很多站长第一次看到 max_connections 报错,是在某个流量不大不小的下午:前台开始零星出现 500,错误日志里整齐地刷着 Too many connections。第一反应通常是去 my.cnf 里把 max_connections 从 151 改成 1000,重启 MySQL,然后看着错误消失,心满意足地关掉终端。几天后同样的错误又回来了,而且这次连后台都进不去——因为连接被某种东西占满了,改大上限只是把崩溃的时间往后推了几个小时。
这篇文章想讲清楚的是:连接数问题几乎从来不是「上限设小了」,而是一个关于谁在建连接、建了为什么不放、以及上限和内存之间怎么换算的工程问题。下面按先看懂现状、再算清账、最后改架构的顺序展开,每一步都可落地。
一、先把「当前连接」和「历史峰值」量出来
动手改配置之前,先把三个数字记下来,它们是后面所有判断的基线。
-- 当前与历史峰值
SHOW GLOBAL STATUS LIKE 'Threads_connected';
SHOW GLOBAL STATUS LIKE 'Max_used_connections';
SHOW GLOBAL STATUS LIKE 'Threads_running';
-- 峰值相对上限的比例(健康值通常在 60% 以下)
SELECT
(SELECT VARIABLE_VALUE FROM performance_schema.global_status
WHERE VARIABLE_NAME = 'Max_used_connections') AS peak,
(SELECT VARIABLE_VALUE FROM performance_schema.global_status
WHERE VARIABLE_NAME = 'Threads_connected') AS now_conn,
@@max_connections AS cap;Max_used_connections 是自实例启动以来的历史峰值,重启就清零,所以它只反映「你重启之后最忙的那一刻」,不代表真实业务峰值。真正的参考值要配合另一条命令:Threads_connected 的采样曲线。如果没有监控,用一条一分钟采一次的 cron 写进表里,跑满一天就能看清形状——是平稳的、有明显尖峰的,还是一路爬升从不回落。这三种形状对应三种完全不同的病因,后面会分别讲。
二、是谁在占连接:按用户、按来源、按状态切三刀
光知道「占了 300 个连接」没有意义,要知道这 300 个是长连接还是短连接、是应用还是人。performance_schema 提供了足够细的视角:
-- 按用户与主机聚合
SELECT USER, SUBSTRING_INDEX(HOST, ':', 1) AS ip, COUNT(*) AS n
FROM information_schema.PROCESSLIST
GROUP BY USER, ip ORDER BY n DESC LIMIT 15;
-- 按状态聚合:Sleep 多说明连上了不干活
SELECT COMMAND, COUNT(*) AS n
FROM information_schema.PROCESSLIST
GROUP BY COMMAND ORDER BY n DESC;COMMAND 列里出现大量 Sleep,通常意味着连接池闲置连接太多,或者应用侧没有正确释放;出现大量 Query 而 Threads_running 居高不下,通常是慢 SQL 把连接都卡在了执行阶段。这两种情况的处理方向完全相反:前者要收紧池子,后者要优化语句。还有一个容易忽略的来源是运维工具——一条忘了退出的 mysql 客户端、一个 Grafana 面板每五秒拉一次 SHOW GLOBAL STATUS、一个备份脚本挂着没结束,都可能悄悄吃掉几十个连接。
更细的一层是区分「连接」和「会话线程」。administrative 账号可以从 SUPER 用户里单独算出来,通常不超过 5 个;如果这个数字很大,说明有自动化脚本在用高权限账号跑高频查询,这种用法应当改成只读专用账号并限制来源 IP。
三、算一笔内存账:每个连接都不是免费的
这是最常被跳过、后果却最严重的一步。max_connections 不是孤立参数,它下面挂着一串「每连接」的缓冲区:
SHOW GLOBAL VARIABLES WHERE Variable_name IN (
'sort_buffer_size',
'join_buffer_size',
'read_buffer_size',
'read_rnd_buffer_size',
'tmp_table_size',
'max_heap_table_size',
'binlog_cache_size',
'thread_stack');把 sort_buffer_size、join_buffer_size、read_buffer_size、read_rnd_buffer_size 四项相加,再乘上 max_connections,得到的是「理论最坏情况」下这些会话缓冲区能吃掉的常驻内存。一台 4GB 内存的 VPS 上,如果这四项各配了 2MB,max_connections 设成 500,仅这一项的理论上限就是 4GB——和整个系统的内存一样多。实际不会同时吃满,但只要有几个并发的大排序查询撞在一起,内存就会瞬间见底,然后 OOM killer 会挑一个倒霉进程下手,很可能是 MySQL 自己,于是「连接数报错」变成了「服务整个消失」。
正确的顺序是反过来算:先确定给 MySQL 的内存预算(比如 4GB 机器给 2.5GB),减去 innodb_buffer_pool_size、performance_schema 开销和系统预留,剩下的才是会话缓冲区可用的份额。用这个份额倒推 max_connections,而不是先定连接数再配缓冲区。一个可行的经验区间是:每连接会话缓冲区合计控制在 1MB 到 4MB 之间,buffer pool 独占大头,剩下的零头留给连接。
四、连接池到底该多深:一个公式和一个上限
应用侧的连接池经常被配成一个拍脑袋的数字。更靠谱的起点是这条估算式:池大小 ≈ 核数 × (1 + 等待时间 / 处理时间)。也就是说,当一个数据库操作平均耗时 5ms,而应用在等它的时候还要处理别的事情,池子比核数大一些是合理的;但如果每个请求的处理时间有 200ms,而查数据库只占 5ms,池子开得再大也救不了吞吐,因为瓶颈在别处。
业内常引用的经验是「池子不要超过 20 到 30,除非你有非常明确的测量依据」。这句话在小站场景下更激进:单机 MySQL 8 核以下,应用连接池总和控制在 50 以内通常就够,剩下的连接额度留给运维和报表。池子过大带来的是排队与切换开销,以及上面说的内存问题;池子过小则表现为连接等待超时,日志里是池耗尽而不是数据库拒绝。
判断池子深度是否合适,最直接的办法是看两个指标:一是池的等待队列长度,长期大于 0 说明池子偏小或语句太慢;二是空闲连接数,长期等于池上限说明池子偏大。这两条都比「看数据库连接数」准。
五、wait_timeout 与连接被「断在半路」
另一个高频形态是「MySQL server has gone away」和「Lost connection during query」。这类报错往往不是网络问题,而是服务端把闲置连接回收了,而客户端还拿着以为可用的句柄。
SHOW GLOBAL VARIABLES WHERE Variable_name IN
('wait_timeout', 'interactive_timeout', 'net_read_timeout',
'net_write_timeout', 'max_allowed_packet');wait_timeout 管非交互连接,interactive_timeout 管交互连接,客户端的 interactive 标志决定它听谁的。连接池里的空闲连接如果超过 wait_timeout 就会被服务端切断,而池子通常在取出时才做一次判活,判活失败才会重建——这中间的空窗就是丢失连接。合理的做法是让池子的最大闲置时间明显小于 wait_timeout(例如 wait_timeout 是 600 秒,池的 idle timeout 设 300 秒),并在取连接时做一次廉价的 ping 校验。
max_allowed_packet 过小也会制造「假连接问题」:写入一张大表或者带长文本的字段时,包被服务端拒绝,连接随之关闭,客户端看到的是 lost connection 而不是「包太大」。默认 64MB 在多数场景够用,但如果你有批量导入脚本或者带 base64 附件的表,最好单独确认一次。
六、看到 Too many connections 时的现场处置
错误已经开始出现,这时不要急着改 max_connections。先按下面的次序做三件事,通常十分钟内能确定性质:
-- 1. 谁在占
SELECT ID, USER, HOST, DB, COMMAND, TIME, LEFT(INFO, 80) AS sql_head
FROM information_schema.PROCESSLIST
ORDER BY TIME DESC LIMIT 20;
-- 2. 有没有锁等待把连接拖住
SELECT * FROM performance_schema.data_lock_waits;
-- 3. 有没有长事务
SELECT trx_id, trx_state, trx_started, trx_mysql_thread_id
FROM information_schema.innodb_trx
ORDER BY trx_started ASC LIMIT 10;如果发现是一条长事务或一个没提交的会话把后面所有连接都堵在锁等待上,杀掉那一条连接就能立刻恢复,这比重启服务安全得多。杀掉之后要把原因写进记录:是哪段代码开了事务没提交,是哪个人在后台跑了一条没有 WHERE 的 UPDATE。没有这一步,明天同样的事会再来一次。
如果发现占用来自某个 IP 的大量短连接,基本可以确定是应用侧没有复用连接——每一次请求都新建一次连接。这种模式在 PHP 的「短生命周期请求」场景里很常见,PHP-FPM 每个 worker 处理完请求就结束,mysqli 的连接如果开在请求里,天然就是一次一连接。解决办法不是调大 MySQL 上限,而是在架构里引入持久连接或者一个轻量的连接代理。
七、代理层:让连接数不再随进程数线性增长
当应用是多进程、多容器的形态时,连接数会随副本数线性膨胀:4 个应用容器 × 每容器 25 个池连接 = 100。这时候中间加一层连接代理很值,典型如 ProxySQL 或 MySQL Router,它们在后端维持一个固定的、较小的连接池,前端接受大量短连接。效果是把「N 个进程 × M 个池」变成「代理层 P 个连接」,P 可以稳定控制在几十个。
# ProxySQL 里看后端连接分布(只读查询)
SELECT hostgroup, srv_host, status, ConnUsed, ConnFree, Queries
FROM stats_mysql_connection_pool;代理层带来的额外收益是故障转移和读写分离的落点,但也要付出成本:多一跳、多一个需要监控的组件、SQL 兼容性上的一些边界。小站如果只有一台应用机,不必上代理,直接把应用侧的池配小、把 MySQL 的 max_connections 留出余量更划算。判断标准很简单——应用副本会不会增长、连接数是否随副本线性涨。会涨就上代理,不会就不上。
八、把连接数放进监控,而不是等报错
连接数问题的特点是「平时没事,出事很急」。因此它必须进入日常监控,而不是靠错误日志发现。至少要有三个指标:当前连接数占上限的百分比、Threads_running 的 P95、以及连接建立失败次数。前两个超过阈值时提前告警,第三个只要不是零就值得看一眼。
# 一分钟一次的采样,落进一张表(示意)
*/1 * * * * mysql -ureader -pPASS -N -e "
SELECT NOW(),
(SELECT VARIABLE_VALUE FROM performance_schema.global_status
WHERE VARIABLE_NAME='Threads_connected'),
(SELECT VARIABLE_VALUE FROM performance_schema.global_status
WHERE VARIABLE_NAME='Threads_running')
" >> /var/log/mysql/conn_samples.tsv这条 cron 只负责采样,不做判断。判断放在后面用 SQL 做:按小时聚合出一条曲线,就能看出业务高峰的形状,也能在事后回答「上周三下午到底发生了什么」。样本文件本身要配 logrotate,否则它自己会长成新的磁盘问题。
九、三个常见的错误结论
「把 max_connections 调到 1000 就好了」。 在内存没有同步规划的情况下,这只是把「连接拒绝」换成「OOM 杀进程」,对用户来说前者是可重试的 500,后者是整站不可用。
「Sleep 的连接是浪费,全部杀掉」。 Sleep 的连接是连接池的闲置资源,杀掉它们会让应用下一次取连接时重新建连,反而增加握手开销和连接风暴。要看的是 Sleep 的变化曲线,而不是瞬时数量。
「慢查询和连接数没关系」。 关系非常直接:一条锁住全表的语句会让后续所有连接排队,Threads_running 上不去但 Threads_connected 一路爬升,最终撞顶。连接数告警出现时,第一件事永远是看有没有长事务和锁等待,而不是调参数。
十、一张可执行的检查顺序
1. 量基线:Max_used_connections、Threads_connected 曲线、Threads_running P95
2. 切来源:按 USER/HOST/COMMAND 聚合,区分应用、运维、监控、异常
3. 算内存:会话缓冲区合计 × max_connections 与内存预算对账
4. 定池深:按核数与处理时间估算,核对池等待与空闲两个指标
5. 核超时:wait_timeout 与池 idle timeout 的关系、max_allowed_packet
6. 现场处置:长事务与锁等待优先,杀连接不重启
7. 架构升级:多副本场景加代理层,把连接数从线性增长改成常量
8. 常态化:三个监控指标 + 采样落盘 + 按小时聚合复盘按这个顺序走一遍,绝大多数「连接数满了」的现场都能在一小时内定位到根因,而不是靠一次次调大上限把它推到下一次。真正需要调高 max_connections 的情况是很少的,多数时候那只是最后一步的确认动作。