多中心容災實踐：如何實現真正的異地多活？
在異地多活的實現上，數據能夠在三個及以上中心間進行雙向同步，才是解決真正異地多活的核心技術所在。本文基于三中心且跨海外的場景，分享一種多中心容災架構及實現方式，介紹幾種分布式ID生成算法，以及在數據同步上最終一致性的實現過程。
一、背景
為什么稱之為真正的異地多活?異地多活已經不是什么新鮮詞，但似乎一直都沒有實現真正意義上的異地多活。一般有兩種形式：一種是應用部署在同城兩地或多地，數據庫一寫多讀(主要是為了保證數據一致性)，當主寫庫掛掉，再切換到備庫上;另一種是單元化服務，各個單元的數據并不是全量數據，一個單元掛掉，并不能切換到其他單元。目前還能看到雙中心的形式，兩個中心都是全量數據，但雙跟多還是有很大差距的，這里其實主要受限于數據同步能力，數據能夠在3個及以上中心間進行雙向同步，才是解決真正異地多活的核心技術所在。
提到數據同步，這里不得不提一下DTS(Data Transmission Service)，最初阿里的DTS并沒有雙向同步的能力，后來有了云上版本后，也只限于兩個數據庫之間的雙向同步，做不到A<->B<->C這種形式，所以我們自研了數據同步組件，雖然不想重復造輪子，但也是沒辦法，后面會介紹一些實現細節。
再談談為什么要做多中心容災，以我所在的CDN&視頻云團隊為例，首先是海外業務的需要，為了能夠讓海外用戶就近訪問我們的服務，我們需要提供一個海外中心。但大多數業務還都是以國內為主的，所以國內要建雙中心，防止核心庫掛掉整個管控就都掛掉了。同時海外的環境比較復雜，一旦海外中心掛掉了，還可以用國內中心頂上。國內的雙中心還有個非常大的好處是可以通過一些路由策略，分散單中心系統的壓力。這種三個中心且跨海外的場景，應該是目前異地多活最難實現的了。
二、系統CAP
面對這種全球性跨地域的分布式系統，我們不得不談到CAP理論，為了能夠多中心全量數據提供服務，Partition tolerance(分區容錯性)是必須要解決的，但是根據CAP的理論，Consistency(一致性)和Availability(可用性)就只能滿足一個。對于線上應用，可用性自不用說了，那面對這樣一個問題，最終一致性是最好的選擇。
三、設計原則
1.數據分區
選擇一個數據維度來做數據切片，進而實現業務可以分開部署在不同的數據中心。主鍵需要設計成分布式ID形式，這樣當進行數據同步時，不會造成主鍵沖突。
下面介紹幾個分布式ID生成算法。
SnowFlake算法
1)算法說明
- +--------------------------------------------------------------------------+
- | 1 Bit Unused | 41 Bit Timestamp | 10 Bit NodeId | 12 Bit Sequence Id |
- +--------------------------------------------------------------------------+
- 最高位是符號位，始終為0，不可用。
- 41位的時間序列，精確到毫秒級，41位的長度可以使用69年。時間位還有一個很重要的作用是可以根據時間進行排序。
- 10位的機器標識，10位的長度最多支持部署1024個節點。
- 12位的計數序列號，序列號即一系列的自增ID，可以支持同一節點同一毫秒生成多個ID序號，12位的計數序列號支持每個節點每毫秒產生4096個ID序號。
2)算法總結
優點：
- 完全是一個無狀態機，無網絡調用，高效可靠。
缺點：
- 依賴機器時鐘，如果時鐘錯誤比如時鐘回撥，可能會產生重復Id。
- 容量存在局限性，41位的長度可以使用69年，一般夠用。
- 并發局限性，每毫秒單機最大產生4096個Id。
- 只適用于int64類型的Id分配，int32位Id無法使用。
3)適用場景
一般的非Web應用程序的int64類型的Id都可以使用。
為什么說非Web應用，Web應用為什么不可以用呢，因為JavaScript支持的最大整型就是53位，超過這個位數，JavaScript將丟失精度。
RainDrop算法
1)算法說明
為了解決JavaScript丟失精度問題，由Snowflake算法改造而來的53位的分布式Id生成算法。
- +--------------------------------------------------------------------------+
- | 11 Bit Unused | 32 Bit Timestamp | 7 Bit NodeId | 14 Bit Sequence Id |
- +--------------------------------------------------------------------------+
- 最高11位是符號位，始終為0，不可用，解決JavaScript的精度丟失。
- 32位的時間序列，精確到秒級，32位的長度可以使用136年。
- 7位的機器標識，7位的長度最多支持部署128個節點。
- 14位的計數序列號，序列號即一系列的自增Id，可以支持同一節點同一秒生成多個Id，14位的計數序列號支持每個節點每秒單機產生16384個Id。
2)算法總結
優點：
- 完全是一個無狀態機，無網絡調用，高效可靠。
缺點：
- 依賴機器時鐘，如果時鐘錯誤比如時鐘不同步、時鐘回撥，會產生重復Id。
- 容量存在局限性，32位的長度可以使用136年，一般夠用。
- 并發局限性，低于snowflake。
- 只適用于int64類型的Id分配，int32位Id無法使用。
3)適用場景
一般的Web應用程序的int64類型的Id都基本夠用。
分區獨立分配算法
1)算法說明
通過將Id分段分配給不同單元獨立管理。同一個單元的不同機器再通過共享redis進行單元內的集中分配。
相當于每個單元預先分配了一批Id，然后再由各個單元內進行集中式分配。
比如int32的范圍從-2147483648到2147483647，Id使用范圍[1,2100000000)，前兩位表示region，則每個region支持100000000(一億)個資源，即Id組成格式可以表示為[0-20][0-99999999]。
即int32位可以支持20個單元，每個單元支持一億個Id。
2)算法總結
優點：
- 區域之間無狀態，無網絡調用，具備可靠唯一性
缺點：
- 分區容量存在局限性，需要預先評估業務容量。
- 從Id中無法判斷生成的先后順序。
3)適用場景
適用于int32類型的Id分配，單個區域內容量上限可評估的業務使用。
集中式分配算法
1)算法說明
集中式可以是Redis，也可以是ZooKeeper，也可以利用數據庫的自增Id集中分配。
2)算法總結
優點：
- 全局遞增
- 可靠的唯一性Id
- 無容量和并發量限制
缺點：
- 增加了系統復雜性，需要強依賴中心服務。
3)適用場景
具備可靠的中心服務的場景可以選用，其他int32類型無法使用分區獨立分配的業務場景。
總結
每一種分配算法都有各自的適用場景，需要根據業務需求選擇合適的分配算法。主要需要考慮幾個因素：
- Id類型是int64還是int32。
- 業務容量以及并發量需求。
- 是否需要與JavaScript交互。
2.中心封閉
盡量讓調用發生在本中心，盡量避免跨數據中心的調用，一方面為了用戶體驗，本地調用RT更短，另一方面防止同一個數據在兩個中心同時寫入造成數據沖突覆蓋。一般可以選擇一種或多種路由方式，如ADNS根據地域路由，通過Tengine根據用戶屬性路由，或者通過sidecar方式進行路由，具體實現方式這里就不展開說了。
3.最終一致性
前面兩種其實就是為了最終一致性做鋪墊，因為數據同步是犧牲了一部分實時的性能，所以我們需要做數據分區，做中心封閉，這樣才能保證用戶請求的及時響應和數據的實時準確性。
前面提到了由于DTS支持的并不是很完善，所以我基于DRC(一個阿里內部數據訂閱組件，類似canal)自己實現了數據同步的能力，下面介紹一下實現一致性的過程，中間也走了一些彎路。
順序接收DRC消息
為了保證對于DRC消息順序的接收，首先想到的是采用單機消費的方式，而單機帶來的問題是數據傳輸效率慢。針對這個問題，涉及到并發的能力。大家可能會想到基于表級別的并發，但是如果單表數據變更大，同樣有性能瓶頸。這里我們實現了主鍵級別的并發能力，也就是說在同一主鍵上，我們嚴格保序，不同主鍵之間可以并發同步，將并發能力又提高了N個數量級。
同時單機消費的第二個問題就是單點。所以我們要實現Failover。這里我們采用Raft協議進行多機選主以及對主的請求。當單機掛掉之后，其余的機器會自動選出新的Leader執行同步任務。
消息跨單元傳輸
為了很好的支持跨單元數據同步，我們采用了MNS(阿里云消息服務)，MNS本身是個分布式的組件，無法滿足消息的順序性。起初為了保證強一致性，我采用消息染色與還原的方式，具體實現見下圖：
通過實踐我們發現，這種客戶端排序并不可靠，我們的系統不可能無限去等待一個消息的，這里涉及到最終一致性的問題，在第3點中繼續探討。其實對于順序消息，RocketMQ是有順序消息的，但是RocketMQ目前還沒有實現跨單元的能力，而單純的就數據同步而言，我們只要保證最終一致性就可以了，沒有必要為了保證強一致性而犧牲性能。同時MNS消息如果沒有消費成功，消息是不會丟掉的，只有我們去顯示的刪除消息，消息才會丟，所以最終這個消息一定會到來。
最終一致性
既然MNS無法保證強順序，而我們做的是數據同步，只要能夠保證最終一致性就可以了。2012年CAP理論提出者Eric Brewer撰文回顧CAP時也提到，C和A并不是完全互斥，建議大家使用CRDT來保障一致性。CRDT(Conflict-Free Replicated Data Type)是各種基礎數據結構最終一致算法的理論總結，能根據一定的規則自動合并，解決沖突，達到強最終一致的效果。通過查閱相關資料，我們了解到CRDT要求我們在數據同步的時候要滿足交換律、結合律和冪等律。如果操作本身滿足以上三律，merge操作僅需要對update操作進行回放即可，這種形式稱為op-based CRDT，如果操作本身不滿足，而通過附帶額外元信息能夠讓操作滿足以上三律，這種形式稱為state-based CRDT。
通過DRC的拆解，數據庫操作有三種：insert、update、delete，這三種操作不管哪兩種操作都是不能滿足交換律的，會產生沖突，所以我們在并發級別(主鍵)加上額外信息，這里我們采用序號，也就是2中提到的染色的過程，這個過程是保留的。而主鍵之間是并發的，沒有順序而言。當接收消息的時候我們并不保證強順序，采用LWW(Last Write Wins)的方式，也就是說我們執行當前的SQL而放棄前面的SQL，這樣我們就不用考慮交換的問題。同時我們會根據消息的唯一性(實例+單元+數據庫+MD5(SQL))對每個消息做冪等，保證每個SQL都不會重復執行。而對于結合律，我們需要對每個操作單獨分析。
1)insert
insert是不滿足結合律的，可能會有主鍵沖突，我們把insert語句變更insert ignore，而收到insert操作說明之前并不存在這樣一條記錄，或者前面有delete操作。而delete操作可能還沒有到。這時insert ignore操作返回結果是0，但這次的insert數據可能跟已有的記錄內容并不一致，所以這里我們將這個insert操作轉換為update 操作再執行一次。
2)update
update操作天然滿足結合律。但是這里又要考慮一種特殊情況，那就是執行結果為0。這說明此語句之前一定存在一個insert語句，但這個語句我們還沒有收到。這時我們需要利用這條語句中的數據將update語句轉成insert再重新執行一次。
3)delete
delete也是天然滿足結合律的，而無論之前都有什么操作，只要執行就好了。
在insert和update操作里面，都有一個轉換的過程，而這里有個前提，那就是從DRC拿到的變更數據每一條都是全字段的?？赡苡腥藭f這里的轉換可以用replace into替換，為什么沒有使用replace into呢，首先由于順序錯亂的情況畢竟是少數，而且我們并不單純復制數據，同時也是在復制操作，而對于DRC來說，replace into操作會被解析為update或insert。這樣無法保證消息唯一性，也無法做到防循環廣播，所以并不推薦。我們看看下面的流程圖也許會更清晰些：
四、容災架構
根據上面的介紹，我們來看下多中心容災架構的形態，這里用了兩級調度來保證中心封閉，同時利用自研的同步組件進行多中心雙向同步。我們還可以制定一些快恢策略，例如快速摘掉一個中心。同時還有一些細節需要考慮，例如在摘掉一個中心的過程中，在摘掉的中心數據還沒有同步到其他中心的過程中，應該禁掉寫操作，防止短時間出現雙寫的情況，由于我們同步的時間都是毫秒級的，所以影響很小。
五、結束語
架構需要不斷的演進，到底哪種更適合你還需要具體來看，上述的多中心架構及實現方式歡迎大家來討論。
我們的數據同步組件hera-dts已在BU內部進行使用，數據同步的邏輯還是比較復雜的，尤其是實現雙向同步，其中涉及到斷點續傳、Failover、防丟數據、防消息重發、雙向同步中防循環復制等非常多的細節問題。我們的同步組件也是經歷了一段時間的優化才達到穩定的版本。
