PostgreSQL vs PolarDB:Checkpoint 调优策略深度对比(高频 vs 低频)

在一次 PostgreSQL 性能排查中,我遇到了这样一段日志:

复制代码
checkpoints are occurring too frequently (29 seconds apart)
HINT: Consider increasing the configuration parameter "max_wal_size".

而另一边,在 PolarDB 文档/实践中却看到:

checkpoint 频率约 30 秒一次

看起来很矛盾:

  • PostgreSQL:30 秒一次是"异常,需要优化"

  • PolarDB:30 秒一次是"设计行为"

那么问题来了:

checkpoint 到底应该频繁还是稀疏?

研究一番后,我得出了这样的结论,这篇文章从原理到架构,带你彻底搞清楚。


一、什么是 Checkpoint?

Checkpoint 本质是:

将内存中的脏页刷回磁盘,并记录一个一致性恢复点

在 PostgreSQL 中,checkpoint 的作用包括:

  • 限制 WAL 回放长度

  • 控制恢复时间

  • 保证数据持久性


二、两种完全不同的 checkpoint 策略

1️⃣ PostgreSQL 传统策略:低频 checkpoint

典型参数:

复制代码
max_wal_size = 8GB~16GB
checkpoint_timeout = 15min
checkpoint_completion_target = 0.9

特点:

  • checkpoint 间隔长

  • 每次写盘量大

  • WAL 累积多


2️⃣ PolarDB / 云原生策略:高频 checkpoint

特点:

  • checkpoint 间隔短(如 30s)

  • 每次写盘量小

  • 持久化推进更频繁


三、为什么 PostgreSQL 不喜欢高频 checkpoint?

来看一个真实现象:

复制代码
checkpoint 每 29 秒触发一次
每次写 ~800MB ~1GB 数据

问题:

1. 写放大严重

频繁 checkpoint 会导致:

  • 同一页被多次刷盘

  • IO 压力持续升高


2. WAL 增长更快

checkpoint 后:

  • 第一次修改页面 → full page write

  • checkpoint 越频繁 → WAL 越多


3. 吞吐下降

表现为:

  • TPS 抖动

  • 写延迟升高


四、为什么 PolarDB 反而选择高频 checkpoint?

关键点:架构不同


1️⃣ PostgreSQL 架构(本地存储)

复制代码
Shared Buffers → 本地磁盘
        ↑
       WAL

特点:

  • 数据页在本地

  • checkpoint = 真正的磁盘写入

  • IO 成本高


2️⃣ PolarDB 架构(计算存储分离)

复制代码
Compute Node → Shared Storage
         ↓
      WAL/日志驱动

特点:

  • 存储层分离

  • WAL/日志更核心

  • 数据页刷写机制不同


关键区别

项目 PostgreSQL PolarDB
存储 本地 共享存储
checkpoint成本 高 相对可控
WAL作用 辅助恢复 核心同步机制
优化目标 吞吐优先 恢复/一致性优先

五、两种策略本质对比

方案 A:低频 checkpoint(PostgreSQL)

优点

  • 写入吞吐高

  • IO 更集中

  • 减少写放大

缺点

  • WAL 较多

  • 崩溃恢复时间更长


方案 B:高频 checkpoint(PolarDB)

优点

  • 恢复更快

  • RTO 更可控

  • 数据推进更平滑

缺点

  • 写入开销更分散

  • 对传统架构不友好


六、核心差异:吞吐 vs 恢复

可以用一句话总结:

复制代码
PostgreSQL:追求吞吐
PolarDB:追求恢复能力

七、如何判断你的数据库该用哪种策略?

适合 PostgreSQL 低频 checkpoint 的场景

  • 高并发写入(OLTP)

  • 批量写入

  • 本地 SSD/NVMe

  • 单机或传统主备

建议:

复制代码
max_wal_size = 8GB~16GB
checkpoint_timeout = 15min

适合高频 checkpoint 的场景

  • 云原生数据库

  • 分离式存储

  • 高可用优先

  • 对恢复时间敏感


八、一个真实调优案例

问题:

复制代码
checkpoint 每 29 秒触发
Execution latency 波动明显

参数:

复制代码
max_wal_size = 2GB
checkpoint_timeout = 5min

优化:

复制代码
max_wal_size = 8GB
checkpoint_timeout = 15min

结果:

  • checkpoint 间隔从 29s → 数分钟

  • IO 平滑

  • 写入稳定


九、一个关键认知误区

很多人看到:

复制代码
PolarDB checkpoint 30s

就以为:

PostgreSQL 也应该这样调

这是错误的。


正确认知

复制代码
架构不同 → 最优参数完全不同

十、总结

PostgreSQL

复制代码
少 checkpoint,大 checkpoint
→ 提升吞吐

PolarDB

复制代码
多 checkpoint,小 checkpoint
→ 提升恢复能力

最后一条建议

如果你在标准 PostgreSQL 中看到:

复制代码
checkpoints are occurring too frequently

不要犹豫:

复制代码
先调大 max_wal_size

一句话总结

checkpoint 不是越频繁越好,也不是越少越好,而是要匹配数据库架构。

相关推荐
达梦产品与服务1 天前
SQLark V4.4 更新 | 新增 SQL Server 数据库支持、自定义格式复制、Agent 辅助建表等 20+ 项功能已上线!
数据库
小Ti客栈1 天前
MySQL 常用函数速查(完整篇)
数据库·mysql·adb
隔窗听雨眠1 天前
高可用不止于数据库的全栈工程实践
数据库·架构设计·高可用
nice_lcj5201 天前
MySQL 主从复制与读写分离:从库怎么跟着主库走
数据库·mysql·面试·binlog·读写分离·主从复制
tianyuanwo1 天前
PostgreSQL 部署运维实战总结:从安装踩坑到生产可用
运维·数据库·postgresql
数据工匠老o1 天前
数据库没死,业务卡住了:行锁等待、元数据锁、长事务的排查路径
数据库·算法·架构
Decay__1 天前
SQLServer 优化案例集 —— 慢 SQL 优化、索引重构与参数调整收益对比
运维·数据库·sql·mysql·架构
大大大大晴天1 天前
每天认识一个组件:VictoriaMetrics
大数据
CoderYanger1 天前
Java EE 进阶:9.MyBatis 操作数据库(进阶)(第二弹)
java·数据库·面试·职场和发展·java-ee·tomcat·mybatis