评测及成本效益分析等方面。尽管试用过程中遇到一些小问题,但总体而言,PolarDB MySQL版表现出色,提供了高性能、高可用性和灵活的资源管理,是个人开发者和企业用户的优秀选择。
|
17天前
|
人工智能 Serverless
解决方案 | 函数计算玩转 AI 大模型评测获奖名单公布!
解决方案 | 函数计算玩转 AI 大模型评测获奖名单公布!
|
1月前
|
消息中间件 人工智能 弹性计算
《触手可及,函数计算玩转 AI 大模型》解决方案评测
一文带你了解《触手可及,函数计算玩转 AI 大模型》解决方案的优与劣
66 14
|
1月前
|
人工智能 弹性计算 数据可视化
解决方案|触手可及,函数计算玩转 AI 大模型 评测
解决方案|触手可及,函数计算玩转 AI 大模型 评测
29 1
|
2月前
|
人工智能 弹性计算 运维
触手可及:阿里云函数计算助力AI大模型的评测
阿里云推出的面向AI服务器的功能计算(Functional Computing, FC),专为AI应用提供弹性计算资源。该服务支持无服务器部署、自动资源管理和多语言支持,极大简化了AI应用的开发和维护。本文全面评测了FC for AI Server的功能特性、使用体验和成本效益,展示了其在高效部署、成本控制和安全性方面的优势,并通过具体应用案例和改进建议,展望了其未来发展方向。
184 4
|
2月前
|
人工智能 弹性计算 运维
《触手可及,函数计算玩转 AI 大模型》解决方案深度评测
本次评测全面评估了《触手可及,函数计算玩转 AI 大模型》解决方案,涵盖实践原理理解、文档清晰度、部署体验、优势展现及生产环境适用性。方案通过函数计算实现AI大模型的高效部署,但模型加载、性能指标和示例代码等方面需进一步细化。文档需增加步骤细化、FAQ、性能指标和示例代码,以提升用户体验。部署体验方面,建议明确依赖库、权限配置和配置文件模板。优势展现方面,建议增加性能对比、案例研究和成本分析。此外,为满足实际生产需求,建议增强高可用性、监控与日志、安全性和扩展性。
43 2
|
2月前
|
人工智能 弹性计算 自然语言处理
《触手可及,函数计算玩转 AI 大模型》解决方案体验与部署评测
在AI技术快速发展的背景下,大模型正推动各行业的智能化转型。企业为抓住机遇,纷纷寻求部署AI大模型以满足特定业务需求。阿里云函数计算凭借按量付费、卓越弹性和快速交付等优势,为企业提供了高效、安全的AI大模型部署方案。本文将详细介绍阿里云函数计算的技术解决方案及其在文生文、图像生成和语音生成等领域的应用实例,展示其在降低成本、提高效率和增强灵活性方面的显著优势。
|
3月前
|
人工智能 弹性计算 运维
评测报告:《触手可及,函数计算玩转 AI 大模型》解决方案
本次评测聚焦于《触手可及,函数计算玩转 AI 大模型》这一解决方案。该方案旨在通过云上的函数计算服务来简化AI大模型的部署过程,使得用户可以更加便捷地利用这些强大的AI能力。本报告将从实践原理的理解、部署体验、优势展现以及实际应用等四个方面进行综合评估。
73 15
|
2月前
|
人工智能 Serverless 文件存储
《触手可及,函数计算玩转 AI 大模型》解决方案评测报告
该解决方案介绍如何利用阿里云函数计算快速部署AI大模型,通过无服务器架构、文件存储NAS和专有网络VPC实现模型持久化存储与私有网络访问。尽管整体描述清晰,但在技术细节上仍有待完善,建议增加架构图帮助理解。阿里云提供了详尽的部署文档,涵盖从选择模板到调用验证的全过程,适合新手用户。但在VPC和NAS配置上需更多示例指导,并优化报错信息提示。此方案展示了函数计算在降低成本、提升弹性和加速交付方面的优势,但可通过具体性能指标和案例进一步强化。适用于快速探索AI大模型效果、缺乏GPU资源的开发者及希望简化技术门槛的企业。未来版本应在细节描述和优势量化上继续优化。