《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
Eric 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
* Y- b- {- c, M1 b- W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，
/ h3 L( o  p& k/ t9 z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
# {, D: e0 }' u( x9 j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
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
, S, y5 j: y5 b- N8 O4 {5 W. u化。因此，OceanBase选择支持强一致性和跨行跨表事务。
* B6 O7 }6 t3 `( TOceanBase UpdateServer为主备高可用架构，修改操作流程如下：
" r) s- q( k2 B. q( d0 o& i% \1）将修改操作的操作日志（redo日志）发送到备机；
2）将修改操作的操作日志写入主机硬盘；
# s- \0 o  Z) E" F, n. m3）将操作日志应用到主机的内存表中；
2 j+ \- E/ m" y" o, O4）返回客户端写入成功。
OceanBase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
- x4 V# @2 X1 s. y. t: {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
" g6 _3 b8 _6 D9 `  q. M8 h# A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
/ k# A2 {, o1 W/ B8 ?5 D2 c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
! k% o- x' n- m( H, S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
; q7 p# h/ e8 u) W( G" H的备机切换为主机。
3 z( X3 i) f! m2 F9 f# zOceanBase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
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
7 |' ~8 X. z2 y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
/ X; N& n1 m0 ~4 p# r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
* u. C  k9 ]: |, R9 h  b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
7 t; x4 Z6 {* }  O( O% s; MUpdateServer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
0 ?2 @4 O+ W9 G. ~) {& x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
! W* a: t- j& n6 |供服务。
- H0 R1 {& u8 B4 y2 }另外，OceanBase所有写事务最终都落到UpdateServer，而UpdateServer逻辑上是
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。
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
9 u9 w1 W8 W% ?! BChunkServer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
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
) s; O  [& `- ~) v6 p; i# ]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。
图　8-5　OceanBase数据结构
' w# o+ E5 ^* F! n2 J. g$ ~; b不考虑数据复制，基线数据的数据结构如下：
0 W3 t  H' P7 Z●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；
●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；
; J9 v- B7 C  y7 d  ]- B9 g, }●数据压缩以块为单位，压缩算法由用户指定并可随时变更；
●叶子节点可能合并或者分裂；
●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；
& U. y3 J1 Z1 E0 q4 e4 s●通常情况下每个叶子节点有2～3个副本；
. A9 a8 \: J( S7 o( @; k●叶子节点是负载平衡和任务调度的基本单元；
# S8 a! c3 m( m4 i& o. T/ }. L+ z●支持布隆过滤器的过滤。
% f- V2 ]9 |* Q) g/ H5 X( z* d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；
5 w  h4 k( D8 E" y! i% q●最新版本的数据为一颗内存中的B+树，称为活跃MemTable；
●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
- O% o# g, M2 p* v, n& V+ c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；
●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
1 ~8 G+ s  ?, a4 h6 D通常为4～8KB并内建块内行索引，一般不压缩；
●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
& Q6 t, k; O3 Y) Y- R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
1 ]! @. I" K* T, z( w6 Q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
式保障了高可靠性和高可用性。方法如下所示：
' P  K/ p8 P& }' k- f, {! a8 o5 ]●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
6 e7 y1 `, j& N. o7 O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
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。
. L8 Q2 Z1 ]( v6 K' j●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
. W/ k6 m5 B* k5 g5 C, x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
OceanBase多个ChunkServer的子表副本数据完全一致，可以同时提供服务。
- q$ i. @- h+ H# H●UpdateServer主备之间为热备，同一时刻只有一台机器为主UpdateServer提供写
9 f# z$ A) ~2 v* l3 x6 W. J9 D服务。如果主UpdateServer发生故障，OceanBase能够在几秒中之内（一般为3～5
秒）检测到并将服务切换到备机，备机几乎没有预热时间。
●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
- h* |+ W' q- |5 ~+ n5 L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
: ~& D  K& D0 t( I& k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
" g: U& v( z- T. h& \只读事务，由MergeServer发给相应的ChunkServer分别执行后再合并每个ChunkServer
9 O8 R$ z: H! W) Y0 @+ O的执行结果；对于读写事务，由MergeServer进行预处理后，发送给UpdateServer执
行。
5 G! F$ Y- ]9 [9 W' `0 M只读事务执行流程如下：
) R1 }2 C) R" U) M. y1）MergeServer解析SQL语句，词法分析、语法分析、预处理（schema合法性检
) _* d" b7 v/ x, D7 C! y3 B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。
$ Z4 P( @6 C, i; d  [2 T! o' `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
ChunkServer并发执行，每台ChunkServer将读取的部分结果返回MergeServer，由
: U/ `2 Q2 q$ E8 k; J% g+ IMergeServer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：
1）与只读事务相同，MergeServer首先解析SQL请求，得到物理执行计划。
7 V) v9 ]  A8 Q2 [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
基线数据一起传给UpdateServer。
1 w4 j+ W5 f# e! y/ B3）UpdateServer根据物理执行计划执行读写事务，执行过程中需要使用
MergeServer传入的基线数据。
  M0 k1 A* S8 G2 @) `) D( E3 I4）UpdateServer返回MergeServer操作成功或者失败，MergeServer接着会把操作
9 a$ `5 J8 a9 g, U  C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
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
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
# F2 }) r% p0 p( _! H# l( z" p: ~& g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
（MemTable）中。当然，更新内存表之前需要记录操作日志。
8.4.5　单点性能
0 ]& ?" m. f' IOceanBase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。
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
& N: ]( s7 h' v' v) q' V. f; v" ~OceanBase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
% B; q! W. E' A/ s/ N# ]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
) P2 }. j( [; S2 M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，
' m# s8 g: m1 @8 _# o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
" \  `; {6 g& ]* N+ d×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、
384GB乃至更多内存。
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
+ V5 s0 b* z6 ~3 |# t9 u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
, N6 R/ a- Z' Q! P- v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
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
8 c" z- c% _- S, g% @) G' w  O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
8 A1 e) q6 W6 i/ F0 H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
* T) i$ R5 k5 v2 cUpdateServer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。
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
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
' S$ k2 {0 z6 D; u+ n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
大提高了每秒收发网络包的个数，使得网络不会成为瓶颈。
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
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
' m2 i% Y' `; J! y' m/ F) x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
2 c. c9 y5 y, l7 a! d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
& n; w, i4 X5 T减少磁盘IO次数。
+ u9 w1 ]9 y0 @3 V0 S$ B: o2 S8.4.6　SSD支持
- F1 a7 K4 h0 V. m! u, y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
300。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
, \, f  {+ T9 n2 O- k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
- n7 B" [2 e5 k5 Q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
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
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
, D: k1 }# m& _, V4 UIOPS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
- |8 z" V) s. fSSD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
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
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。
3 \% ~7 @  d, ^8 y7 G( a- Q0 zOceanBase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
" w3 j: y) f- C, |8 R0 s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
0 Q) X8 ?9 d3 N! k; K' B2 i; W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
（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
计算，而且每天全部擦写一遍，其使用寿命为2500/365=6.8年。
$ ^  S" p0 K8 i! V" r- H' X: N; ?[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，
5 ~4 t3 D, D1 y& n8 v& k& I/ A' Z用于缓存磁盘中的页面。
8.4.7　数据正确性
& @% {, Y* K% `+ t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
! b& u+ X% \5 @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
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
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。
●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
8 W& |1 }# \5 W7 C# \! Z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
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
# d; s3 Z1 A9 I. Z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
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
  l  o+ v0 o- x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
/ k( y6 \) ?6 I! m# T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
& f/ o: S7 y. E7 v1 abug），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
$ k/ R" T' [- ~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
3 W& t' d6 M5 j# M0 s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
子表不同副本的校验码。
8.4.8　分层结构
+ n( w" V" }0 r# X& o; AOceanBase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
; A3 X" U3 T, F& V- O: i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：
: H$ L* k7 B/ z! i4 _# H; S●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
* T- j1 v4 T8 B* p* n; \存中的B+树；
●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
步、容错、自动增加/减少服务器等；
7 F, _  l0 U, Q1 Z9 u$ |, V●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
7 n) ^" o; r' z6 C1 {3 h围顺序查找一段范围的记录。
7 {* R0 m0 U$ D, q, L二期的OceanBase版本在分布式存储引擎之上增加了SQL支持：
●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；
●支持多版本并发控制；
●支持读事务并发执行。
9 J& z2 h: ^5 a2 o. s- i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
0 u6 I7 R4 X9 R8 t# n/ H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
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
: i: Z% @2 y, |$ X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
存数据库”MemSQL采用了和OceanBase UpdateServer类似的设计，在拥有64个CPU核
- C1 d: _5 k6 Q9 T$ @& p心的服务器上实现了每秒150万次单行写事务。OceanBase相当于
GFS+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
现细节。