《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
! k3 p# w: u  h. [Google Spanner是Google的全球级分布式数据库（Globally-Distributed
# K1 e2 T& r3 DDatabase）。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
% i$ T1 k+ D$ E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
$ l" t  o! O+ m3 G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。
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
# C, x* F% O/ @3 e" H6 I! L) H0 f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。
7.3.1　数据模型
' S; A$ N$ E1 N: i4 zSpanner的数据模型与6.2节中介绍的Megastore系统比较类似。
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
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
, z- Q9 F" |2 s% z6 t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）
  m9 E8 S% [) `& Y2 g( [7 c# u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
+ D3 K. G' y+ v: ~2 k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。
* x# T7 g- ~6 Z$ Y: J- O2 G图　7-6　Spanner数据模型
4 M6 j* V* X& u  e# F! ~! q9 R7.3.2　架构
1 A  o4 w( I0 q3 ^8 x! l3 NSpanner构建在Google下一代分布式文件系统Colossus之上。Colossus是GFS的延
( D% X- t4 }  N: e# z0 X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。
# r2 a! R7 F" d/ W3 g* [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
6 Y% Y) X/ r  R个Universe。
( R9 P8 n2 `# [" 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
6 \( j# E, i/ D. p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。
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。
' r- t! v9 k! ]+ G●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。
# K. v5 L, S- E2 q7 d+ t$ V●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
3 L# k/ t3 V7 w  b( e7 D6 N0 K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。
" H/ X) B  @7 z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
; w5 H# x* R# G4 {- d: i% |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
% s9 `' B6 m! W7 ]1 r: GBigtable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。
! t+ I0 Z, Z7 P4 ?6 }+ L7.3.3　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
3 @5 t+ X9 f) p. Z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
" V# t  \" X- ~8 q2 ~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
! p+ V/ Y1 L9 M1 S+ x1 h& c: Z过Paxos协议选举为新的主副本。
$ Y1 y% O+ V9 i: t  z图　7-8　Spanner多集群复制
3 v9 {. {8 [+ Q5 `9 m! S+ N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
* t0 G- i& p) d  t; W- 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
7 v" X1 ?7 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，
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。
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
9 p2 J! N1 N- y, ^/ [) `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
& [" P! s( H& Q5 s: ?4 W4 e+ X; A5 b$ ?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
% r/ U5 d2 o1 A5 I" eCaffeine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。
( E* M3 ^# d, x0 K1 XSpanner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
# d$ s4 Y& {# M0 N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
- G' ~) G4 n% \+ X! K+ M+ H4 A* }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
8 a' W) s) x$ i- S4 D: l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。
7 r7 J3 m; L, J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
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
, E) F8 V" `5 y1 z' f3 N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
2 }; J# y; I+ E% {2 v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。
, T+ l9 C, @1 G7 d% A2 [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
; Q& i( B& Z4 I. o! s- s" A3 F  m●快照读，客户端提供时间戳
●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
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
) G9 i5 b  V) S, q" d% F下：
1）获取系统的当前时间戳；
2）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。
& c, s5 w6 u# a  e  {/ j3 W# E6 N! I每个只读事务的执行步骤如下：
+ b% _" l( ^# y+ y' s1）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
. h1 V, l' g: T- f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：
; c( {# F' k  d+ `* \% \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
  \8 Z9 j' l  U1 w! e% L! [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
1 R& Q) Q( {% G7 {1 K- H1 V的提交版本，并发送给每个参与者主副本。
% ~% r( l& ]7 L' y/ J  \1 \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
( C: P. n1 v, q. n$ l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
0 T; L! {8 s) l3 N4 b) `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
7 l& f7 B. S. h% S0 n4 J, s+ [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。
2.考虑TrueTime
$ @+ O' q8 g8 E7 ~' {+ _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
7 I2 w' ]. t7 S: e6 C3 J+ J8 d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。
, k0 ]6 C. z! ^0 tSpanner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
2 E" y  p  h; d1 E- T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
9 ~# R$ F& L# A2 A9 \. R+ [" h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
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
. G+ T- u, T. u5 `! e1 \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
6 X0 u( `7 M& U4 h9 g2 J$ |录一般出于以下几种考虑：
! b& `4 y4 W& C& ~, ~- e7 H. R3 `6 V5 T●某个Paxos组的负载太大，需要切分；
●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
; _6 v/ P6 W6 U4 g/ E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。
% x& k( ]* F/ p7 @; E7.3.7　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
5 f+ O1 Q7 v  O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
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。
' m/ k+ G* S2 s2 @0 b2 f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
$ L( R. a: r+ L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。