《大规模分布式存储系统》第8章OceanBase架构初探【8.4】

javazx

8.4　架构剖析
8.4.1　一致性选择
8 g6 b9 N! s7 wEric Brewer教授的CAP理论指出，在满足分区可容忍性的前提下，一致性和可
用性不可兼得。
虽然目前大量的互联网项目选择了弱一致性，但我们认为这是底层存储系统，
比如MySQL数据库，在大数据量和高并发需求压力之下的无奈选择。弱一致性给应
用带来了很多麻烦，比如数据不一致时需要人工订正数据。如果存储系统既能够满
足大数据量和高并发的需求，又能够提供强一致性，且硬件成本相差不大，用户将
" U  n; i5 }& {* |) B: T8 M/ W9 Q毫不犹豫地选择它。强一致性将大大简化数据库的管理，应用程序也会因此而简
化。因此，OceanBase选择支持强一致性和跨行跨表事务。
9 }2 g0 l1 v/ S2 c  dOceanBase UpdateServer为主备高可用架构，修改操作流程如下：
1）将修改操作的操作日志（redo日志）发送到备机；
8 E( I$ a0 g- U4 W, G" M2）将修改操作的操作日志写入主机硬盘；
! j- v" |/ e% _3 N( `8 |3）将操作日志应用到主机的内存表中；
3 ~: S; |+ }1 s" ]4）返回客户端写入成功。
. i  ?- l3 y! t- |5 LOceanBase要求将操作日志同步到主备的情况下才能够返回客户端写入成功，即
3 t1 C, V3 s" \3 e使主机出现故障，备机自动切换为主机，也能够保证新的主机拥有以前所有的修改
操作，严格保证数据不丢失。另外，为了提高可用性，OceanBase还增加了一种机
制，如果主机往备机同步操作日志失败，比如备机故障或者主备之间网络故障，主
机可以将备机从同步列表中剔除，本地更新成功后就返回客户端写入成功。主机将
备机剔除前需要通知RootServer，后续如果主机故障，RootServer能够避免将不同步
的备机切换为主机。
( |$ }9 |/ C: n. P0 S/ `0 r9 HOceanBase的高可用机制保证主机、备机以及主备之间网络三者之中的任何一个
, {6 _/ ?# ^7 X5 u" j) [  g& m7 [$ y出现故障都不会对用户产生影响，然而，如果三者之中的两个同时出现故障，系统
2 Q: J, ^; S% E( [可用性将受到影响，但仍然保证数据不丢失。如果应用对可用性要求特别高，可以
; j) ^2 b# z! b" S; H, G0 L5 U! k增加备机数量，从而容忍多台机器同时出现故障的情况。
OceanBase主备同步也允许配置为异步模式，支持最终一致性。这种模式一般用
& [3 [5 M/ i4 [4 a$ e来支持异地容灾。例如，用户请求通过杭州主站的机房提供服务，主站的
4 _; `/ S' K" q% \. R1 DUpdateServer内部有一个同步线程不停地将用户更新操作发送到青岛机房。如果杭州
机房整体出现不可恢复的故障，比如地震，还能够通过青岛机房恢复数据并继续提
供服务。
另外，OceanBase所有写事务最终都落到UpdateServer，而UpdateServer逻辑上是
) `) d% f2 z! r, B7 S一个单点，支持跨行跨表事务，实现上借鉴了传统关系数据库的做法。
2 b2 T: |' h' J* I( K0 {8.4.2　数据结构
OceanBase数据分为基线数据和增量数据两个部分，基线数据分布在多台
ChunkServer上，增量数据全部存放在一台UpdateServer上。如图8-5所示，系统中有5
" R- S% u9 L& s4 k0 Q4 L个子表，每个子表有3个副本，所有的子表分布到4台ChunkServer上。RootServer中维
护了每个子表所在的ChunkServer的位置信息，UpdateServer存储了这5个子表的增量
更新。
  F8 A: A1 b: O9 `' E2 m" ]图　8-5　OceanBase数据结构
5 z& l3 n& x0 M+ M不考虑数据复制，基线数据的数据结构如下：
●每个表格按照主键组成一颗分布式B+树，主键由若干列组成；
●每个叶子节点包含表格一个前开后闭的主键范围（rk1，rk2]内的数据；
: o, {/ t+ F; e% M& J! x% A●每个叶子节点称为一个子表（tablet），包含一个或者多个SSTable；
●每个SSTable内部按主键范围有序划分为多个块（block）并内建块索引（block
index）；
●每个块的大小通常在4～64KB之间并内建块内的行索引；
$ ^1 E0 [% }+ k6 |( E4 ^●数据压缩以块为单位，压缩算法由用户指定并可随时变更；
+ I( P1 O, }3 Z1 f●叶子节点可能合并或者分裂；
9 Q' b2 N) b' h9 M. L( j5 y2 N' Q7 G●所有叶子节点基本上是均匀的，随机地分布在多台ChunkServer机器上；
●通常情况下每个叶子节点有2～3个副本；
1 f4 a1 l: M" i. F●叶子节点是负载平衡和任务调度的基本单元；
●支持布隆过滤器的过滤。
增量数据的数据结构如下：
●增量数据按照时间从旧到新划分为多个版本；
●最新版本的数据为一颗内存中的B+树，称为活跃MemTable；
# n" y* c4 Y  R  @3 b+ A& h●用户的修改操作写入活跃MemTable，到达一定大小后，原有的活跃MemTable
- i2 |: r8 a  @  v将被冻结，并开启新的活跃MemTable接受修改操作；
●冻结的MemTable将以SSTable的形式转储到SSD中持久化；
/ Z8 i/ Y& W  s●每个SSTable内部按主键范围有序划分为多个块并内建块索引，每个块的大小
通常为4～8KB并内建块内行索引，一般不压缩；
3 p0 w6 i9 A: a! z* P●UpdateServer支持主备，增量数据通常为2个副本，每个副本支持RAID1存储。
8.4.3　可靠性与可用性
分布式系统需要处理各种故障，例如，软件故障、服务器故障、网络故障、数
0 L4 p: k+ I+ ]/ o3 Y8 _& Q! P据中心故障、地震、火灾等。与其他分布式存储系统一样，OceanBase通过冗余的方
# a; R5 Y7 K( |6 J, b$ Y式保障了高可靠性和高可用性。方法如下所示：
* s) L8 W. E8 o7 M$ Y/ l3 \●OceanBase在ChunkServer中保存了基线数据的多个副本。单集群部署时一般会
配置3个副本；主备集群部署时一般会配置每个集群2个副本，总共4个副本。
●OceanBase在UpdateServer中保存了增量数据的多个副本。UpdateServer主备模
+ a7 a0 F/ Y0 I4 N5 S5 ^式下主备两台机器各保存一个副本，另外，每台机器都通过软件的方式实现了
RAID1，将数据自动复制到多块磁盘，进一步增强了可靠性。
5 T+ _+ t5 b0 s●ChunkServer的多个副本可以同时提供服务。Bigtable以及HBase这样的系统服务
节点不冗余，如果服务器出现故障，需要等待其他节点恢复成功才能提供服务，而
, Y+ N  }& i5 N  [) k  m. rOceanBase多个ChunkServer的子表副本数据完全一致，可以同时提供服务。
●UpdateServer主备之间为热备，同一时刻只有一台机器为主UpdateServer提供写
服务。如果主UpdateServer发生故障，OceanBase能够在几秒中之内（一般为3～5
6 d2 Y" g( Q" q秒）检测到并将服务切换到备机，备机几乎没有预热时间。
  E0 a  Y$ i7 W3 l- m; U( x●OceanBase存储多个副本并没有带来太多的成本。当前的主流服务器的磁盘容
量通常是富余的，例如，300GB×12或600GB×12的服务器有3TB或6TB左右的磁盘总
容量，但存储系统单机通常只能服务少得多的数据量。
8.4.4　读写事务
2 \  D/ d. a# C在OceanBase系统中，用户的读写请求，即读写事务，都发给MergeServer。
MergeServer解析这些读写事务的内容，例如词法和语法分析、schema检查等。对于
3 z5 w  D6 c& m; m: y$ [只读事务，由MergeServer发给相应的ChunkServer分别执行后再合并每个ChunkServer
* F4 C+ C) u# z4 ]  k! T2 s& m  J的执行结果；对于读写事务，由MergeServer进行预处理后，发送给UpdateServer执
2 P' j7 I9 Z0 n: y" E行。
8 [8 D+ K- [7 q只读事务执行流程如下：
! G3 c) a- P# k$ w# v1）MergeServer解析SQL语句，词法分析、语法分析、预处理（schema合法性检
$ Y) c0 T6 V. f0 o) F/ r( o查、权限检查、数据类型检查等），最后生成逻辑执行计划和物理执行计划。
2）如果SQL请求只涉及单张表格，MergeServer将请求拆分后同时发给多台
7 T7 `5 m) t( ]- n! tChunkServer并发执行，每台ChunkServer将读取的部分结果返回MergeServer，由
/ v5 g* Z% }1 q$ [( W, H, A$ e) uMergeServer来执行结果合并。
3）如果SQL请求涉及多张表格，MergeServer还需要执行联表、嵌套查询等操
作。
4）MergeServer将最终结果返回给客户端。
读写事务执行流程如下：
& E- ]% b  z& {( @; x) `* o1）与只读事务相同，MergeServer首先解析SQL请求，得到物理执行计划。
2）MergeServer请求ChunkServer获取需要读取的基线数据，并将物理执行计划和
0 e) T, n# b- h9 H基线数据一起传给UpdateServer。
3）UpdateServer根据物理执行计划执行读写事务，执行过程中需要使用
4 w+ i  `& Z: x5 k, X3 {, F8 L- kMergeServer传入的基线数据。
2 d# o6 v& i# Y% X; ~5 y0 I+ M4）UpdateServer返回MergeServer操作成功或者失败，MergeServer接着会把操作
结果返回客户端。
例如，假设某SQL语句为："update t1 set c1=c1+1 where rowkey=1"，即将表格t1
8 }: I  O* p" B4 }/ T/ L中主键为1的c1列加1，这一行数据存储在ChunkServer中，c1列的值原来为2012。那
+ T% j% M; Q! i; {么，MergeServer执行SQL时首先从ChunkServer读取主键为1的数据行的c1列，接着将
读取结果（c1=2012）以及SQL语句的物理执行计划一起发送给UpdateServer。
UpdateServer根据物理执行计划将c1加1，即将c1变为2013并记录到内存表
4 O! S8 W; l5 O9 f/ o# N. J（MemTable）中。当然，更新内存表之前需要记录操作日志。
' _, a0 ]5 Q" Z8.4.5　单点性能
OceanBase架构的优势在于既支持跨行跨表事务，又支持存储服务器线性扩展。
' A+ r- \, Q6 r1 R: B0 y# C当然，这个架构也有一个明显的缺陷：UpdateServer单点，这个问题限制了
5 d  A5 x1 K( v( u* q% A0 u  t& VOceanBase集群的整体读写性能。
下面从内存容量、网络、磁盘等几个方面分析UpdateServer的读写性能。其实大
部分数据库每天的修改次数相当有限，只有少数修改比较频繁的数据库才有每天几
亿次的修改次数。另外，数据库平均每次修改涉及的数据量很少，很多时候只有几
十个字节到几百个字节。假设数据库每天更新1亿次，平均每次需要消耗100字节，
$ |; f4 s. m) V. r) ]每天插入1000万次，平均每次需要消耗1000字节，那么，一天的修改量为：1亿
×100+1000万×1000=20GB，如果内存数据结构膨胀2倍，占用内存只有40GB。而当
前主流的服务器都可以配置96GB内存，一些高档的服务器甚至可以配置192GB、
$ \! X0 Y3 ^' v6 X384GB乃至更多内存。
$ ^( x1 o; {, j1 A. ?) H从上面的分析可以看出，UpdateServer的内存容量一般不会成为瓶颈。然而，服
务器的内存毕竟有限，实际应用中仍然可能出现修改量超出内存的情况。例如，淘
宝双11网购节数据库修改量暴涨，某些特殊应用每天的修改次数特别多或者每次修
1 i" H% M+ _# q$ T2 k4 ?3 [. F9 |改的数据量特别大，DBA数据订正时一次性写入大量数据。为此，UpdateServer设计
% j# I6 b7 h$ y实现了几种方式解决内存容量问题，UpdateServer的内存表达到一定大小时，可自动
或者手工冻结并转储到SSD中，另外，OceanBase支持通过定期合并或者数据分发的
方式将UpdateServer的数据分散到集群中所有的ChunkServer机器中，这样不仅避免了
8 J9 n+ \+ g# r9 dUpdateServer单机数据容量问题，还能够使得读取操作往往只需要访问UpdateServer
内存中的数据，避免访问SSD磁盘，提高了读取性能。
, u+ G3 @; M5 o从网络角度看，假设每秒的读取次数为20万次，每次需要从UpdateServer中获取
100字节，那么，读取操作占用的UpdateServer出口带宽为：20万×100=20MB，远远
5 |4 s6 W0 U, w3 L4 i没有达到千兆网卡带宽上限。另外，UpdateServer还可以配置多块千兆网卡或者万兆
网卡，例如，OceanBase线上集群一般给UpdateServer配置4块千兆网卡。当然，如果
软件层面没有做好，硬件特性将得不到充分发挥。针对UpdateServer全内存、收发的
网络包一般比较小的特点，开发团队对UpdateServer的网络框架做了专门的优化，大
' e3 c! m2 X0 @% R3 z大提高了每秒收发网络包的个数，使得网络不会成为瓶颈。
3 H7 k' A. h1 C3 N从磁盘的角度看，数据库事务需要首先将操作日志写入磁盘。如果每次写入都
需要将数据刷入磁盘，而一块SAS磁盘每秒支持的IOPS很难超过300，磁盘将很快成
, R- P0 _( J; w为瓶颈。为了解决这个问题，UpdateServer在硬件上会配置一块带有缓存模块的RAID
1 X0 Z( W) x: n% v卡，UpdateServer写操作日志只需要写入到RAID卡的缓存模块即可，延时可以控制在
1毫秒之内。RAID卡带电池，如果UpdateServer发生故障，比如机器突然停电，RAID
卡能够确保将缓存中的数据刷入磁盘，不会出现丢数据的情况。另外，UpdateServer
; H0 `- h$ u% ~2 p& h( ]! M还实现了写事务的成组提交机制，将多个用户写操作凑成一批一次性提交，进一步
减少磁盘IO次数。
8.4.6　SSD支持
磁盘随机IO是存储系统性能的决定因素，传统的SAS盘能够提供的IOPS不超过
! L. k0 N  ^$ j* Q( n$ O300。关系数据库一般采用高速缓存（Buffer Cache） [1] 的方式缓解这个问题，读取操
作将磁盘中的页面缓存到高速缓存中，并通过LRU或者类似的方式淘汰不经常访问
的页面；同样，写入操作也是将数据写入到高速缓存中，由高速缓存按照一定的策
. Q( O7 h1 l+ b5 {略将内存中页面的内容刷入磁盘。这种方式面临一些问题，例如，Cache冷启动问
( g, p, W2 H! A0 A题，即数据库刚启动时性能很差，需要将读取流量逐步切入。另外，这种方式不适
合写入特别多的场景。
最近几年，SSD磁盘取得了很大的进展，它不仅提供了非常好的随机读取性能，
功耗也非常低，大有取代传统机械磁盘之势。一块普通的SSD磁盘可以提供35000
( r6 H" Z4 `4 V* z1 [. \IOPS甚至更高，并提供300MB/s或以上的读出带宽。然而，SSD盘的随机写性能并不
理想。这是因为，尽管SSD的读和写以页（page，例如4KB，8KB等）为单位，但
SSD写入前需要首先擦除已有内容，而擦除以块（block）为单位，一个块由若干个
连续的页组成，大小通常在512KB～2MB。假如写入的页有内容，即使只写入一个
  P) M+ P8 [& n; ?3 k0 \字节，SSD也需要擦除整个512KB～2MB大小的块，然后再写入整个页的内容，这就
6 z5 s0 O7 _% X是SSD的写入放大效应。虽然SSD硬件厂商都针对这个问题做了一些优化，但整体上
看，随机写入不能发挥SSD的优势。
4 ]- N9 ~1 k  N) ~OceanBase设计之初就认为SSD为大势所趋，整个系统设计时完全摒弃了随机
写，除了操作日志总是顺序追加写入到普通SAS盘上，剩下的写请求都是对响应时间
要求不是很高的批量顺序写，SSD盘可以轻松应对，而大量查询请求的随机读，则发
挥了SSD良好的随机读的特性。摒弃随机写，采用批量的顺序写，也使得固态盘的使
用寿命不再成为问题，主流SSD盘使用MLC SSD芯片，而MLC号称可以擦写1万次
5 A( _9 g" n, x& z: _$ Y) W（SLC可以擦写10万次，但因成本高而较少使用），即使按最保守的2500次擦写次数
  y1 J4 @; [8 q$ t* w( y计算，而且每天全部擦写一遍，其使用寿命为2500/365=6.8年。
[1]这个机制在Oracle数据库中称为Buffer Cache，在MySQL数据库中称为Buffer Pool，
1 Y* W  D$ U8 Q3 I用于缓存磁盘中的页面。
3 i0 u! i% P1 q; ]2 @8.4.7　数据正确性
数据丢失或者数据错误对于存储系统来说是一种灾难。前面8.4.1节中已经提
到，OceanBase设计为强一致性系统，设计方案上保证不丢数据。然而，TCP协议传
7 ]6 x4 v: ^, b9 B# l& p. q输、磁盘读写都可能出现数据错误，程序Bug则更为常见。为了防止各种因素导致的
- a9 M* O/ L. |0 b, r数据损毁，OceanBase采取了以下数据校验措施：
●数据存储校验。每个存储记录（通常是几KB到几十KB）同时保存64位CRC校
验码，数据被访问时，重新计算和比对校验码。
/ Z& \- d2 Z! x●数据传输校验。每个传输记录同时传输64位CRC校验码，数据被接收后，重新
计算和比对校验码。
●数据镜像校验。UpdateServer在机群内有主UpdateServer和备UpdateServer，集
) ?& r2 {* _1 y( D% b- D群间有主集群和备集群，这些UpdateServer的内存表（MemTable）必须保持一致。为
! g4 l$ @( ~# a( o, T1 G) S此，UpdateServer为MemTable生成一个校验码，MemTable每次更新时，校验码同步
更新并记录在对应的操作日志中。备UpdateServer收到操作日志并重放到MemTable
6 _5 v) r2 q8 s8 ]时，也同步更新MemTable校验码并与接收到的校验码对照。UpdateServer重新启动后
重放日志恢复MemTable时也同步更新MemTable校验码并与保存在每条操作日志中的
校验码对照。
●数据副本校验。定期合并时，新的子表由各个ChunkServer独立地融合旧的子表
中的SSTable与冻结的MemTable而生成，如果发生任何异常或者错误（比如程序
, E  v, M% g5 `, O4 `0 U0 |bug），同一子表的多个副本可能不一致，则这种不一致可能随着定期合并而逐步累
积或扩散且很难被发现，即使被察觉，也可能因为需要追溯较长时间而难以定位到
源头。为了防止这种情况出现，ChunkServer在定期合并生成新的子表时，也同时为
; e6 K  f5 I$ v7 T* G  [: `每个子表生成一个校验码，并随新子表汇报给RootServer，以便RootServer核对同一
& j' {& d# B) m8 Y/ C子表不同副本的校验码。
8.4.8　分层结构
OceanBase对外提供的是与关系数据库一样的SQL操作接口，而内部却实现成一
个线性可扩展的分布式系统。系统从逻辑实现上可以分为两个层次：分布式存储引
9 c/ M3 L0 k% O擎层以及数据库功能层。
OceanBase一期只实现了分布式存储引擎，这个存储引擎支持如下特性：
+ j4 F4 O) {/ T( B( K. X●支持分布式数据结构，基线数据逻辑上构成一颗分布式B+树，增量数据为内
存中的B+树；
) _/ y, g$ n( J7 D●支持目前OceanBase的所有分布式特性，包括数据分布、负载均衡、主备同
3 d' U* r3 b( z# B* F- j/ r+ E步、容错、自动增加/减少服务器等；
9 t; m* i2 g- |  a●支持根据主键更新、插入、删除、随机读取一条记录，另外，支持根据主键范
围顺序查找一段范围的记录。
$ a1 E3 E; \1 F! j; @二期的OceanBase版本在分布式存储引擎之上增加了SQL支持：
: _8 l4 e! V/ D●支持SQL语言以及MySQL协议，MySQL客户端可以直接访问；
●支持读写事务；
% V2 s+ p" |2 q& ?7 o1 d# h! N, z●支持多版本并发控制；
3 |9 K; K1 a" u! g% }9 T; }●支持读事务并发执行。
7 F. }7 H# J: t" f: k从另外一个角度看，OceanBase融合了分布式存储系统和关系数据库这两种技
术。通过分布式存储技术将基线数据分布到多台ChunkServer，实现数据复制、负载
' T# w& D5 [9 M7 [( H均衡、服务器故障检测与自动容错，等等；UpdateServer相当于一个高性能的内存数
据库，底层采用关系数据库技术实现。我们后来发现，有一个号称“世界上最快的内
3 }3 Y: e3 g7 U3 j) J9 X9 E存数据库”MemSQL采用了和OceanBase UpdateServer类似的设计，在拥有64个CPU核
) Q& `! B) G6 G( {心的服务器上实现了每秒150万次单行写事务。OceanBase相当于
+ d, S; h  J! ^( A4 e+ HGFS+MemSQL,ChunkServer的实现类似GFS,UpdateServer的实现类似MemSQL，目标是
成为可扩展的、支持每秒百万级单行事务操作的分布式数据库。
后续将分为两章，分别讲述OceanBase分布式存储引擎层以及数据库功能层的实
7 L! K8 O# p* ^$ `! P8 `# s) w& Q' F/ y7 L现细节。
$ }! s7 p' l" V: g) v' l2 M% e+ }4 o
" l7 ~- `9 Z' e/ s1 f