問題：
我們都知道 innodb_buffer_pool_instances 參數，將 buffer pool 分成幾個區，每個區用獨立的鎖保護，這樣就減少了訪問 buffer pool 時需要上鎖的粒度，以提高性能。那麼我們如何觀察它是如何影響性能呢？
實驗：在這裡我們將 performance_schema_events_waits_history_long_size 調大，是為了讓之後實驗數據能採集的更多，在此不多做介紹。對數據進行預熱 60s，可以看到預熱期間的性能會不太穩定，預熱後會比較穩定，設置 performance_schema，這次我們將僅開啟觀察項（生產者）hash_table_locks，並開啟 waits 相關收集端（消費者）。（相關介紹參看 實驗 03）
為什麼我們知道觀察項應該選擇 hash_table_locks？在 performance_schema.setup_instruments 表中，列出了所有觀察項，但我們很難從中選出我們應觀察哪個觀察項。這時候，可以將所有觀察項都啟用，然後設計一些對比實驗，比如使用幾種不同的 SQL，觀察這些操作影響了哪些觀察項，找到共性或者區。還有一種高效的方式是搜索別人的經驗，或者閱讀 MySQL 源碼。本例中 hash_table_locks 隱藏的比較深，使用了閱讀 MySQL 源碼和對比試驗結合的方法。由於 MySQL 有一些後臺進程會使用 buffer pool，比如刷盤線程，會影響我們的觀察，所以需要將 MySQL 的後臺線程排除在外。萬事就緒，再運行一次 sysbench 壓力。運行前記得將已有的觀察結果清除：等待壓力結束後，對 performance_schema 中記錄的數據進行分析。確實採集了 100 萬條對 hash_table_locks 的觀測數據。我們取其操作時長的平均值，90% 分位數，99% 分位數：整理到如下表格，但我們先忽略其時間單位，放到最後討論，我們按照如上方法，分別再測試 innodb_buffer_pool_instances 為 2 和 4 的情況（記得多測幾次，取平均值會更為準確，本實驗由於偷懶，只測預熱後的一次結果）。平均值都在 99% 分位數以上，意味著有極大的數據嚴重影響的平均值（有幾次對 buffer pool 鎖的獲取，等待了非常久）。隨著 innodb_buffer_pool_instances 增大，這種嚴重的影響會逐漸減小。在實驗的場景中，innodb_buffer_pool_instances 的增大，對 90% 和 99% 分位數影響都不大，即不會影響到大部分 SQL 對 buffer pool 鎖的獲取時間。重要說明：
本實驗以介紹實驗手法為目的，實驗的結論不可作為參考。如果大家多做幾次實驗，會發現在同一個配置下，平均值的變化很大，也就是說那幾次非常久的等待時間非常不穩定，受到其他因素影響。如果更換數據壓力或者更換測試環境，會看到不同的現象。我們再來看看這些時間的單位是什麼？
可以看到 wait 一族的觀察項，單位是 cycle，那麼 cycle 又是多少秒？可以看到，1 cycle = 1/2387771144 秒。我們重新看一下 innodb_buffer_pool_instances=1 時，獲取 buffer pool 鎖的平均時間是 6535546 cycle，大約是 2.7 ms。2.7 ms，還是比較長的一段時間（我的虛擬機配置比較一般）。結論本次實驗介紹了對 innodb_buffer_pool_instances 參數對性能影響的觀測手法，大家可以在進行壓力測試時，使用此方法觀察 innodb_buffer_pool_instances 的取值對性能的影響，從而決定應該取值多少。
參數設置一直是個平衡問題，innodb_buffer_pool_instances 設置太小，鎖衝突集中；設置太大，維護成本升高。
再次強調，本次實驗僅介紹手法，結果不足取信。不同壓力，不同 buffer pool 配置，不同環境會呈現效果，唯有手法是可以傳承的。
按照正常實驗的規則，95% 分位數以上的極值可看作是實驗誤差，但對於本次實驗中的極大值進行進一步分析後，我們認為可以用於說明實驗效果。
關於 MySQL 的技術內容，你們還有什麼想知道的嗎？趕緊留言告訴小編吧！