昨天一个网友问我一道关于PG的选择题：Postgresql数据库中哪些进程可以将shared buffers中的脏数据回写到数据文件？A) BACKEND B) BGWRITER C)CHECKPOINTER D) WALWRITER。

稍微懂点PG数据库的人不难回答，答案是A、B、C。一些Oracle DBA可能会觉得这个答案有点出乎意料。因为在Oracle数据库中，回写DB CACHE脏数据的只有DBWR。可能这些人不太清楚的CKPT负责回写部分脏数据是80年代早期关系型数据库的共同特点，Oracle数据库中，CKPT也曾经负责过写脏块。后来随着数据库规模的增大，CKPT的功能被独立出来了，只负责CKPT的推进工作，不再负责写脏块了。在Oracle数据库中，为了更快的将脏块回写，通过将DB CACHE分区，采用多个DBWR进程可以并发写脏块，从而满足大型数据库的需要。

PG在刷脏块的算法方面的设计比较传统，这种设计是从90年代一脉相承的，改起来成本较大，所以就一直沿用下来了。只不过让backend也去写脏块，这未免也有点太出乎一般人的想象了。这会产生几个比较奇怪的现象，一个是某条SQL语句，可能在执行计划相同、数据量相同的情况下，不同的时间执行，其执行效率有较大的不同。另外一个奇怪现象是某条SELECT语句可能会产生较多的写操作。实际上Oracle数据库中也会存在类似的现象，这种情况是由延迟块清理产生的。当一个大型事务结束后，ITL的状态清理可能并没有完成，如果马上有SELECT操作访问这些数据，那么执行SELECT的前台进程将负责完成这些块的清理，这时候select操作也会产生大量的写操作，产生大量的REDO，同时这条SELECT比起平时会慢很多。    

图片

通过pg_stat_bgwriter系统表中的buffers_backend和buffers_backend_fsync可以查询到系统中的backend写脏块和fsync的计数。

图片

从我们的一个D-SMART的PG数据库中看到一个十分神奇的情况，按理说被用来写脏块的bgwriter居然很小（buffers_clean），大多数脏块都是checkpointer和backend写的 。如果你去检查一下你们的PG数据库，可能bgwriter写脏块的比例也不是很高。

为什么会出现这种情况，为什么大量的写脏块工作不由本应该处理脏块的 bgwriter去做，而让Backend去写脏块呢？这方面的资料很少，我们只能从 PG的代码上去找找答案。首先我们看一下src/backend/storage/bufmgr.c，在这里可以看到backend从shared buffers中分配空闲buffer的算法。一般我们都能理解从shared buffers中查找空闲的buffer,如果找不到非脏的空闲块，那么就有可能找到一个存储了脏数据的数据块，这时候才需要backend去写脏块。在Oracle数据库中，前台进程是顺着lru链的冷端去查找空闲缓冲块的，如果前台进程发现了某个没有被Pin住的块是脏块，就会把这个数据块移到lru-w中，然后继续往下搜索，如果连续搜素到了N个脏块，无法获得所需要的空闲块的时候，就会发出一个free buffer requests的事件，让DBWR加快刷脏块，然后再去重试。从PG的代码上看，PG的大体思想类似，不过策略要复杂得多。    

图片

BufferAlloc里包含了backend查找某个buffer的顶层逻辑。不阅读一下还真没发现PG这方面的代码逻辑会搞得如此复杂。要想访问某个buffer,先要生成一个BUFFER TAG（关于这方面的详细算法请参考我2021年写过的一篇8000多字的长篇《PG SHARED BUFFER POOL的优化》）。然后查找这个BUFFER。    

图片

如果BUFFER存在，还有两种可能性，一种是成功的PIN住了这个BUFFER，那么就可以返回这个BUFFER了。不过BUFFER存在还有一种可能性是无法PIN住，无法PIN住的原因是可能被其他的会话PIN住了，也可能是一些其他的原因。这种情况，Oracle被称为read by other session或者buffer busy waits。这个部分不是我们今天分析的重点，我们继续往下看代码。    

图片

GetVictimBuffer函数通过时钟扫描算法去找一个空闲的buffer。这里就涉及到查找空闲shared buffers了。我们下钻到这个函数的代码中去继续分析。

图片

首先调用StrategyGetBuffer去找一个BUFFER。    

图片

如果发现找到的是一个脏块，那么就把脏块刷盘，这就是BACKEND也需要刷脏块的原因之一。作为数据库缓冲的算法，我们肯定应该尽可能的找到非脏块来复用，总是让BACKEND写脏块肯定会降低数据库的整体性能。    

StrategyGetBuffer函数在src/backend/buffer/freelist.c中定义。首先，它会检查是否有一个策略对象（strategy），如果有，就调用GetBufferFromRing函数，从策略对象的环形缓冲区（ring buffer）中获取一个缓冲区。如果获取成功，就返回这个缓冲区，并设置from_ring标志为true。如果没能正常找到free buffer，它会尝试唤醒bgwriter，让它刷新脏的缓冲区到磁盘，以便释放一些空间。接下来，backend会检查StrategyControl->firstFreeBuffer变量，如果大于等于0，就表示有空闲的缓冲区，那么就通过一个循环从空闲链表中获取一个缓冲区。这部分算法与Oracle的free buffer requests十分类似。

此时如果空闲链表为空，backend会进入另一个循环，尝试从victim pool中选择一个缓冲区，victim pool是一个循环队列，存储了最近被访问过的缓冲区的编号。从nextVictimBuffer的当前位置开始，顺时针扫描victim pool，寻找一个既不被锁定，也没有被引用，也不是脏的缓冲区。如果找到了，就返回这个缓冲区，并将其从victim pool中移除。如果没有找到合适的缓冲区，它会继续扫描victim pool，寻找一个既不被锁定，也没有被引用，但是是脏块的缓冲区。如果找到了，就将这个缓冲区的内容写入磁盘，然后返回这个缓冲区（这是代码中backend中另外一个写脏块的地方），并将其从victim pool中移除，并添加到策略对象的环形缓冲区中。

我们先不去吐槽PG在这块代码的质量问题，仅仅从算法来看，backend直接刷脏块的机会也应该是比较小的。那么为什么我们会在pg_stat_bgwriter中看到如此奇葩的数据呢？这里面其实也有一个十分有意思的逻辑。

首先是关于buffers_backend这个指标，本身这个指标就有一定的误导性，我们今天看的代码上包含了处写脏块的地方，其实不用看代码我们都能想到第三处，那就是VACUUM。因为backend中还包含了auto vacuum，vacuum操作等写脏块的统计数据，因此我们可能会被这个指标误导。PG社区中十多年前就有人希望PG代码中把这些情况区分开来，从而让buffers_clean更有指向性，不过没有获得PG社区核心研发的认同。    

另外一点是PG数据库的策略是尽可能让数据在内存中多存放一段时间，而不急着把脏数据写盘。因此在PG数据库中，还是将检查点进程作为写脏块的主力，如果你的系统中的buffers_alloc增长很缓慢的话，那么只要按照checkpointer的节奏慢慢写脏块就可以了,backend总是能够找到所需要的buffer，因此也就没必要让bgwriter去写脏块了。这种算法对于早些年比较缓慢的IO子系统来说是十分友好的，不过对于当今高性能的IO系统来说，不够高效，比较适合目前IO性能一般的云上小型数据库，而对于采用高性能IO设备的大型数据库来说，并不一定是很优化的。

基于上面的分析我们可以了解到，如果你看到你的系统中的buffers_clean总是为0或者总是慢速增长，那么并不说明系统存在问题，而是说明你的系统写负载还不算太高，bgwriter还犯不着去帮你刷盘而已。对于IO性能还不错的系统，或者说规模不算太大的数据库来说，PG的这种刷脏块的方法还是可以胜任的，在一些超大型系统中，可能这方面会成为瓶颈。我看到Polardb-PG、openGauss等基于PG代码的数据库产品中，对这方面都做了一些优化，引入了专门的机制来替换BGWRITER。目前还没有对这些代码进行分析，因此不知道这方面的改善如何。

今天分析PG这方面源代码的另外一个收获是从中学到一些PG的SHARED BUFFERS相关的优化策略的。首先shared buffers不能设置得太少，否则backend真正开始大量刷脏块了，那么SQL的性能是会受到很大的影响的。其次是CHECKPOINTER的相关参数设置要合理，根据底层IO的能力配置合适的参数，让CHECKPOINTER刷盘的速度能够跟得上buffers_alloc的速度。如果我们发现buffers_clean的增长比较快了，那么说明目前系统的负载对shared buffers 有一定的压力了，那么我们就需要考虑调整bgwriter相关的参数了。       

最后的源码链接是我两年多前写的一篇关于PG SHARED BUFFERS的内部结构的分析文章，文章很长，有8000多字，有兴趣的朋友可以阅读一下。文中有些观点可能和今天的文章有些不大一致了，如果存在这方面的观点，那么就以今天的文章为准吧。对PG数据库的理解都是一点一点的从模糊到清晰，从不大准确到相对准确的。认知的提升是从一个个案例，一段段源码的分析中逐渐完成的。