寫在最前:

本文主要描述在網站的不同的并發訪問量級下，Mysql架構的演變。

可擴展性

架構的可擴展性往往和并發是息息相關，沒有并發的增長，也就沒有必要做高可擴展性的架構，這里對可擴展性進行簡單介紹一下，常用的擴展手段有以下兩種：

Scale-up :  縱向擴展，通過替換為更好的機器和資源來實現伸縮，提升服務能力。

Scale-out : 橫向擴展,  通過加節點（機器）來實現伸縮，提升服務能力。

對于互聯網的高并發應用來說，無疑Scale out才是出路，通過縱向的買更高端的機器一直是我們所避諱的問題，也不是長久之計，在scale out的理論下，可擴展性的理想狀態是什么？

可擴展性的理想狀態

一個服務，當面臨更高的并發的時候，能夠通過簡單增加機器來提升服務支撐的并發度，且增加機器過程中對線上服務無影響(no down time)，這就是可擴展性的理想狀態！

架構的演變

V1.0  簡單網站架構

一個簡單的小型網站或者應用背后的架構可以非常簡單,  數據存儲只需要一個mysql instance就能滿足數據讀取和寫入需求（這里忽略掉了數據備份的實例），處于這個時間段的網站，一般會把所有的信息存到一個database instance里面。

在這樣的架構下，我們來看看數據存儲的瓶頸是什么？

1.數據量的總大小  一個機器放不下時

2.數據的索引（B+ Tree）一個機器的內存放不下時

3.訪問量(讀寫混合)一個實例不能承受

只有當以上3件事情任何一件或多件滿足時，我們才需要考慮往下一級演變。 從此我們可以看出，事實上對于很多小公司小應用，這種架構已經足夠滿足他們的需求了，初期數據量的準確評估是杜絕過度設計很重要的一環，畢竟沒有人愿意為不可能發生的事情而浪費自己的經歷。

這里簡單舉個我的例子，對于用戶信息這類表 （3個索引），16G內存能放下大概2000W行數據的索引，簡單的讀和寫混合訪問量3000/s左右沒有問題，你的應用場景是否

V2.0 垂直拆分

一般當V1.0 遇到瓶頸時，首先最簡便的拆分方法就是垂直拆分，何謂垂直？就是從業務角度來看，將關聯性不強的數據拆分到不同的instance上，從而達到消除瓶頸的目標。以圖中的為例，將用戶信息數據，和業務數據拆分到不同的三個實例上。對于重復讀類型比較多的場景，我們還可以加一層cache，來減少對DB的壓力。

在這樣的架構下，我們來看看數據存儲的瓶頸是什么？

1.單實例單業務 依然存在V1.0所述瓶頸

遇到瓶頸時可以考慮往本文更高V版本升級, 若是讀請求導致達到性能瓶頸可以考慮往V3.0升級， 其他瓶頸考慮往V4.0升級

V3.0  主從架構

此類架構主要解決V2.0架構下的讀問題，通過給Instance掛數據實時備份的思路來遷移讀取的壓力，在Mysql的場景下就是通過主從結構，主庫抗寫壓力，通過從庫來分擔讀壓力，對于寫少讀多的應用，V3.0主從架構完全能夠勝任

在這樣的架構下，我們來看看數據存儲的瓶頸是什么？

1.寫入量主庫不能承受

V4.0  水平拆分

對于V2.0 V3.0方案遇到瓶頸時，都可以通過水平拆分來解決，水平拆分和垂直拆分有較大區別，垂直拆分拆完的結果，在一個實例上是擁有全量數據的，而水平拆分之后，任何實例都只有全量的1/n的數據，以下圖Userinfo的拆分為例，將userinfo拆分為3個cluster，每個cluster持有總量的1/3數據，3個cluster數據的總和等于一份完整數據（注：這里不再叫單個實例 而是叫一個cluster 代表包含主從的一個小mysql集群）

數據如何路由？

1.Range拆分

 sharding key按連續區間段路由，一般用在有嚴格自增ID需求的場景上，如Userid, Userid Range的小例子：以userid 3000W 為Range進行拆分   1號cluster  userid 1-3000W  2號cluster  userid   3001W-6000W

2.List拆分

List拆分與Range拆分思路一樣，都是通過給不同的sharding key來路由到不同的cluster,但是具體方法有些不同,List主要用來做sharding key不是連續區間的序列落到一個cluster的情況，如以下場景：
假定有20個音像店，分布在4個有經銷權的地區，如下表所示：

3.Hash拆分

通過對sharding key 進行哈希的方式來進行拆分，常用的哈希方法有除余,字符串哈希等等，除余如按userid%n 的值來決定數據讀寫哪個cluster，其他哈希類算法這里就不細展開講了。

數據拆分后引入的問題：

數據水平拆分引入的問題主要是只能通過sharding key來讀寫操作，例如以userid為sharding key的切分例子，讀userid的詳細信息時，一定需要先知道userid,這樣才能推算出再哪個cluster進而進行查詢，假設我需要按username進行檢索用戶信息，需要引入額外的反向索引機制（類似HBASE二級索引），如在redis上存儲username->userid的映射，以username查詢的例子變成了先通過查詢username->userid，再通過userid查詢相應的信息。

實際上這個做法很簡單，但是我們不要忽略了一個額外的隱患，那就是數據不一致的隱患。存儲在redis里的username->userid和存儲在mysql里的userid->username必須需要是一致的，這個保證起來很多時候是一件比較困難的事情，舉個例子來說，對于修改用戶名這個場景，你需要同時修改redis和mysql,這兩個東西是很難做到事務保證的,如mysql操作成功 但是redis卻操作失敗了（分布式事務引入成本較高）,對于互聯網應用來說，可用性是最重要的，一致性是其次，所以能夠容忍小量的不一致出現. 畢竟從占比來說，這類的不一致的比例可以微乎其微到忽略不計（一般寫更新也會采用mq來保證直到成功為止才停止重試操作）

在這樣的架構下，我們來看看數據存儲的瓶頸是什么？

在這個拆分理念上搭建起來的架構，理論上不存在瓶頸（sharding key能確保各cluster流量相對均衡的前提下),不過確有一件惡心的事情，那就是cluster擴容的時候重做數據的成本，如我原來有3個cluster，但是現在我的數據增長比較快，我需要6個cluster，那么我們需要將每個cluster 一拆為二，一般的做法是

1.摘下一個slave,停同步,

2.對寫記錄增量log（實現上可以業務方對寫操作 多一次寫持久化mq  或者mysql主創建trigger記錄寫 等等方式）

3.開始對靜態slave做數據, 一拆為二

4.回放增量寫入,直到追上的所有增量,與原cluster基本保持同步

5.寫入切換，由原3 cluster 切換為6cluster

有沒有類似飛機空中加油的感覺，這是一個臟活，累活，容易出問題的活，為了避免這個，我們一般在最開始的時候，設計足夠多的sharding cluster來防止可能的cluster擴容這件事情

#p#

V5.0  云計算 騰飛（云數據庫）  

云計算現在是各大IT公司內部作為節約成本的一個突破口，對于數據存儲的mysql來說，如何讓其成為一個saas（Software as a Service）是關鍵點。在MS的官方文檔中，把構建一個足夠成熟的SAAS(MS簡單列出了SAAS應用的4級成熟度)所面臨的3個主要挑戰：可配置性，可擴展性，多用戶存儲結構設計稱為"three headed monster". 可配置性和多用戶存儲結構設計在Mysql saas這個問題中并不是特別難辦的一件事情，所以這里重點說一下可擴展性。

Mysql作為一個saas服務，在架構演變為V4.0之后，依賴良好的sharding key設計, 已經不再存在擴展性問題，只是他在面對擴容縮容時，有一些臟活需要干，而作為saas,并不能避免擴容縮容這個問題，所以只要能把V4.0的臟活變成 1. 擴容縮容對前端APP透明(業務代碼不需要任何改動)  2.擴容縮容全自動化且對在線服務無影響 那么他就拿到了作為Saas的門票.

對于架構實現的關鍵點，需要滿足對業務透明，擴容縮容對業務不需要任何改動，那么就必須eat our own dog food，在你mysql saas內部解決這個問題，一般的做法是我們需要引入一個Proxy,Proxy來解析sql協議，按sharding key 來尋找cluster, 判斷是讀操作還是寫操作來請求主 或者 從，這一切內部的細節都由proxy來屏蔽。

這里借淘寶的圖來列舉一下proxy需要干哪些事情：

百度公開的技術方案中也有類似的解決方案，見文章最后資料部分鏈接。

對于架構實現的關鍵點，擴容縮容全自動化且對在線服務無影響； 擴容縮容對應到的數據操作即為數據拆分和數據合并，要做到完全自動化有非常多不同的實現方式，總體思路和V4.0介紹的瓶頸部分有關，目前來看這個問題比較好的方案就是實現一個偽裝slave的sync slave, 解析mysql同步協議，然后實現數據拆分邏輯，把全量數據進行拆分。具體架構見下圖：

其中Sync slave對于Original Master來說，和一個普通的Mysql Slave沒有任何區別，也不需要任何額外的區分對待。需要擴容/縮容時，掛上一個Sync slave,開始全量同步+增量同步，等待一段時間追數據。以擴容為例，若擴容后的服務和擴容前數據已經基本同步了，這時候如何做到切換對業務無影響？ 其實關鍵點還是在引入的proxy,這個問題轉換為了如何讓proxy做熱切換后端的問題。這已經變成一個非常好處理的問題了.

另外值得關注的是：2014年5月28日——為了滿足當下對Web及云應用需求，甲骨文宣布推出MySQL Fabric，在對應的資料部分我也放了很多Fabric的資料，有興趣的可以看看，說不定會是以后的一個解決云數據庫擴容縮容的手段

V more ?

等待革命...

其他資料

百度Dbproxy設計

http://tech.it168.com/a2012/0413/1337/000001337034.shtml

淘寶RDS 云數據庫設計：

http://blog.csdn.net/ywh147/article/details/8954625

http://www.infoq.com/cn/news/2012/10/taobao-ump

Mysql  Fabric

http://mysqlmusings.blogspot.jp/2013/09/brief-introduction-to-mysql-fabric.html

http://vnwrites.blogspot.jp/2013/09/mysqlfabric-sharding-introduction.html

http://vnwrites.blogspot.in/2013/09/mysqlfabric-sharding-example.html

http://vnwrites.blogspot.in/2013/09/mysqlfabric-sharding-migration.html

http://vnwrites.blogspot.jp/2013/09/mysqlfabric-sharding-maintenance.html

本文來自：http://www.cnblogs.com/Creator/p/3776110.html