《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
' H/ `2 l1 U2 y5 l5 W, s0 x用性不可兼得。
# f! K/ c% @, `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，
; ^" _4 C& |( N6 g; C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
7 S2 l3 T( J# b* T" N" j  Z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
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。
, u+ F# _0 v- GOceanBase UpdateServer为主备高可用架构，修改操作流程如下：
3 u7 r1 b4 G6 Z9 k: y6 H1）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；
7 u7 m5 E3 V; b% [  a7 _1 Q2 }3）将操作日志应用到主机的内存表中；
4）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
0 [7 y; X' v/ u5 G4 c% |: V5 a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
( m6 I4 T& G: h$ c* ~- U. n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
! b% `8 u+ a3 P% \6 q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
. A4 S" l7 g- v  U$ N1 [: b6 p+ T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。
% r3 G4 ~, b1 t7 M& }. OOceanBase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
/ D; s7 i4 Z- C  R6 H4 z$ j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
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
3 j: B7 D1 a4 n5 ]6 B5 K增加备机数量，从而容忍多台机器同时出现故障的情况。
5 \6 P# O+ B, y8 _+ ^8 gOceanBase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
, Y; l4 z; {3 O% Q, J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
UpdateServer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
, H, o3 J" |: ?% c5 T% Q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
$ Z. Y/ U! Z  z8 T% c& e供服务。
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。
% i7 Y5 x2 [. N9 l' R8.4.2　数据结构
" p# q& H4 D0 y+ a1 W3 Z3 lOceanBase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
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
2 a( f/ f; r7 ?& o1 d  g5 G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
) O- H! Z: P0 K! h0 u, {7 i更新。
5 I4 b" N; z; R: f图　8-5　OceanBase数据结构
9 s  B( ~, b- y! C! d$ G不考虑数据复制，基线数据的数据结构如下：
/ A: m; R3 C4 u4 j, u  t●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；
, V) T& z& l; g" z  @●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；
  `, e& i8 }1 z0 i●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
( D, {$ l5 i2 \! g: v& ~index）；
●每个块的大小通常在4～64KB之间并内建块内的行索引；
) u" |% _( G+ \' G: ^' F●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；
% z  O% P0 ~3 M$ x●通常情况下每个叶子节点有2～3个副本；
) ^9 r8 o5 z6 _& u1 H6 T" U( u●叶子节点是负载平衡和任务调度的基本单元；
- a- F4 Z. Q8 {  i9 U+ W! h! B6 u●支持布隆过滤器的过滤。
8 B" j* b$ }: f/ f# N. h) H; o增量数据的数据结构如下：
0 y$ ]9 |& k; @1 n* _" F" X●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；
. f- ?+ d: f3 x0 F9 e4 m●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
将被冻结，并开启新的活跃MemTable接受修改操作；
/ d" p5 \( \/ }& \/ a1 ]●冻结的MemTable将以SSTable的形式转储到SSD中持久化；
) d2 ?2 L9 b$ D/ ^1 g9 J% H●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；
●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
4 L/ C, c0 [; c3 s, N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
/ C# A; s; W  ?1 U2 U! F" A7 R, K, ?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：
$ h  c6 y7 w3 T! h1 o% }- W( E& z●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。
8 l1 b1 V# r1 M$ S$ M4 k●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。
) z- t$ s/ G" T/ C8 m5 z●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
$ Z2 ]: W% M* n# q& l0 ~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。
●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
秒）检测到并将服务切换到备机，备机几乎没有预热时间。
  D5 c* ^$ r2 j+ e●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
. o4 J1 ~# L' V0 w/ M/ b% |& j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
+ F& l5 Q- Q$ h; B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
- R$ _' ]9 B& i; F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
, p; c; P3 ~) d/ K3 |' K只读事务，由MergeServer发给相应的ChunkServer分别执行后再合并每个ChunkServer
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 X0 `% @* ^# `- ?6 }  K5 O- P+ l只读事务执行流程如下：
% c, m; }0 P" S! g1）MergeServer解析SQL语句，词法分析、语法分析、预处理（schema合法性检
% H0 D: a$ |' z" k( P. y; e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
6 t/ ]% p) j% EChunkServer并发执行，每台ChunkServer将读取的部分结果返回MergeServer，由
MergeServer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
9 Q+ N9 B0 C6 |% f2 ^$ |+ U作。
4）MergeServer将最终结果返回给客户端。
读写事务执行流程如下：
! l, R5 J( e6 h% A1）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
6 u# Q" M" @7 g5 B$ y+ g6 g; d& d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
! R( b7 R- h% o" X; e' P9 w8 R) S) OMergeServer传入的基线数据。
; a3 u' z- O  q7 \' \8 c; M+ }7 P1 h7 N4）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
7 U/ O  h# m. K3 c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
% j3 r4 [6 c7 ]% a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
7 A; r. X' [  v$ V% f5 D: i（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
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。
& g! v1 P9 @8 i; J9 y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
2 R/ b, t5 p3 |/ L7 Z  |6 Y3 y, C( uOceanBase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
& p- _2 s5 ~' r4 y- k8 d& s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
* Y" E) R: E4 s6 ^4 ^" ]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，
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、
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
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
7 s/ Y  T; d2 G. A7 F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
, d+ h1 A- {8 Z1 i, S0 t' k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
  D! B0 O1 J; c' C7 v& b; n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
5 |8 M: x" y1 B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
7 e7 D9 A6 m6 f7 J' B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
' B9 @* d7 y3 d0 d' X; ?UpdateServer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。
: W9 _- _; Q8 K+ j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
% B3 ?3 p9 Q! p& G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
3 q$ g8 X5 L2 `, A/ d' E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
$ X/ e' F! ?6 \0 }  M' V7 r" H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
$ c  R) [" T  X+ J大提高了每秒收发网络包的个数，使得网络不会成为瓶颈。
) D$ S% m( z7 {' Y2 f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
1 Z# r7 D9 N( r0 h4 h: W: _6 S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
; K, \+ O% z" l1 f6 ~+ [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
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
9 H; j" a' b, Q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
3 g# |' f2 ]. V" z1 w4 l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。
4 a2 M7 J% d- M. K8.4.6　SSD支持
. r5 W+ O4 ?7 f* }5 a6 R# q9 q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
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
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
8 X0 A: D, s# X( Z2 Z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。
0 m; f7 _: C5 Z9 t" t. q* c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，
3 x+ w7 N4 U. @$ [0 u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
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
% ?4 c/ M# K" B) k6 U" Y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
" y/ ^; P& _* X. {+ u0 K+ Y看，随机写入不能发挥SSD的优势。
; V% L8 c& q8 h" ^5 T; v  F6 IOceanBase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
  s% R5 U% Y* t7 M/ y  v. r6 Q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
6 Z( P$ N! N) _* }7 h3 d) A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
1 {/ T6 U9 g" h' B（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
  A: y8 N4 w* ]; g计算，而且每天全部擦写一遍，其使用寿命为2500/365=6.8年。
* ~  k9 y0 n; z; 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，
用于缓存磁盘中的页面。
# j' R% b& T4 u4 M8.4.7　数据正确性
0 W" d) ~; h% Q; |+ F9 _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
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
4 P$ q9 D, p: e; y' c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
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
此，UpdateServer为MemTable生成一个校验码，MemTable每次更新时，校验码同步
7 d& z& z. R& P; t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
' K# h9 t) @' T: ?9 B+ g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
; Z, \) K  ^9 G; Y; a5 `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
& O& |( v7 _' H  Zbug），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
1 c$ p: p% M( {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
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
. q0 M* Y* W. d+ \0 Y/ o: s9 |子表不同副本的校验码。
* P7 D. \; m0 {/ e' M5 k3 K8.4.8　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
& @+ C# H$ s: J1 K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
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：
" |. K' u: v. J- U, B; |●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
- \9 t: Y2 L0 q* ], 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
: y* S6 q0 q9 B/ \0 M步、容错、自动增加/减少服务器等；
●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。
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；
/ x. Q" ], ~6 W9 E●支持读事务并发执行。
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
4 `6 n# k% \$ M  K" Y" Q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
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
5 B0 T; Y* l# |3 V  ?存数据库”MemSQL采用了和OceanBase UpdateServer类似的设计，在拥有64个CPU核
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。
. ]; B7 i6 b0 A  P! s