当前位置:首页 > 文章列表 > 数据库 > MySQL > MySQL 9.4 为什么把 back_log 默认值提到 10000:连接突发时先看这条边界

MySQL 9.4 为什么把 back_log 默认值提到 10000:连接突发时先看这条边界

来源:17golang原创 2026-09-04 01:56:21 0浏览 收藏

线上服务在发布、定时任务或流量回补时,可能在很短时间内同时发起大量 TCP 连接。MySQL 9.4 把 back_log 的默认值提高到 10000,解决的是这段“连接刚到、主线程还没来得及接收”的排队空间,而不是把数据库的并发能力直接扩大十倍。真正要判断是否安全,必须把 MySQL 参数和操作系统的监听队列放在一起看。

要点速览
  • back_log 管的是短时连接请求的监听队列,max_connections 管的是允许的并发连接规模。
  • MySQL 9.4 的默认值为 10000;显式设为 0 或 -1 时,会改用 max_connections。
  • Linux 的 net.core.somaxconn、net.ipv4.tcp_max_syn_backlog 和 net.core.netdev_max_backlog 不能落后于目标值。

back_log 先解决的是瞬时连接堆积

back_log 可以理解为 MySQL 监听入口前的一段短队列。主 MySQL 线程需要一点时间检查连接并启动处理线程;如果请求在这段间隔里集中到达,队列可以先把它们堆住。队列满了,服务器会暂时停止回应新的连接请求。

这和“服务器已经建立了多少连接”是两件事。max_connections 是并发连接容量,连接建立后还会受到线程、内存、连接池和业务事务的影响。把 back_log 调大,不能解决连接已经建立但业务线程耗尽的问题,也不能替代应用侧的连接池限流。

MySQL 9.4 的 10000 与 max_connections 不是一回事

MySQL 9.4.0 的发布说明明确写着:back_log 默认值提高到 10000。服务器变量文档同时给出了 0 到 65535 的范围,并说明它是全局、非动态变量。这里最容易误读的是:10000 是监听队列的默认上限,不是推荐把 max_connections 也改成 10000。

对象它约束什么排查时看什么
back_log短时未处理的连接请求启动配置与 SHOW VARIABLES
max_connections允许的并发连接数量连接池、线程和内存预算
操作系统上限socket 监听队列能实际承接的范围Linux 的三项 sysctl 参数
MySQL 9.4、back_log 与 max_connections 在监听队列和操作系统上限之间的静态关系框图
图1:查看 MySQL 9.4 配置变量、监听队列和操作系统上限的边界关系,避免把 back_log 当成并发容量。

还有一个边界值得记住:如果显式把 back_log 设为 0 或 -1,MySQL 会使用 max_connections。因此升级后看到 10000,先确认配置文件里有没有显式值,再判断它是不是默认值。

把操作系统监听上限一起对齐

back_log 不能高于操作系统对监听队列的限制。MySQL 文档给出的 Linux 核对项包括:

sysctl net.core.netdev_max_backlog
sysctl net.ipv4.tcp_max_syn_backlog
sysctl net.core.somaxconn

它们分别落在不同的网络处理环节,不能只改其中一项就宣布完成。需要提高目标值时,先在变更单里记录 back_log、max_connections 和三项 sysctl 的现值;如果最小的系统上限仍小于 MySQL 值,实际监听能力就会被更小的边界卡住。

Linux 内核三项网络队列参数与 MySQL back_log 和 max_connections 的静态边界关系
图2:对照 Linux 内核网络层的三项队列参数,判断 back_log 的目标值是否有操作系统承接。

生产环境不建议为了追求一个漂亮的 10000 直接改内核参数。先确认问题确实是连接突发,再结合文件描述符、连接池上限和入口层重试策略做小范围变更,并保留原值作为回滚点。

用配置与状态检查确认边界

可以先用下面的 SQL 把两个 MySQL 变量放在同一张检查单里:

SHOW VARIABLES WHERE Variable_name IN ('back_log', 'max_connections');

随后查看启动配置中是否出现 back_log=0、back_log=-1 或明确的固定值,再在 Linux 主机读取三项 sysctl。注意,back_log 是启动期变量,不能把一次运行时修改当成永久生效;需要调整时,应修改受管控的配置文件并按维护窗口重启,再重复上述检查。

判断顺序可以很简单:第一,看是否真的存在短时连接洪峰;第二,看 max_connections 和应用连接池是否已经逼近容量;第三,取 MySQL 目标值与三项系统上限的最小值。只有三层边界都能解释问题,才值得调整 back_log。

常见问题

back_log 越大,MySQL 就能承受越多并发吗?

不能。它只增加短时间内尚未完成接收的排队空间,并不增加已经建立的并发连接容量。

升级到 MySQL 9.4 后必须手动设置 back_log=10000 吗?

不必先手动设置。先确认版本、配置文件和实际变量值;如果系统上限或业务连接模型不匹配,盲目固定 10000 反而会掩盖真正的连接池问题。

为什么改了 back_log,连接突发仍然失败?

常见原因是 Linux 监听队列上限更小,或者失败发生在并发连接耗尽、文件描述符、入口层重试等其他边界。要把三类证据放在同一时间窗口内对照。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go 1.26 testing.ArtifactDir 怎么留测试产物:-artifacts 与临时目录取舍Go 1.26 testing.ArtifactDir 怎么留测试产物:-artifacts 与临时目录取舍
上一篇
Go 1.26 testing.ArtifactDir 怎么留测试产物:-artifacts 与临时目录取舍
Go 1.27 ML-KEM 1024 怎么显式启用:CurvePreferences 与 GODEBUG 边界
下一篇
Go 1.27 ML-KEM 1024 怎么显式启用:CurvePreferences 与 GODEBUG 边界
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    557次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    606次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    633次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    588次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    413次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码