《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
( [0 O5 E' P5 V, \- b/ N6 I! n- Y8.4.1　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
; @1 F9 `; n! F) O5 }用性不可兼得。
' D% ^% ^  c' }* M4 b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
1 b# ?- f0 s- ^$ s5 V5 p' j1 p' d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
/ r/ @& p: A  M化。因此，OceanBase选择支持强一致性和跨行跨表事务。
OceanBase 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；
2）将修改操作的操作日志写入主机硬盘；
/ U0 X' R3 K6 h3 i# p0 f' H3）将操作日志应用到主机的内存表中；
) \( ]! g4 N; C3 t4）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
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
, [" Q! H7 [9 H3 E0 `+ H! a2 `4 B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。
OceanBase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
* ~! _& i; U1 Y3 h1 g/ b5 {* L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
5 o' O, U0 ?# F1 e) U8 N7 c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
7 \' B( L# K% 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
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
$ f$ B; V- i7 ~7 w, l# I9 aUpdateServer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
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
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
6 ~+ s1 ~1 I* q; }/ h# n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
9 K' X# m* G: j1 X6 W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
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；
$ E6 J* i' p: x) R# Z( y' A' f●每个叶子节点称为一个子表（tablet），包含一个或者多个SSTable；
- p& H# U: [7 C) w$ p●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
5 p' b0 i7 f" D$ Gindex）；
. P1 C) }7 j* ^" E●每个块的大小通常在4～64KB之间并内建块内的行索引；
* P. b& r$ S$ q, Z●数据压缩以块为单位，压缩算法由用户指定并可随时变更；
( o6 j) l- }  m3 d●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；
●通常情况下每个叶子节点有2～3个副本；
●叶子节点是负载平衡和任务调度的基本单元；
; A' z  \" m+ R6 o% m●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；
% K* H0 P& G( G) p9 o! V' u) @& R●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
将被冻结，并开启新的活跃MemTable接受修改操作；
8 C7 _8 @/ _! B7 |( Z# A2 M! d●冻结的MemTable将以SSTable的形式转储到SSD中持久化；
$ S$ z+ j" `! _- |  \: n$ r) R●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；
; Z( J; z/ f7 U●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。
  `$ [% f! a3 y6 G: E$ q3 N8.4.3　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
; g, |" ^' U+ C1 ^/ K% x( x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：
+ u; d/ b/ I8 A0 `●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。
9 r7 Z0 c3 I# O$ c4 E1 j# {# b●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。
6 ~8 {2 o' T' x( M8 O●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
; D$ a$ v! Y2 T4 {2 J/ 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
. |% F  P, |3 r; w; M; p) M秒）检测到并将服务切换到备机，备机几乎没有预热时间。
3 H: e2 P1 x$ U0 K●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
  H. P7 M, q3 [9 i/ t, o  n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
在OceanBase系统中，用户的读写请求，即读写事务，都发给MergeServer。
( |; T* Y' e1 F( \' d9 ^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
" \/ o  R, m5 N% Y; F' @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
9 s3 n  g1 E' [; V5 R1 l行。
3 [  i3 g, j# Y& G5 L! Q5 x只读事务执行流程如下：
1）MergeServer解析SQL语句，词法分析、语法分析、预处理（schema合法性检
7 c  i) ~0 H. u, q9 I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
/ V  X4 K5 p: f: n: U3 D" iChunkServer并发执行，每台ChunkServer将读取的部分结果返回MergeServer，由
3 @% x" X- m- n) x# n4 f! RMergeServer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。
; h& p( g" s6 j! F- E4）MergeServer将最终结果返回给客户端。
2 j) @& G# M0 q! B2 c% b读写事务执行流程如下：
2 Q) }, D- h& S1）与只读事务相同，MergeServer首先解析SQL请求，得到物理执行计划。
) I5 x3 A# a! [' O' e; B$ v2）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。
% S( |1 g" j6 l% q3）UpdateServer根据物理执行计划执行读写事务，执行过程中需要使用
. Y& H5 c: K* v7 jMergeServer传入的基线数据。
4）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。
; f. Y2 [1 A" q2 t6 S3 l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
0 p, O. [2 V3 R& m; r; i3 y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
+ s/ X$ T0 E, u3 D+ ~读取结果（c1=2012）以及SQL语句的物理执行计划一起发送给UpdateServer。
( G8 u8 Z1 O# \8 RUpdateServer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 M, T5 j. P. U- ]6 c1 a（MemTable）中。当然，更新内存表之前需要记录操作日志。
: c% p- `! B4 [: M- m7 U9 O- _8.4.5　单点性能
' N( Q' _0 T3 I9 q* cOceanBase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
% r' E3 ~$ R) R# a' LOceanBase集群的整体读写性能。
+ S* i' A! T* @& j5 q* }: {+ u; V7 x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
0 B0 G' }; T/ v/ l3 ^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
. c' v) [% J0 l& k$ {; b8 w% L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
& x0 y, s7 \$ g& c( f/ l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，
" A+ }2 U* L0 B6 k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
( ^0 p; l) r! ?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、
5 n( b, d5 q: e) F# ?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
% y4 y+ @2 @5 k8 y# 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
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
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
) r% J3 H/ F% I7 H0 [4 @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。
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
4 a: Q, b. b6 V2 S9 J3 a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
, x9 U' h( a  |1 j5 @) r1 v* J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
6 [$ Q( \+ L  U1 A. J. N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
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
) M9 v# g* w/ {: M( \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
; [$ R2 n& ]: u- M: T) M$ _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
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 W% r) J5 ?0 S. h$ R$ P- `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。
7 E# v7 S% Y' ?0 _& S/ y8.4.6　SSD支持
1 W$ V. [' F8 H/ b: O5 k7 C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
7 p* V* {7 a- s% @/ K, V8 F300。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
/ u/ K0 }- y& v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! ~- `1 p! C' t- U1 O# ^, O7 d: q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。
) G( m7 i4 B4 k# R* `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，
  `, p$ Q$ Z8 j& t! \+ ?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
: ?, q3 Q6 I$ f: P' m( IIOPS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
0 @+ S, g4 C: O% g, F! n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
5 e* _! H# t3 R$ P, h2 f" L$ z8 u  l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。
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
3 j4 [4 T. ^6 _& b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
（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。
[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，
* ?& a+ Q1 _9 r. r" Y8 Y用于缓存磁盘中的页面。
: G4 I# C% Y8 Q% p, M% `. M2 L8.4.7　数据正确性
" V& t4 l! c7 I5 D5 N7 X# k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
* d3 s; a( N/ ]0 P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
& o* f  N+ O. H! |9 B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
; S% a5 q5 D* x7 k" l- f$ M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
/ l! f1 o8 U+ N9 G( N此，UpdateServer为MemTable生成一个校验码，MemTable每次更新时，校验码同步
' ?1 T) m/ o3 r. f3 N! j4 U9 @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
) s8 {. P. M+ M* c* ]6 V- _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
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
+ ?& {5 k+ Z8 v/ k% j# i; n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
2 P: l# R# T% g( x+ A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
: P' L1 }  z. \5 S# |  D子表不同副本的校验码。
8.4.8　分层结构
' g4 k6 I1 v# @4 X% 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
擎层以及数据库功能层。
+ e9 d0 M5 i  \2 i& e  x  ?/ {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：
●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
1 K- f4 m4 P8 O1 S- b: M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
+ X: Z) t5 g3 F步、容错、自动增加/减少服务器等；
" I# l6 ]4 n5 k# H+ N- K●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
8 _( `0 g) a& p, B) @+ S5 S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：
9 p# M1 [) I+ X. C●支持SQL语言以及MySQL协议，MySQL客户端可以直接访问；
6 U, z% E( b! b! D3 F6 d●支持读写事务；
' {9 d. S: _! ]( u$ |  c●支持多版本并发控制；
% ^, I0 i( M7 x; ~( Z●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
+ K4 ]' [( v% P# L5 T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
1 _  S: b6 y, T5 c' x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
* J# s/ x  U( r/ E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
2 C, A. p; M+ J! ]) a, M$ o存数据库”MemSQL采用了和OceanBase UpdateServer类似的设计，在拥有64个CPU核
# C1 g9 s" \# S5 J心的服务器上实现了每秒150万次单行写事务。OceanBase相当于
) k! ~' j" |* {2 ~! bGFS+MemSQL,ChunkServer的实现类似GFS,UpdateServer的实现类似MemSQL，目标是
$ a- R) `; A. n: {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。
0 X9 l8 I) t  z. I6 }$ `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
3 k. M% ]$ v* ?7 H% f现细节。

! q9 `' _) w4 S6 G0 J3 k' i