摘要：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，為年大促節(jié)省了計算資源成本。展望目前我們正在進(jìn)行軟硬件結(jié)合，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)本地盤的性能。

摘要： 隨著阿里集團(tuán)電商、物流、大文娛等業(yè)務(wù)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(jī)的運(yùn)維以及管理模式下，遇到諸多如成本，調(diào)度效率等問題，因此，2017年首次對數(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(diǎn)與離線資源混布，達(dá)到節(jié)省大促成本的目的。

作者：呂建樞（呂健）

背景
隨著阿里集團(tuán)電商、物流、大文娛等業(yè)務(wù)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(jī)的運(yùn)維以及管理模式下，遇到非常多的困難與挑戰(zhàn)，主要?dú)w結(jié)為：

機(jī)型采購與預(yù)算問題
在單機(jī)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(jìn)行多帶帶預(yù)算。數(shù)據(jù)庫存儲時，要么計算資源達(dá)到瓶頸，要么是存儲單機(jī)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(fèi)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(dǎo)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(jìn)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(jī)器，大促成本上漲嚴(yán)重。
因此，為了解決諸多如成本，調(diào)度效率等問題，2017年首次對數(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(diǎn)與離線資源混布，達(dá)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(jìn)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(wù)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)合首次發(fā)力，完成2017年“11.11”大促的交易支撐。

計算存儲分離
在所有業(yè)務(wù)中，數(shù)據(jù)庫的計算存儲分離最難，這是大家公認(rèn)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極致的要求：

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(jī)failover
單機(jī)failover我們做到業(yè)界的極致，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(jī)器越多，影響越?。?。另外，我們對分布式存儲的狀態(tài)機(jī)進(jìn)行加速優(yōu)化，使得基于paxos的選舉在秒級內(nèi)進(jìn)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(luò)IO，因此對于單路IO時延影響的因素非常多，如網(wǎng)絡(luò)抖動，慢盤，負(fù)載等，而這些因素也是不可避免的。我們設(shè)計了“副本達(dá)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(wù)的需求。

以下是commit majority feature開起前后的效果對比。其中“藍(lán)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(dāng)前的業(yè)務(wù)流量進(jìn)行自適配的調(diào)整，在業(yè)務(wù)與后臺數(shù)據(jù)恢復(fù)之間做到最佳平衡。

一般如果集群后端活動太低，會影響數(shù)據(jù)恢復(fù)，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(jī)制，做到了前后端數(shù)據(jù)寫入的速動，在不影響業(yè)務(wù)寫入的情況下，盡最大可能提高數(shù)據(jù)恢復(fù)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(fù)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(jī)架上，用于保障底層機(jī)柜電源以及網(wǎng)絡(luò)交換設(shè)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(fù)，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(yuǎn)小于隨機(jī)組合的C(9,3)。

隨機(jī)組合時，任意3臺機(jī)器Down機(jī)都會存在數(shù)據(jù)丟失。而采用此方案后，只有當(dāng){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(biāo)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。

數(shù)據(jù)庫吞吐優(yōu)化
當(dāng)所有的IO都變成網(wǎng)絡(luò)IO后，我們要做的就是如何減少單路IO的延遲，當(dāng)然這個是分布式存儲以及網(wǎng)絡(luò)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(luò)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(luò)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?；蛘哒f在關(guān)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(wù)數(shù)的最關(guān)鍵因素就是事務(wù)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(jìn)行roll forward，再利用undo進(jìn)行roll backward，最后再撤銷用戶未提交的事務(wù)。

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。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。

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(dāng)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(yán)重的問題，就是當(dāng)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(luò)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(guān)閉掉Double Write Buffer，從而在高并發(fā)壓力及高網(wǎng)絡(luò)IO時延下，讓吞吐至少提高50%以上。

網(wǎng)絡(luò)架構(gòu)升級
分布式存儲，對于網(wǎng)絡(luò)的帶寬要求極高，我們引入了25G網(wǎng)絡(luò)。高帶寬能更好的支持阿里集團(tuán)的大促業(yè)務(wù)。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(fù)都提供了有力的保障。

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(wù)混跑的場景進(jìn)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(dá)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(jìn)行調(diào)度，會對數(shù)據(jù)庫業(yè)務(wù)有抖動。因此，在大促場景下，我們會對CPU進(jìn)行獨(dú)立socket 綁定，避免L3 cache干擾；另外，內(nèi)存不超賣。當(dāng)然，大促結(jié)束后，在業(yè)務(wù)平峰時，可以擇機(jī)進(jìn)行調(diào)度和超賣。

網(wǎng)絡(luò)QOS
我們對數(shù)據(jù)庫在線業(yè)務(wù)進(jìn)行網(wǎng)絡(luò)打標(biāo)，NetQoS中將數(shù)據(jù)庫計算節(jié)點(diǎn)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(diǎn)mount，用于將計算節(jié)點(diǎn)快速彈性到離線機(jī)器。

另外，數(shù)據(jù)庫Buffer Pool可以進(jìn)行動態(tài)擴(kuò)容。大促ODPS任務(wù)撤離，DB實例Buffer Pool擴(kuò)容；大促結(jié)束后，Buffer Pool回縮到平峰業(yè)務(wù)時的大小。

雙11大促求證
大促期間，其中一個庫吞吐達(dá)到將近3w tps，RT在1ms以內(nèi)，基本上與本地相當(dāng)，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。

展望
目前我們正在進(jìn)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(diǎn)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(diǎn)到存儲節(jié)點(diǎn)使用用戶態(tài)技術(shù)，更能充分滿足集團(tuán)電商業(yè)務(wù)對高吞吐低時延的極致要求。

這些網(wǎng)絡(luò)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(jìn)來，一起攜手邁進(jìn)未來。

【引用】

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

[2] CRUSH: Controlled,Scalable, Decentralized Placement of Replicated Data
點(diǎn)擊查看原文