《大规模分布式存储系统》第7章 分布式数据库【7.3】

javazx

7.3　Google Spanner
. v  A+ L+ O+ T+ O# i4 m  h/ K1 i. }: A3 }Google Spanner是Google的全球级分布式数据库（Globally-Distributed
Database）。Spanner的扩展性达到了全球级，可以扩展到数百个数据中心，数百万
0 e7 W: F% b" j6 A! k& ?# o0 q0 C台机器，上万亿行记录。更为重要的是，除了夸张的可扩展性之外，它还能通过同
! v! P. [1 u4 F1 [5 m9 S步复制和多版本控制来满足外部一致性，支持跨数据中心事务。
& f& P! L' G, ~" }5 B! d无论从学术研究还是工程实践的角度看，Spanner都是一个划时代的分布式存储
' S) g& V% E$ R* t* k系统。Spanner的成功说明了一点，分布式技术能够和数据库技术有机地结合起来，
. |: ^/ R3 D" m3 z3 |) R通过分布式技术实现高可扩展性，并呈现给使用者类似关系数据库的数据模型。
. D& m# q$ B( ^; S& |7.3.1　数据模型
Spanner的数据模型与6.2节中介绍的Megastore系统比较类似。
1 h, ?7 t: G# `5 b+ s3 {; w6 E如图7-6所示，对于一个典型的相册应用，需要存储其用户和相册，可以用上面
" }* J- `( V2 m0 p1 @的两个SQL语句来创建表。Spanner的表是层次化的，最底层的表是目录表
（Directorytable），其他表创建时，可以用INTERLEAVE IN PARENT来表示层次关
" I# K5 C) V) O/ T: B系。Spanner中的目录相当于Megastore中的实体组，一个用户的信息（user_id,email）
以及这个用户下的所有相片信息构成一个目录。实际存储时，Spanner会将同一个目
2 a5 W6 i- F& J) T3 E' s录的数据存放到一起，只要目录不太大，同一个目录的每个副本都会分配到同一台
% S. [/ G# @8 }机器。因此，针对同一个目录的读写事务大部分情况下都不会涉及跨机操作。
; {: c4 ]3 U3 f8 S/ w图　7-6　Spanner数据模型
7.3.2　架构
Spanner构建在Google下一代分布式文件系统Colossus之上。Colossus是GFS的延
- r) R# p0 ^7 S' B; \续，相比GFS,Colossus的主要改进点在于实时性，并且支持海量小文件。
3 V' T+ v- v3 Y" `' V& D/ S4 Y; ^由于Spanner是全球性的，因此它有两个其他分布式存储系统没有的概念：
●Universe。一个Spanner部署实例称为一个Universe。目前全世界有3个，一个开
发、一个测试、一个线上。Universe支持多数据中心部署，且多个业务可以共享同一
个Universe。
1 {  R1 W7 K: `  j( K●Zones。每个Zone属于一个数据中心，而一个数据中心可能有多个Zone。一般
* H; I/ n. O! \  K! d2 c! T& @. N来说，Zone内部的网络通信代价较低，而Zone与Zone之间通信代价很高。
8 r! |" F6 q& P/ T3 e, }如图7-7所示，Spanner系统包含如下组件：
5 b0 B' W) A7 ]% {" G6 }图　7-7　Spanner整体架构
●Universe Master：监控这个Universe里Zone级别的状态信息。
●Placement Driver：提供跨Zone数据迁移功能。
1 c7 a( G6 U- N5 `7 ^/ D6 ^# k' o●Location Proxy：提供获取数据的位置信息服务。客户端需要通过它才能够知道
5 z8 g' x: W4 T数据由哪台Spanserver服务。
2 X- _' g% ]4 O1 O( ^●Spanserver：提供存储服务，功能上相当于Bigtable系统中的Tablet Server。
每个Spanserver会服务多个子表，而每个子表又包含多个目录。客户端往Spanner
发送读写请求时，首先查找目录所在的Spanserver，接着从Spanserver读写数据。
这里面有一个问题：如何存储目录与Spanserver之间的映射关系？假设每个用户
对应一个目录，全球总共有50亿用户，那么，映射关系的数据规模为几十亿到几百
亿，单台服务器无法存放。Spanner论文中没有明确说明，笔者猜测这里的做法和
Bigtable类似，即将映射关系这样的元数据信息当成元数据表格，和普通用户表格采
取相同的存储方式。
7.3.3　复制与一致性
如图7-8所示，每个数据中心运行着一套Colossus，每个机器有100～1000个子
表，每个子表会在多个数据中心部署多个副本。为了同步系统中的操作日志，每个
子表上会运行一个Paxos状态机。Paxos协议会选出一个副本作为主副本，这个主副本
% O5 n' ]1 U+ A& m! {的寿命默认是10秒。正常情况下，这个主副本会在快要到期的时候将自己再次选为
主副本；如果出现异常，例如主副本所在的spanserver宕机，其他副本会在10秒后通
过Paxos协议选举为新的主副本。
1 t5 s1 v. f! J. F. Y图　7-8　Spanner多集群复制
通过Paxos协议，实现了跨数据中心的多个副本之间的一致性。另外，每个主副
- }( s: ]2 U4 q1 _4 I% ^本所在的Spanserver还会实现一个锁表用于并发控制，读写事务操作某个子表上的目
录时需要通过锁表避免多个事务之间互相干扰。
除了锁表，每个主副本上还有一个事务管理器。如果事务在一个Paxos组里面，
可以绕过事务管理器。但是一旦事务跨多个Paxos组，就需要事务管理器来协调。
. `/ h1 w- Q+ z, s$ N锁表实现单个Paxos组内的单机事务，事务管理器实现跨多个Paxos组的分布式事
务。为了实现分布式事务，需要实现3.7.1节中提到的两阶段提交协议。有一个Paxos
组的主副本会成为两阶段提交协议中的协调者，其他Paxos组的主副本为参与者。
7.3.4　TrueTime
为了实现并发控制，数据库需要给每个事务分配全局唯一的事务id。然而，在分
布式系统中，很难生成全局唯一id。一种方式是采用Google Percolator（Google
Caffeine的底层存储系统）中的做法，即专门部署一套Oracle数据库用于生成全局唯
: H( t, Q& z$ J7 w/ H一id。虽然Oracle逻辑上是一个单点，但是实现的功能单一，因而能够做得很高效。
Spanner选择了另外一种做法，即全球时钟同步机制TrueTime。
TrueTime是一个提供本地时间的接口，但与Linux上的gettimeofday接口不一样的
. v. D" H; U- Q7 j是，它除了可以返回一个时间戳t，还会给出一个误差e。例如，返回的时间戳是20点
5 v2 s/ r% U$ t( ?: D3 H- @" p23分30秒100毫秒，而误差是5毫秒，那么真实的时间在20点23分30秒95毫秒到105毫
# `% C" j3 R) f! x% O* U2 A秒之间。真实的系统e平均下来只有4毫秒。
+ [: |6 s0 R: G6 k8 A( X8 dTrueTime API实现的基础是GPS和原子钟。之所以要用两种技术来处理，是因为
2 g. @9 }3 ^$ h, D% |. X6 {导致这两种技术失效的原因是不同的。GPS会有一个天线，电波干扰会导致其失灵。
原子钟很稳定。当GPS失灵的时候，原子钟仍然能保证在相当长的时间内，不会出现
6 T: R; _1 |+ M2 S* C& z* o偏差。
每个数据中心需要部署一些主时钟服务器（Master），其他机器上部署一个从时
5 b& z3 [8 d1 n+ b- g* d+ m钟进程（Slave）来从主时钟服务器同步时钟信息。有的主时钟服务器用GPS，有的
. \0 N1 M: i) o3 [1 i主时钟服务器用原子钟。每个从时钟进程每隔30秒会从若干个主时钟服务器同步时
钟信息。主时钟服务器自己还会将最新的时间信息和本地时钟比对，排除掉偏差比
较大的结果。
7.3.5　并发控制
Spanner使用TrueTime来控制并发，实现外部一致性，支持以下几种事务：
●读写事务
●只读事务
●快照读，客户端提供时间戳
; e* W. n8 f) P4 J: v0 g●快照读，客户端提供时间范围
9 ^/ [$ N8 v6 @" K+ A1.不考虑TrueTime
首先，不考虑TrueTime的影响，也就是说，假设TrueTime API获得的时间是精确
  S3 f9 m, w% }+ ~; U. ~8 w的。如果事务读写的数据只属于同一个Paxos组，那么，每个读写事务的执行步骤如
下：
1）获取系统的当前时间戳；
: A) Q4 a, n* k: W, i* Y2）执行读写操作，并将第1步取得的时间戳作为事务的提交版本。
每个只读事务的执行步骤如下：
1）获取系统的当前时间戳，作为读事务的版本；
2）执行读取操作，返回客户端所有提交版本小于读事务版本的事务操作结果。
% B9 t$ \) Z9 F$ E( ]" O! G5 z快照读和只读事务的区别在于：快照读将指定读事务的版本，而不是取系统的
当前时间戳。
1 g' h4 ~% g/ u% y# ?如果事务读写的数据涉及多个Paxos组，那么，对于读写事务，需要执行一次两
- s* |6 U3 h3 X1 p7 r7 [/ r9 q阶段提交协议，执行步骤如下：
1）Prepare：客户端将数据发往多个Paxos组的主副本，同时，协调者主副本发
起prepare协议，请求其他的参与者主副本锁住需要操作的数据。
& y; B: A( s( r( z' t  \2）Commit：协调者主副本发起Commit协议，要求每个参与者主副本执行提交操
$ Z' V, T# O. e5 ?5 E作并解除Prepare阶段锁定的数据。协调者主副本可以将它的当前时间戳作为该事务
的提交版本，并发送给每个参与者主副本。
- P5 d- g0 u6 L只读事务读取每个Paxos组中提交版本小于读事务版本的事务操作结果。需要注
意的是，只读事务需要保证不会读到不完整的事务。假设有一个读写事务修改了两
6 v" `, d: K8 |! Q/ Z+ e/ v* r% f个Paxos组：Paxos组A和Paxos组B,Paxos组A上的修改已提交，Paxos组B上的修改还未
提交。那么，只读事务会发现Paxos组B处于两阶段提交协议中的Prepare阶段，需要
9 I/ ~9 `- f$ x. c! C等待一会，直到Paxos组B上的修改生效后才能读到正确的数据。
" ]4 z- z# x9 ]2.考虑TrueTime
. C8 V2 N& c, V2 |; Z( b如果考虑TrueTime，并发控制变得复杂。这里的核心思想在于，只要事务T1的
/ ~  W8 [: H( \1 Q: U; J提交操作早于事务T2的开始操作，即使考虑TrueTime API的误差因素（-e到+e之间，
e值平均为4ms），Spanner也能保证事务T1的提交版本小于事务T2的提交版本。
" t7 `4 c- T6 o" {6 o# ?/ R& cSpanner使用了一种称为延迟提交（Commit Wait）的手段，即如果事务T1的提交版本
为时间戳t commit ，那么，事务T1会在t commit +e之后才能提交。另外，如果事务T2开始
的绝对时间为t abs ，那么事务T2的提交版本至少为t abs +e。这样，就保证了事务T1和T2
之间严格的顺序，当然，这也意味着每个写事务的延时至少为2e。从这一点也可以
( W5 q1 j9 z. I2 l0 i# f9 A% Q. W2 s$ @看出，Spanner实现功能完备的全球数据库是付出了一定代价的，设计架构时不能盲
( N) o, \9 M# z0 Z9 q& b, J: E目崇拜。
8 O# _# f$ }, \" Q7.3.6　数据迁移
目录是Spanner中对数据分区、复制和迁移的基本单位，用户可以指定一个目录
0 v5 N/ D' {* l有多少个副本，分别存放在哪些机房中，例如将用户的目录存放在这个用户所在地
区附近的几个机房中。
一个Paxos组包含多个目录，目录可以在Paxos组之间移动。Spanner移动一个目
: B* a" m- [# q录一般出于以下几种考虑：
# D% T3 W( ^" t: I. N●某个Paxos组的负载太大，需要切分；
1 T- i) }4 L# _" M●将数据移动到离用户更近的地方，减少访问延时；
●把经常一起访问的目录放进同一个Paxos组。
移动目录的操作在后台进行，不影响前台的客户端读写操作。一般来说，移动
一个50MB的目录大约只需要几秒钟时间。实现时，首先将目录的实际数据移动到指
' Z  Q' m4 W: C% z定位置，然后再用一个原子操作更新元数据，从而完成整个移动过程。
2 J, {& c: I# l+ ^$ D, z' d7.3.7　讨论
, R5 x; N! O' c8 VGoogle的分布式存储系统一步步地从Bigtable到Megastore，再到Spanner，这也印
* P( J; l2 p2 K证了分布式技术和传统关系数据库技术融合的必然性，即底层通过分布式技术实现
  Y' [; O# Z; k0 s' X& }4 D& F; e2 I可扩展性，上层通过关系数据库的模型和接口将系统的功能暴露给用户。
5 C$ T+ {! j1 Z* U: P阿里巴巴的OceanBase系统在设计之初就考虑到这两种技术融合的必然性，因
" S% h& n; u) E4 L; Z此，一开始就将系统的最终目标定为：可扩展的关系数据库。目前，OceanBase已经
开发完成了部分功能并在阿里巴巴各个子公司获得广泛的应用。本书第三篇将详细
介绍OceanBase的技术细节。