《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
Google Spanner是Google的全球级分布式数据库（Globally-Distributed
2 A/ ]( a# |7 ?3 z4 L- FDatabase）。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
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
7 @/ T" i4 A7 ]  Y9 {! H2 d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。
! ~- j. F7 j5 h% I/ _# W' v, n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
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，
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。
, \7 s) t' `* c! f+ R/ M7.3.1　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。
" t5 U' i/ r9 @2 A5 y4 o6 B) p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
8 T1 r0 V: W3 ]6 e* h& a% g1 s3 g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
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）
; p' V) {: Q5 O2 I* r6 l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
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
* y) O: m) d, m7 v. A" H8 S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。
图　7-6　Spanner数据模型
7.3.2　架构
3 o4 L! k* w1 ~9 v: GSpanner构建在Google下一代分布式文件系统Colossus之上。Colossus是GFS的延
9 C2 q# s' e8 [" M- N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。
/ O( k: E% |$ `& u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：
5 b1 O: r& O& K. ]* O●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。
3 a! S5 _4 x- s3 x- N$ H! D8 m" w●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
1 G) t( z  }6 Y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。
0 I5 ?8 \/ K+ ~1 \# X2 v1 {/ v如图7-7所示，Spanner系统包含如下组件：
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。
●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
数据由哪台Spanserver服务。
5 Y  F# @8 H% E●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
. y2 e- {+ o/ H) B" d1 W: ~) ?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
1 p; o) T6 o' f, y$ P( [- d取相同的存储方式。
7.3.3　复制与一致性
: @6 s! L1 @! }. a  O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
- e% Z2 E$ q, V$ L4 d" W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
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
4 G/ W( j# p  p1 D- L' Z- a& C过Paxos协议选举为新的主副本。
+ K( t4 D: w" e+ M9 s图　7-8　Spanner多集群复制
% @9 d* A) [; C8 Y+ |2 Y0 U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
3 F  g+ a7 C+ O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
& u, j% M( p* C% Y+ c+ t  Z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，
( q2 x3 `$ b, f' N0 b( ~$ g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。
- Q7 s5 ~' c) }2 D7 ]8 ?% @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
$ J: d2 d- y; p# @3 O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
! y1 h1 N, r; k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
3 }  _) J1 f  [0 ~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
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
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
23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
秒之间。真实的系统e平均下来只有4毫秒。
TrueTime 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
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
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
, u% I! R5 Q" h' }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
% ]$ V9 o6 |$ j! t' u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
# t& ?: u  \8 k" W' X  }8 n) X4 i9 f较大的结果。
7.3.5　并发控制
) c( H5 V* D5 g) R4 z8 sSpanner使用TrueTime来控制并发，实现外部一致性，支持以下几种事务：
. ^. Y8 I! Y; Q% U8 r2 Q●读写事务
●只读事务
6 O+ c! O0 t, S! h! c! M) Q$ v●快照读，客户端提供时间戳
) L2 U, j! C2 K●快照读，客户端提供时间范围
1.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
: S' L0 o. h: X+ Y# Z! u6 ^3 M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：
5 E7 w$ Q) p' v$ D, C  k- e' a1）获取系统的当前时间戳；
) ]6 R" C7 n0 N6 K' @  z( U2 A% a" X2）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：
& }) g1 C8 S8 {6 }0 W; F6 G" }) E( |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。
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。
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
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。
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
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。
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
; T2 b, G# c" i9 J) e0 X) b; `8 d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
& F3 N9 c1 U3 W% U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。
/ w6 J2 L  e+ H! }) m! ?  i/ w2.考虑TrueTime
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
  i: y$ i% ]! j$ A8 k1 I0 n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，
& ~/ `6 d- b9 v" D) z7 M( _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。
7 Z2 }* R3 y  A& f% @$ z: _Spanner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
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
目崇拜。
7.3.6　数据迁移
. v! R6 Z: C% l( _+ R- V+ l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
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
3 k: M  X. Y5 a, @* a6 e; X6 Q, H区附近的几个机房中。
! D5 R, g. E. O. S! c( j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
录一般出于以下几种考虑：
# s4 G7 d- O, U2 J●某个Paxos组的负载太大，需要切分；
; R6 S- c' t( w% l●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
- Q6 ?" M. }( F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。
7.3.7　讨论
Google的分布式存储系统一步步地从Bigtable到Megastore，再到Spanner，这也印
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
+ e# i, B1 T( c5 K6 g; p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。
  p, i4 K2 i- M- [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
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
& B9 Z# y% @# e- Z3 y介绍OceanBase的技术细节。
! W- l& [. A0 k2 E# V2 t

/ c4 L! X: g& f# b+ X8 ~# a& Q