《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
$ A2 S4 _8 V' i  cEric 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
5 ]9 s# D  V0 t  s用性不可兼得。
' ?# s( }+ z. y5 ^! `3 P. ^/ o+ M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
! m$ S8 C% c+ C$ ]' J* O" u3 x/ e5 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
, I' Q6 F0 O9 d/ {% F/ `# D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。
$ c& a5 ~0 _, J2 V. |. S2 ZOceanBase UpdateServer为主备高可用架构，修改操作流程如下：
; L# ?0 X4 ~7 E# W1）将修改操作的操作日志（redo日志）发送到备机；
& u; W: A4 Y0 y2 Z7 p2）将修改操作的操作日志写入主机硬盘；
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。
0 c7 l" N4 a8 N8 D2 wOceanBase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
; K( j/ R6 X9 R# X& u" ]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
: g, H( s1 E+ ~( ^" _3 w7 {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
2 l" a( f4 S" J& f; J8 ]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
0 z- o: n6 K7 G( G" M" O8 }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
6 ^4 I3 B6 `) D& B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
0 s& w5 J+ x  l: ], O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
; h( ?! I. @5 F* M: c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
+ `" N1 V9 X0 I6 gUpdateServer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
8 a$ q8 W( y6 d1 D* [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。
; _+ g" |$ f9 m8.4.2　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
7 U7 @9 Q* ?. `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
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
9 D! |4 n6 C* S0 t& b( A更新。
. {) Y; `( ]5 b& Z图　8-5　OceanBase数据结构
9 h9 S6 L$ A% ]* ^8 G, X不考虑数据复制，基线数据的数据结构如下：
1 g7 v2 _0 }  h8 \2 Y! |●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；
; @' ]/ }# x0 l4 G( z, F: m# K: e& p●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；
5 E; g  U/ k+ t# u! f$ `3 N, J" j●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
) K( @3 N. a% u% q* y6 Kindex）；
●每个块的大小通常在4～64KB之间并内建块内的行索引；
$ w2 W% ?( Q- }, J' o: k0 c●数据压缩以块为单位，压缩算法由用户指定并可随时变更；
: ?- @' t/ j" b+ n●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；
/ H6 s5 m6 a7 R; [* l●通常情况下每个叶子节点有2～3个副本；
9 E0 L/ j4 G' ^. \9 x& [●叶子节点是负载平衡和任务调度的基本单元；
●支持布隆过滤器的过滤。
; Z, `+ }8 y: u+ {" r; I# H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；
●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；
●冻结的MemTable将以SSTable的形式转储到SSD中持久化；
6 x+ @5 O0 y; V●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；
# V, k  e3 E: k+ i●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。
) y$ Y! T+ ]  \. H( C8.4.3　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
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
! I7 X5 o7 g( Z+ P式保障了高可靠性和高可用性。方法如下所示：
" w4 t* W3 {/ |" ?4 A: W●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
; j( z: Y/ K  l2 G% {7 x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
( B. ?8 n2 `* n0 d, K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
- U8 A, e- O" ~  i. XRAID1，将数据自动复制到多块磁盘，进一步增强了可靠性。
4 C  p, R( q. ]  N* x2 @●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
0 I1 h$ v3 f& c5 Q# jOceanBase多个ChunkServer的子表副本数据完全一致，可以同时提供服务。
8 p3 l0 m( N4 L9 _4 X+ Z/ D●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
, e  V, f- T/ {# W# i. h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
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
+ L  W" B# v  ^4 @: {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。
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
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
6 H% o: }2 ?- r4 e) A$ l行。
3 G( L% K  H  y" H4 M只读事务执行流程如下：
# z3 W0 L( A4 J# A) W) M1）MergeServer解析SQL语句，词法分析、语法分析、预处理（schema合法性检
1 U9 w+ R9 _9 f8 J) d" F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。
; w8 C; w$ n8 {5 w9 ^3 Z3 {" T2）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
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
! G( j7 J- D4 E- s0 F8 n% Y) Y0 s作。
4）MergeServer将最终结果返回给客户端。
0 J+ t' }* W( D4 \# q8 ^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。
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
/ ^/ g  N& g" q* ?8 u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
MergeServer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
, }. z" \6 l: c1 A7 d1 d$ \6 f9 v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
' Q, _+ h2 S+ u3 F- v% M7 V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
7 v% t# @; ~5 s6 H6 g6 @6 `8 d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
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
8 Q4 T, R) x- l' e2 ]（MemTable）中。当然，更新内存表之前需要记录操作日志。
) S' Y7 }1 M/ w) u+ `8 {, ~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。
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
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
, m# J" E' t9 x8 A  q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
; d3 x$ S- o: w& ~, ^" c' C4 S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、
/ p9 i$ ?0 y+ a0 p2 o$ A, \: H9 T384GB乃至更多内存。
4 k; f# m, U" h  B1 b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
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
# }: _, t6 V( a4 P. V1 x9 h: g' a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
" M! s7 q8 O1 ~* u4 O( S/ t* F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
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
% G9 B2 {# E7 X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
) \5 e' K( x+ d* X. e100字节，那么，读取操作占用的UpdateServer出口带宽为：20万×100=20MB，远远
+ q5 n! {0 T& J0 z( z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
2 A# M4 m- q+ f$ p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
1 f2 Z  n  `, D, m* 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
& d$ R/ w" Y" b( ]4 {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
) l& Z) G4 S9 R) o( n: V3 N# @大提高了每秒收发网络包的个数，使得网络不会成为瓶颈。
  {  I* \4 ~- i+ y7 W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
, x5 z5 F) L3 q2 i! j9 x) z( U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
0 d$ m8 ^: ^; G6 V2 o* q6 Y. J  }  I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
4 h8 ]) }/ o2 n* n; n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
( j: ]4 z2 P( g. g( k" M* K4 ~* l' {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
3 I# p8 ]6 T8 W! L) d. z/ Y  J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
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。
8.4.6　SSD支持
+ F0 v1 K+ c0 {; D8 Z& `  F- z( |2 u4 N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
0 I* g6 v( ?1 Y: J6 Q# g- f- ]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
6 ?6 U& Y0 u- ^3 X4 U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
1 C! b) f& e2 k, a* I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，
5 S2 G2 ]  K; s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
& d3 \# F2 N' oIOPS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
8 s6 S. V2 u& \4 P3 M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
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。
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
* |3 Y; ~5 }- G- ]: M, l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
& W% j- X4 T2 F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
# l0 J1 H5 [7 t! f; b* Z& Q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
  k% t/ h& k. N' q8 ^（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。
: c9 Q. w. g3 x, |( d- d. O( Z) U[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，
# G) ^* z2 b$ w! C  E用于缓存磁盘中的页面。
8.4.7　数据正确性
; p( x  V9 O5 x  {8 z+ n: i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
. ]3 [+ O2 L" z) F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
, y- g" Q& p, |+ N3 U& F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。
) w$ A4 z7 y) \1 b. [% c& ^, u4 K2 y2 C4 r●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。
0 K* N. `- y9 l! C! B●数据镜像校验。UpdateServer在机群内有主UpdateServer和备UpdateServer，集
' G4 I; Z9 J$ w6 z3 V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
: z5 k) R8 Y" j7 `; F/ Y此，UpdateServer为MemTable生成一个校验码，MemTable每次更新时，校验码同步
) f6 V: x/ A" }$ c8 m# g4 o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
0 f) x& D' [5 |0 I( ~' o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
( k. h: k" I5 T( t# y" N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
& T# G- |8 w! Z: ^, A* k* Q5 S校验码对照。
2 m9 V2 E! p: L+ n●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
/ v' F0 }% H- l$ `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
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
+ L7 o  ~% }  C5 Z, {; z, ^子表不同副本的校验码。
+ u; y3 _5 p) S1 z& k+ H$ G8.4.8　分层结构
$ S- K% c6 Z" R: X: uOceanBase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
) p4 i) W# K' O& D% z) D2 e# w- e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：
9 u* L& @- W/ A3 E. c4 ?●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
: }2 w& G- r9 s) R* G8 ?存中的B+树；
- ]/ c# p" H, V: j: [! M●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
; T% O5 ^6 W5 W( s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：
) h1 m) d. J2 U0 _# V: r3 g●支持SQL语言以及MySQL协议，MySQL客户端可以直接访问；
! l- I6 r6 \# I; v4 z5 x●支持读写事务；
0 q. @: X2 |% {, W9 i+ K●支持多版本并发控制；
●支持读事务并发执行。
! K$ R* P# c; @1 {6 x, c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
/ h8 h; V. c. s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
0 \) `4 r) U( r- }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
, U, _: L+ l6 ?: I8 U存数据库”MemSQL采用了和OceanBase UpdateServer类似的设计，在拥有64个CPU核
- E3 {- L) ^; L* [: U$ o# D# d9 ^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。

) x5 i; Z% [* \& Z