作为数据库核心成员,如何让淘宝不卡顿?

2020 年 9 月 23 日 阿里技术

阿里妹导读:TDDL(Tabao Distributed Data Layer)是淘宝开源的一个用于访问数据库的中间件,集成了分库分表,主备,读写分离,权重调配,动态数据库配置等功能。本文以2007年TDDL初诞生时的视角,介绍TDDL是如何一步步设计成型的,希望能帮助同学们简单收获:常规数据库效率问题解决思路、TDDL框架设计基本思路以及分布式数据库设计思路等。


文末福利:《MySQL实操》技术公开课。


时间倒转穿越回2007年年底

一觉醒来,我还是照常去上班,走到西溪湿地附近,马路没有,高楼没有,有的是小山坡和金色的稻田。一番打听之后,才知道此时没有什么西溪园区。没办法,硬着头皮去滨江上班,一刷卡,才发现我并不是我,我现在的身份是淘宝数据库团队核心成员。

此时全国上下在迎接着奥运的到来,一片祥和。淘宝网成交额突破400亿,日活用户达1000万。工程师们都非常兴奋,磨刀霍霍。但是也遇到了棘手的问题。

一  分析当前的现状

1.1  现有业务背景

  • 淘宝网给中国市场提供了全新的购物形式,在互联网的大潮下,用户暴增,成交量暴增,公司持续飞速增长。


  • 截止2007年,淘宝网成交额突破400亿,日活用户达1000万。


  • 全天有1000万用户访问淘宝。而绝大多数用户都是在网上逛,什么也不买。


1.2  当前的问题

1.2.1  用户体验与反馈

用户普遍反馈逛淘宝卡顿,操作延迟特别明显。

1.2.2  分析核心原因

  • 大量的用户在浏览商品,并不下单。这个人数和场景的比例有20:1。


  • 说明:数据库模式事务,写操作会对表或者行加写锁,阻塞读操作。


  • 业务数据集中在一张表里,如user表。一张表里数据破几千万。查询一条数据需要好几秒(单表数据量太大)


  • 说明:一张表数据提升,必然会导致检索变慢, 这是必然事实。不论如何加索引或者优化都无法解决的。


  • 所有表集中在一个库里,所有库集中在一个机器里。数据库集中在一台机器上,动不动就说硬盘不够了(单机单库)


  • 说明:所有业务共用一份物理机器资源。机器存在瓶颈:磁盘和CPU不够用且后期拓展性不佳。


1.2.3  总结问题

  • 20:1读写比例场景。

  • 单表单库数据量太大。

  • 小型机与单机场景,抗不住当前规模。


当前现状

二  我要做什么?

  • 如何满足当前每天1000万用户逛淘宝的需求,且用户体验好(最基本要求:响应快)。


  • 如何满足未来有上亿用户的访问,甚至是同时访问,且用户体验好(最基本要求:响应快)。


高筑墙,广积粮,积极做好准备。

提炼核心:

  1. 提高数据库操作速度。

  2. 同时能应对未来规模变化。


三  我能做什么?

为实现以上两大目标,我能做什么?

3.1  提高数据库操作速度,通用方法

提炼常见的通用方法:

  • sql优化


  • 排除语法问题,烂sql

  • 下推优化


下推的目的:提前过滤数据 -> 减少网络传输、并行计算。


  • 提前过滤数据

  • 小表驱动大表等


  • 建立索引


  • 查询频率高的热点字段

  • 区分度高的(DISTINCT column_name)/COUNT(*),以主键为榜样(1/COUNT(*))

  • 长度小

  • 尽量能覆盖常用查询字段

  • 注意索引失效的场景


  • 分库分表


  • 垂直分库分表

  • 水平分库分表


  • 读写分离

  • 缓存的使用


等等。

3.2  如何应对未来的持续变化?

  • 必须支持动态扩容。

  • 必须走分布式化路线,百分百不动摇。


3.3  结合定位,分析自己能做的

3.3.1  分析我们的架构定位

(1)大前提

  • 们要做通用型框架,不参与业务。


  • 从软件设计原则出发,开闭原则:对扩展开放,对修改关闭。


说明:大修改就意味着不稳定,因此:我们要做到尽可能少的修改原来的代码。在程序需要进行拓展的时候,不能去修改原有的代码,实现一个热插拔的效果。

(2)当前架构现状

淘宝网主要使用hibernate/ibatis传统框架:

初始框架

(3)分析我们的架构定位

淘宝数据库团队当时使用映射框架(hibernate/ibatis)作为数据库交互入库,为了不让他们修改代码,那我们只能在ibatis/hibenate这类映射框架之下。

同时jdbc是与底层数据库交互的Java数据库连接驱动程序,是基础能力,我们要使用它,而不是改造它。

结论:我得把TDDL安插于ibatis/jdbc之间,于是有了第一张架构图:

TDDL的定位

3.4  总结,我们能做什么?


结合我们的目标,通用方法,大前提以及架构定位,分析下我们能做和不能做的。

不能做的:


  • 索引,因为这个是设计阶段,强业务相关。与大前提冲突:我们不参与业务。


能做的:

  • 语法优化


  • 排除sql问题

  • 下推优化


  • 分表分库(自动水平分表,水平分库)

  • 读写分离(读写分离/分布式化与动态扩容)


四  我们如何做?

4.1  语法优化

为达到语法优化的目的,我们需要具备什么能力?

简单来说:

  • 我们需要认识这个别人提交给我的sql。

  • 我能拆解sql。

  • 优化与重组这个sql。



专业点来说:语义分析能力。

  • sql解析

  • sql规则制定

  • sql优化

  • sql重组



因此:我们需要设计一个sql解析器,sql优化器。

4.1.1  解析器

解析器的核心是词法分析、语法语义分析,也就是说来了一条 select/update/insert/delete语句,你能认识它,而且你知道下一步该怎么处理,同时为后面的优化器打下基础。

核心:将sql解析为一棵语法树。

例:

SELECT id, member_id FROM wp_image WHERE member_id = ‘123


sql语法树:


4.1.2  优化器

核心:

  • 在sql解析成sql语法树后,使用sql优化规则(1. 语法优化 2. 下推优化), 通过对树进行左旋,右旋,删除子树来对语法树进行重构sql语法树。


  • 将重构的语法树进行遍历得到优化后的sql。


(1)语法优化

  • 函数提前计算


a. id = 1 + 1  => id = 2

  • 判断永真/永假式


1 = 1 and id = 1 => id = 10 = 1 and id = 1 => 空结果

  • 合并范围


id > 1 or id < 5 => 永真式id > 1 and id = 3 => id = 3

  • 类型处理


id = ‘1’  => id为数字类型,自动Long.valueof(1)create=‘2015-02-14 12:12:12’ => create为timestamp类型,解析为时间类型

(2)下推优化

  • Where条件下推


select from (A) o where o.id = 1=>select from (A.query(id = 1))

说明:提前条件过滤,提前获取数据,减少后期计算/IO/网络成本。

  • JOIN中非join列的条件下推


A join B on A.id = B.id where A.name = 1 and B.title = 2=> A.query(name = 1) join B.query(title = 2) on A.id = B.id

说明:提前过滤,减轻后期join计算成本,达到“小表驱动”的目的。

  • 等值条件的推导


A join B on A.id = B.id where A.id = 1 => B.id = 1=> A join B.query(B.id=1) on A.id = B.id

说明:同理,提前过滤。

4.1.3  总结

  • sql解析器

  • 负责将sql语句化为sql语法树。


  • sql优化器


  • 负责将sql语法树利用sql优化规则,重构sql语法树。

  • 将sql语法树转化为sql语句。



4.2  分表分库

单库单表的问题:

几年前,业务简单,应用的数据比较少,表结构也不复杂。只有一个数据库,数据库中的表是一张完整的表。而到了今天,2007年了,业务复杂起来了,数据量爆增,单表数据破千万甚至上亿条,一条DML语句,死慢死慢的。这种情况下加索引已不再有显著的效果。

这个时候,数据库效率瓶颈不是靠加索引,sql优化能搞定的。

正确出路:分表分库 通过将表拆分,来降低单表数据量,进而提高数据库操作效率。

分表分为:

  • 垂直分表

  • 水平分表


分库分为:

  • 垂直分库

  • 水平分库


由于TDDL不参与业务,而垂直分库分表是强业务相关的,因此TDDL暂不参与垂直分库分表,只在水平分库分表方向上努力。

4.2.1  垂直分表

垂直拆分是将一张表垂直拆成多个表。往往是把常用的列独立成一张主表。不常用的列以及特别长的列拆分成另一张拓展表。

简单垂直分表举例
核心要素:

  • 冷热分离,把常用的列放在一个表,不常用的放在一个表。


  • 大字段列独立存放,如描述信息。


  • 关联关系的列紧密的放在一起。


它带来的提升是:

  • 为了避免IO争抢并减少锁表的几率,查看详情的用户与商品信息浏览互不影响。


  • 充分发挥热门数据的操作效率,商品信息的操作的高效率不会被商品描述的低效率所拖累。


4.2.2  水平分表

水平分表是在同一个数据库内,把同一个表的数据按一定规则拆到多个表中。

简单水平分表举例

简单点的技巧:按照枚举类型区分。

作用总结:

  • 库内的水平分表,解决了单一表数据量过大的问题,分出来的小表中只包含一部分数据,从而使得单个表的数据量变小,提高检索性能。


  • 避免IO争抢并减少锁表的几率。


4.2.3  垂直分库

垂直分库是指按照业务将表进行分类,分布到不同的数据库上面,每个库可以放在不同的服务器上,它的核心理念是专库专用。

垂直分库

作用总结:

  • 解决业务层面的耦合,业务清晰。


  • 高并发场景下,垂直分库一定程度的提升IO、数据库连接数、降低单机硬件资源的瓶颈。


  • 能对不同业务的数据进行分级管理、维护、监控、扩展等。


  • 垂直分库通过将表按业务分类,然后分布在不同数据库,并且可以将这些数据库部署在不同服务器上,从而达到多个服务器共同分摊压力的效果,但是依然没有解决单表数据量过大的问题。


4.2.4  水平分库(TDDL 核心)

水平分库是把同一个表的数据按一定规则拆到不同的数据库中,每个库可以放在不同的服务器上。

水平分库
作用总结:

  • 解决了单库单表数据量过大的问题,理论上解决了高并发的性能瓶颈。


水平分库核心要解决的问题:

  • 如何知道数据在哪个库里?-  路由问题


  • 结果合并


  • 全局唯一主键ID


  • 分布式事务(暂时不支持)


4.2.5  水平分库——问题解决

(1)自动路由算法

sql转发:在水平拆分后,数据被分散到多张表里。原来的一个sql需要拆解,进行转发路由。

例:

select * from tb1 where member_id in ('test1234', 'pavaretti17', 'abcd');=>select * from tb1 where member_id in ('test1234', 'pavaretti17', 'abcd');select * from tb1 where member_id in ('abcd');

拆分表的数据访问——SQL转发

其中拆分和寻找的算法:怎么知道对应哪个表?即自动路由算法。常见的有:固定哈希算法和一致性哈希算法。

a)固定哈希算法


b)一致性哈希算法

 一致性哈希算法在1997年由麻省理工学院提出,是一种特殊的哈希算法,目的是解决分布式缓存的问题。

一致性哈希算法的优势:

  • 极好的应对了服务器宕机的场景。


  • 很好的支持后期服务器扩容。


  • 在引入虚拟节点后:能很好的平衡各节点的数据分布。


由于一致性哈希算法的优势,此算法几乎是所有分布式场景下使用的方案,包括mysql的分布式、redis的分布式等。


(2) 结果合并


升华: 引入fork-Join,提升操作速度(多线程并发重点场景,代码中也很常用哦)。

  • 任务拆分

  • 多路并行操作

  • 结果合并



(3)全局唯一主键

算法:基于数据库更新+内存分配。 在数据库中维护一 个ID,获取下一个ID时,会对数据库进行ID=ID+100 WHERE ID=XX,拿到100个ID后,在内存中进行分配。

  • 优势:简单高效。

  • 缺点:无法保证自增顺序。


例:

水平分库分表:一拆三场景。主键分隔值:1000。

  • 表1新增一条数据,于是给表1分配1000个主键ID, 直到它用完。


  • 同理,表2、表3在新增数据时,也给它们分配1000个主键ID。直到它用完。


  • 当它们的1000个主键ID用完后,继续给它们分配1000个即可。


  • 重复下去,可保证各库表上的主键不重叠,唯一。



这种产生全局唯一id的方式相当有效,保证基本的全局唯一特性和高性能的同时,可以对生成id的数据库分机架分机房部署达到容灾的目的。

4.2.6  分表分库总结

架构师角度:

  • 优先考虑缓存降低对数据库的读操作。


  • 再考虑读写分离,降低数据库写操作。


  • 最后开始数据拆分,切分模式:首先垂直(纵向)拆分、再次水平拆分。


  • 首先考虑按照业务垂直拆分。


  • 再考虑水平拆分:先分库(设置数据路由规则,把数据分配到不同的库中)。


  • 最后再考虑分表,单表拆分到数据1000万以内。


个人开发角度:

  • 优先使用分表分库框架(直接使用)。

  • 优先考虑缓存降低对数据库的读操作。

  • 自己垂直分表。

  • 自己水平分表。


之所以先垂直拆分才水平拆分,是因为垂直拆分后数据业务清晰而且单一,更加方便指定水平的标准。

4.3  分布式化

分布式化是大潮,是大规模服务器最后都要走的一步。

分布式数据库架构演变

4.3.1  读写分离

设计读写分离的数据库,有两大意义:

  • 主从只负责各自的写和读,极大程度的缓解X锁和S锁的竞争。


  • 从库可配置myisam引擎,提升查询性能以及节约系统开销。


说明:myisam查询效率高于默认的innodb效率。参考:myisam和innodb的区别。


核心问题:

  • 数据的备份同步问题:参考4.4.3。


  • 读写比例支持动态设置:结合业务,如淘宝可设置为20:1。


4.3.2  容灾

主备倒换:提高可靠性 > 应对个别数据库宕机场景,尤其主库宕机。

主备倒换

说明:DB2主库宕机后,自动将主库转为DB3。

核心问题:

  • 数据的备份同步问题:binlog 参考4.4.3。


  • 检测数据库的在线状态:心跳机制。


4.3.3  数据备份与同步

当只有单机或者一份数据时,一但数据库出问题,那么整体服务将不可用,而且更严重的是会造成数据损害丢失不可逆。

在读写分离与主备倒换的场景下,核心要解决的是多个数据库的数据同步与备份问题。

当前主流的是采用日志备份方式(redis也类似)。

实现原理:binlog日志备份。

数据备份:bin-log同步

说明:

  • 主库负责写操作,在数据变更时,会写入binlog,同时通知各从库。


  • 从库收到通知后,IO线程会主动过来读取主库的binlog,并写入自己的log。


  • 写完从库log后,通知sql线程,sql线程读取自己的日志,写入从库。


4.3.4  动态扩容

动态扩容的意义在于:随着后期业务量增大,数据库个数可以通过增多的方式来应对,而相对的改造代价很小。

扩容前:


扩容后:


核心内容:

  • 在添加新库时


  • 注册机器与库


  • 路由算法调整:固定哈希算法-调整模数/一致性哈希算法天然支持扩容


  • 可选的权重调整


  • 修改权重,数据插入偏向于新库5。


  • 在各库数量平衡时,触发修改回原来平衡的权重,以保证后续的均衡分配。


五  架构成型

sql流向

下图介绍sql从流入TDD到流入数据库,期间TDDL各模块对Sql的处理。


架构图


下图介绍了TDDL三层的位置以及作用。


核心能力图

TDDL 核心能力,核心组建示意图,其中标出了各模块核心要解决功能,核心算法等。


参考


TDDL 官方文档
http://mw.alibaba-inc.com/products/tddl/_book/


TDD产品原理介绍

http://gitlab.alibaba-inc.com/middleware/tddl5-wiki/raw/master/docs/Tddl_Intro.ppt


TDDL(07-10年)初始版本介绍

https://wenku.baidu.com/view/9cb630ab7f1922791788e825.html


阿里云SQL调优指南

https://help.aliyun.com/document_detail/144293.html


一致性哈希算法原理

https://www.cnblogs.com/lpfuture/p/5796398.html


TDDL初期源码(码云)

https://gitee.com/justwe9891/TDDL


MyISAM与InnoDB 的区别(9个不同点) 

https://blog.csdn.net/qq_35642036/article/details/82820178

 


MySQL实操


RDS MySQL版基于阿里云分布式文件系统和SSD盘高性能存储,提供了容灾、备份、恢复、监控、迁移等全套解决方案。本课程共36课时,讲解MySQL基于阿里云云服务器ECS的安装、配置,通过学习与掌握MySQL的工作原理、使用技巧以及优化,并具备云端使用MySQL的能力


点击“阅读原文”学习MySQL吧~


关注「阿里技术」
把握前沿技术脉搏


戳我,学MySQL。
登录查看更多
0

相关内容

SQL 全名是结构化查询语言,是用于数据库中的标准数据查询语言,IBM 公司最早使用在其开发的数据库系统中。
应用知识图谱的推荐方法与系统
专知会员服务
114+阅读 · 2020年11月23日
【新加坡国立大学】深度学习时代数据库:挑战与机会
专知会员服务
33+阅读 · 2020年3月6日
【阿里技术干货】知识结构化在阿里小蜜中的应用
专知会员服务
96+阅读 · 2019年12月14日
【干货】大数据入门指南:Hadoop、Hive、Spark、 Storm等
专知会员服务
95+阅读 · 2019年12月4日
腾讯推荐引擎组员工:谈谈推荐系统架构
腾讯大讲堂
14+阅读 · 2019年10月23日
亿级订单数据的访问与储存,怎么实现与优化
ImportNew
11+阅读 · 2019年4月22日
每个架构师都应该培养业务思维
InfoQ
3+阅读 · 2019年4月21日
亿级订单数据的访问与存储,怎么实现与优化?
码农翻身
16+阅读 · 2019年4月17日
深度 | 推荐系统如何冷启动?
AI100
17+阅读 · 2019年4月7日
一篇文章读懂阿里企业级数据库最佳实践
阿里巴巴数据库技术
5+阅读 · 2017年12月20日
Arxiv
0+阅读 · 2020年12月3日
Arxiv
6+阅读 · 2018年5月22日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
3+阅读 · 2018年4月11日
Arxiv
6+阅读 · 2018年3月25日
VIP会员
相关资讯
腾讯推荐引擎组员工:谈谈推荐系统架构
腾讯大讲堂
14+阅读 · 2019年10月23日
亿级订单数据的访问与储存,怎么实现与优化
ImportNew
11+阅读 · 2019年4月22日
每个架构师都应该培养业务思维
InfoQ
3+阅读 · 2019年4月21日
亿级订单数据的访问与存储,怎么实现与优化?
码农翻身
16+阅读 · 2019年4月17日
深度 | 推荐系统如何冷启动?
AI100
17+阅读 · 2019年4月7日
一篇文章读懂阿里企业级数据库最佳实践
阿里巴巴数据库技术
5+阅读 · 2017年12月20日
Top
微信扫码咨询专知VIP会员