“如何做到支撐32.5萬筆/秒交易的同時降低數(shù)據(jù)庫成本？”

一、背景

隨著阿里集團電商、物流、大文娛等業(yè)務的蓬勃發(fā)展，數(shù)據(jù)庫實例以及數(shù)據(jù)存儲規(guī)模不斷增長，在傳統(tǒng)基于單機的運維以及管理模式下，遇到非常多的困難與挑戰(zhàn)，主要歸結(jié)為：

• 機型采購與預算問題

在單機模式下計算資源（CPU和內(nèi)存）與存儲資源（主要為磁盤或者SSD）存在著不可調(diào)和的沖突；計算與存儲資源綁定緊密，無法進行單獨預算。數(shù)據(jù)庫存儲時，要么計算資源達到瓶頸，要么是存儲單機存儲容量不足。這種綁定模式下，注定了有一種資源必須是浪費的。

• 調(diào)度效率問題

在計算與存儲綁定的情況下，計算資源無法做無狀態(tài)調(diào)度，導致無法實現(xiàn)大規(guī)模低成本調(diào)度，也就無法與在大促與離線資源進行混布。

• 大促成本問題

在計算資源無法做到調(diào)度后，離線混布就不再可能；為了大促需要采購更多的機器，大促成本上漲嚴重。

因此，為了解決諸多如成本，調(diào)度效率等問題，2017年***對數(shù)據(jù)庫實現(xiàn)計算存儲分離；計算存儲分離后，再將計算節(jié)點與離線資源混布，達到節(jié)省大促成本的目的。 

2017年數(shù)據(jù)庫計算存儲分離，

使得數(shù)據(jù)庫進行大規(guī)模無狀態(tài)化容器調(diào)度成為可能！

使得數(shù)據(jù)庫與離線業(yè)務混布成為可能!

使得低成本支持大促彈性成為可能！

在高吞吐下，總存儲集群整體RT表現(xiàn)平穩(wěn)，與離線資源聯(lián)合***發(fā)力，最終***完成2017年“11.11”大促10%的交易支撐；

并為明年全面擁抱計算存儲分離與大規(guī)模離在線混布，打下堅實的基礎。

二、計算存儲分離

在所有業(yè)務中，數(shù)據(jù)庫的計算存儲分離最難，這是大家公認的。因為數(shù)據(jù)庫對于存儲的穩(wěn)定性以及單路端到端的時延有著***的要求：

 1.   存儲穩(wěn)定性

在分布式存儲的穩(wěn)定性方面，我們做了非常多的有意探索，并且逐一落地。這些新技術(shù)的落地，使得數(shù)據(jù)庫計算存儲分離成為可能：

• 單機failover

單機failover我們做到業(yè)界的***，5s內(nèi)完成fo，對整體集群的影響在4%以內(nèi)（以集群規(guī)模24臺為例，集群機器越多，影響越小）。另外，我們對分布式存儲的狀態(tài)機進行加速優(yōu)化，使得基于paxos的選舉在秒級內(nèi)進行集群視圖更新推送。

• 長尾時延優(yōu)化

計算存儲分離后，所有的IO都變成了網(wǎng)絡IO，因此對于單路IO時延影響的因素非常多，如網(wǎng)絡抖動，慢盤，負載等，而這些因素也是不可避免的。我們設計了“副本達成多數(shù)寫入即返回的策略（commit majority feature）”，能夠有效地使長尾時延抖動做到合理的控制，以滿足業(yè)務的需求。

以下是commit majority feature開起前后的效果對比。其中“藍色”為優(yōu)化后的長尾時延，“紅色”為優(yōu)化前長尾時延，效果非常顯著。

• 流控

我們實現(xiàn)了基于滑動窗口的流控功能，使得集群后臺活動（如backfill和recovery）能根據(jù)當前的業(yè)務流量進行自適配的調(diào)整，在業(yè)務與后臺數(shù)據(jù)恢復之間做到***平衡。

一般如果集群后端活動太低，會影響數(shù)據(jù)恢復，這會提高多盤故障的概率，降低了數(shù)據(jù)的可靠性。我們經(jīng)過優(yōu)化后，通過滑動窗口機制，做到了前后端數(shù)據(jù)寫入的速動，在不影響業(yè)務寫入的情況下，盡***可能提高數(shù)據(jù)恢復速度，保證多副本數(shù)據(jù)的完整性。

提高數(shù)據(jù)重平衡的速度，也是為了保證整個集群的性能。因為一出現(xiàn)數(shù)據(jù)傾斜時，部分盤的負載將變大，從而會影響整個集群的時延和吞吐。

流控效果如下： 

• 高可用部署

在高可用部署上，我們引入的故障域的概念。多個數(shù)據(jù)副本存儲在多個故障域，分布到至少4個RACK以上的機架上，用于保障底層機柜電源以及網(wǎng)絡交換設備引起的故障等。

為了能夠更好的理解數(shù)據(jù)副本存儲位置（data locality），需要知道數(shù)據(jù)散射度（scatter width）的概念。怎么來理解數(shù)據(jù)散射度？

舉個例子：我們定義三個copy set（存放的都是不同的數(shù)據(jù)）:{1，2，3}，{4，5，6}，{7，8，9}。任意一組copy set中存放的數(shù)據(jù)沒有重復，也就是說一份數(shù)據(jù)的三個副本分別放置在：{1，4，7}或者{2，5，8}或者{3，6，9}。那么這個時候，其數(shù)據(jù)散射度遠小于隨機組合的C(9,3)。

隨機組合時，任意3臺機器Down機都會存在數(shù)據(jù)丟失。而采用此方案后，只有當{1，4，7}或者{2，5，8}或者{3，6，9}其中的任意一個組合不可用時，才會影響高可用性，才會有數(shù)據(jù)丟失。

綜上可知，我們引入copy set的目標就是盡量的降低數(shù)據(jù)散射度“S“。下圖中兩組replica set，其中每一組的三個副本分別放置到不同的RACK中。

我們的優(yōu)化還有很多，這里不再一一列舉。

 2.    數(shù)據(jù)庫吞吐優(yōu)化

當所有的IO都變成網(wǎng)絡IO后，我們要做的就是如何減少單路IO的延遲，當然這個是分布式存儲以及網(wǎng)絡要解的問題。

分布式存儲需要優(yōu)化自身的軟件stack以及底層SPDK的結(jié)合等。

而網(wǎng)絡層則需要更高帶寬以及低時延技術(shù)，如25G TCP或者25G RDMA，或者100G等更高帶寬的網(wǎng)絡等。

但是我們可以從另外一個角度來考慮問題，如何在時延一定的情況下，提高并發(fā)量，從而來提高吞吐。或者說在關鍵路徑上減少IO調(diào)用的次數(shù)，從而從某種程度上提高系統(tǒng)的吞吐。

大家知道，影響數(shù)據(jù)庫事務數(shù)的最關鍵因素就是事務commit的速度，commit的速度依賴于寫REDO時的IO吞吐。所謂的REDO也就是大家熟知的WAL(Write Ahead Log)日志。

在臟數(shù)據(jù)flush回存儲時，日志必須先落地，這是因為數(shù)據(jù)庫的Crash Recovery是重度以來于此的。在recovery階段，數(shù)據(jù)庫先利用redo進行roll forward；再利用undo進行roll backward，***再撤銷用戶未提交的事務。

因此，存儲計算分離下，要想在單路IO時延一定時提高吞吐，就必須要優(yōu)化commit提交時的效率。我們通過優(yōu)化redo的寫入方式，讓整個提高吞吐100%左右，效果如下： 

另外，也可以優(yōu)化redo group commit的大小，結(jié)合底層存儲stripe能力，做并發(fā)與吞吐優(yōu)化。

備注：”D13”是一種已經(jīng)做過raid的SATASSD

 3.    數(shù)據(jù)庫原子寫

在數(shù)據(jù)庫內(nèi)存模型中，數(shù)據(jù)頁通常是以16K做為一個bufferpage來管理的。當內(nèi)核修改完數(shù)據(jù)之后，會有專門的“checkpoint”線程按一定的頻率將Dirty Page flush到磁盤上。我們知道，通常os的page cache是4K，而一般的文件系統(tǒng)block size也是4K。所以一個16k和page會被分成4個4k的os filesystem block size來存儲，物理上不能保證連續(xù)性。

那么會帶來一個嚴重的問題，就是當fsync語義發(fā)出時，一個16k的pageflush，只完成其中的8k，而這個時候client端crash，不再會有重試；那么整個fsync就只寫了一半，fsync語義被破壞，數(shù)據(jù)不完整。上面的這個場景，我們稱之為“partial write”。

對于MySQL而言，在本地存儲時，使用Double Write Buffer問題不大。但是如果底層變成網(wǎng)絡IO，IO時延變高時，會使MySQL的整體吞吐下降，而Double Write Buffer會加重這個影響。

我們實現(xiàn)了原子寫，關閉掉Double Write Buffer，從而在高并發(fā)壓力及高網(wǎng)絡IO時延下，讓吞吐至少提高50%以上。

4.    網(wǎng)絡架構(gòu)升級

分布式存儲，對于網(wǎng)絡的帶寬要求極高，我們引入了25G網(wǎng)絡。高帶寬能更好的支持阿里集團的大促業(yè)務。另外，對于存儲集群后臺的活動，如數(shù)據(jù)重平衡以及恢復都提供了有力的保障。 

三、離在線混布

計算存儲分離后，離在線混布成為可能；今年完成數(shù)據(jù)庫離在線混布，為2017年大促節(jié)省了計算資源成本。

在與離線混布的方案中，我們對數(shù)據(jù)庫與離線任務混跑的場景進行了大量的測試。

實踐證明，數(shù)據(jù)庫對時延極度敏感，所以為了達到數(shù)據(jù)庫混布的目的，我們采用了以下的隔離方案： 

• CPU與內(nèi)存隔離技術(shù)

CPU的L3是被各個核共享的，如果在一個socket內(nèi)部進行調(diào)度，會對數(shù)據(jù)庫業(yè)務有抖動。因此，在大促場景下，我們會對CPU進行獨立socket 綁定，避免L3 cache干擾；另外，內(nèi)存不超賣。當然，大促結(jié)束后，在業(yè)務平峰時，可以擇機進行調(diào)度和超賣。 

• 網(wǎng)絡QOS

我們對數(shù)據(jù)庫在線業(yè)務進行網(wǎng)絡打標，NetQoS中將數(shù)據(jù)庫計算節(jié)點的所有通信組件加入到高優(yōu)先級group中。

• 基于分布式存儲的彈性效率

基于分布式存儲，底層分布式存儲支持多點mount，用于將計算節(jié)點快速彈性到離線機器。

另外，數(shù)據(jù)庫Buffer Pool可以進行動態(tài)擴容。大促ODPS任務撤離，DB實例Buffer Pool擴容；大促結(jié)束后，Buffer Pool回縮到平峰業(yè)務時的大小。

以下是今年離在線混布的部署圖： 

四、雙11大促求證

 我們拿了其中一個中等壓力的數(shù)據(jù)庫的業(yè)務，其吞吐達到將近3w tps，RT在1ms以內(nèi)，基本上與本地相當，很好的支撐了2017年大促。

 這就是我們今年所做的諸多技術(shù)創(chuàng)新的結(jié)果。

五、展望

目前我們正在進行軟硬件結(jié)合（RDMA，SPDK）以及上層數(shù)據(jù)庫引擎與分布式存儲融合優(yōu)化，性能將會超出傳統(tǒng)SATA SSD本地盤的性能。

RDMA和SPDK的特點就是kernel pass-by。未來，我們數(shù)據(jù)庫將引入全用戶態(tài)IO Stack，從計算節(jié)點到存儲節(jié)點使用用戶態(tài)技術(shù)，更能充分滿足集團電商業(yè)務對高吞吐低時延的***要求。

下面是我們進行測試的一組數(shù)據(jù)，其中本地用的是SATA SSD，并且做了raid，但是其性能略低于基于RDMA和SPDK的分布式存儲。

這些網(wǎng)絡和硬件技術(shù)的發(fā)展，將會給“云計算”帶來更多的可能性，也會給真正的“云計算”新的商業(yè)模式帶來更多憧憬，而我們已經(jīng)在這條陽光的大道上。 

歡迎有更多的存儲及數(shù)據(jù)庫內(nèi)核專家一起參與進來，一起攜手邁進未來。 

【引用】

[1] Copysets:Reducing the Frequency of Data Loss in Cloud Storage

[2] CRUSH: Controlled,Scalable, Decentralized Placement of Replicated Data