说明：平凯数据库是平凯星辰企业级分布式HTAP数据库，兼容MySQL协议，采用**PD（调度）+TiDB（计算）+TiKV（存储）**存算分离架构，支持Raft多副本，自带TEM运维平台、Tiup集群管理工具，本手册面向生产环境日常运维、巡检、备份、故障处置、安全管理。

一、架构简介

1. PD：集群元数据管理、全局时间戳、数据分片调度、负载均衡，集群核心控制点，一般部署3节点保证高可用。
2. TiDB Server：计算层，接收SQL、解析、生成执行计划，无状态，可横向扩缩，对外提供MySQL协议端口。
3. TiKV：分布式存储引擎，数据按Region分片，Raft协议3副本存储，负责事务、MVCC、行锁。
4. TiFlash（可选）：列式存储，用于HTAP实时分析负载。
5. 监控组件：Prometheus+Grafana，Dashboard；企业版配套TEM可视化运维平台，支持集群管理、告警、备份、巡检。

运维核心要点：TiDB无状态，TiKV是数据载体，PD管理元数据；节点故障自动Raft主从切换，少数副本故障业务不中断。

二、环境基线与操作系统前置规范

1. OS：推荐Linux（CentOS/银河麒麟/UOS），关闭swap分区，swap开启会严重拖垮TiKV性能；
2. 文件系统：TiKV数据盘使用EXT4，挂载参数增加barrier=0；
3. 时间同步：所有节点NTP时间严格同步，时间漂移会造成事务、TS时间戳异常；
4. 系统参数：文件句柄nofile调大，关闭透明大页transparent_hugepage；
5. 网络：节点间内网低延迟，推荐万兆网卡，PD/TiKV节点之间网络丢包会直接影响Raft复制。

三、集群生命周期管理（Tiup / TEM平台）

1. 集群部署

使用tiup部署，编写topology.yaml拓扑文件，中控机执行tiup cluster deploy；企业版推荐TEM平台可视化一键部署。

# 集群状态查看
tiup cluster display pkdb-cluster
# 启停集群
tiup cluster start pkdb-cluster
tiup cluster stop pkdb-cluster

2. 扩缩容

• 扩容：新增TiDB/PD/TiKV节点，tiup scale-out，PD自动调度Region分片，在线无感，不中断业务；
• 缩容：TiKV缩容会自动迁移Region，必须等待迁移完成再下线节点，禁止直接关机。

3. 版本升级

优先滚动升级，业务不中断；遵循PD→TiKV→TiDB顺序；升级前全量备份，准备回滚预案；TEM平台支持可视化灰度升级。

四、日常巡检（每日/每周）

每日巡检项

1. 集群组件状态：PD、TiDB、TiKV全部Up，无Offline节点；Dashboard查看Region健康，无missing/down副本。
2. 监控指标：CPU、内存、磁盘使用率、磁盘IO、网络延迟；TiKV写入流量、Raft日志复制延迟。
3. 业务指标：QPS、连接数、慢查询、事务失败率、锁等待时长。
4. 磁盘预警：预留至少20%空闲空间，TiKV磁盘满会触发写入阻塞。

每周巡检

1. 检查Region均衡状态，确认调度正常，无长时间pending迁移任务；
2. 慢SQL审计，优化大事务、全表扫描、不合适的DDL；
3. 备份任务校验，验证备份文件可恢复；
4. 安全巡检：账号权限、审计日志、漏洞版本核查。

五、备份与恢复（生产必备）

平凯数据库推荐两种备份方案：BR（Backup & Restore）分布式快照备份（首选）、dumpling逻辑导出。

1. BR（物理快照）：适合大集群，速度快，在线备份，几乎不影响业务；基于Raft快照，支持全量、增量备份。

备份前提：集群Region健康，无副本缺失。

2. Dumpling：逻辑导出，兼容mysqldump，适合小库、迁移、逻辑校验，大库速度慢。
3. 恢复：BR恢复支持按库/表恢复；恢复前确认目标集群为空，避免数据覆盖。

备份策略：每日全量BR备份，备份文件异地存储；定期执行恢复演练，验证备份有效性。

六、参数调优（核心组件）

TiDB（计算层）

• tidb_mem_quota_query：单SQL内存上限，防止大SQLOOM；
• tidb_slow_log_threshold：慢查询阈值，默认300ms，按需调整；
• max_connections：数据库最大连接。

TiKV（存储层）

• storage.block-cache.capacity：TiKV数据页缓存，推荐服务器内存50%左右；
• raftstore相关参数：Raft复制、快照生成、Region大小（默认96MB）；
• 控制compaction（分层合并）IO，业务高峰避免大量合并抢占IO。

注意：平凯数据库参数可在线动态set global修改，部分底层参数需要重启TiKV/TiDB节点。

七、故障排查与应急处置

1. TiKV节点宕机：Raft自动选主，3副本场景单节点宕机业务持续运行；后台自动补副本，等待副本补齐再做节点修复。
2. PD节点故障：PD三节点集群，单节点宕机不影响；超过半数PD故障，集群元数据不可写入，业务阻断。
3. Region副本丢失：Dashboard查看Region状态，优先排查网络、磁盘；严重场景使用pd-ctl做Region恢复。
4. 慢SQL/锁等待：通过TiDB Dashboard查看慢查询、事务视图，定位长事务（长事务会占用MVCC版本，造成空间暴涨）；生产禁止长时间未提交的大事务。
5. 磁盘满：立即停止大写入，清理过期快照、垃圾版本；不要直接删除TiKV数据目录。

重要红线：禁止直接手动删除TiKV数据文件；不要随意修改PD元数据，操作前联系原厂支持。

八、安全管理

1. 账号管理：最小权限原则，业务账号只分配DML权限，禁止业务账号DDL权限；定期清理闲置账号，定期轮换密码。
2. 审计：开启数据库审计，记录登录、DDL/DML操作，日志留存满足合规要求。
3. 网络安全：数据库端口只允许业务服务器访问，防火墙限制源IP；传输开启TLS加密。
4. 漏洞管理：定期版本漏洞扫描，按照官方安全公告执行补丁升级，高危漏洞优先低峰窗口修复。

九、运维禁忌与最佳实践

1. 禁止关闭Raft副本、随意修改副本数量；
2. 避免业务高峰执行DDL，TiDB在线DDL虽然无锁，但大量DDL会占用集群资源；
3. 控制事务大小，禁止超大事务（千万行级一次性写入），拆分为小批量；
4. 定期监控MVCC版本，长事务会造成垃圾版本堆积，磁盘持续上涨；
5. 重要变更（扩容、升级、参数大调整）必须提前窗口评估、备份、准备回滚方案。

十、运维工具清单

1. tiup：集群生命周期管理（部署、启停、扩缩容、升级）
2. br：分布式备份恢复
3. dumpling：逻辑导出；lightning：高速数据导入
4. pd-ctl：PD元数据查看、Region运维
5. Grafana + TiDB Dashboard：监控、性能诊断、慢SQL
6. TEM平台（企业版）：统一可视化运维、告警、巡检