Bootstrap

极客大学架构师训练营 系统架构 分布式数据库 Zookeeper 第12课 听课总结

2022-03-09 作者: John(易筋)

说明

讲师：李智慧

架构师要有设计、并开发出分布式数据库。仅仅是会用的话，竞争力是不够的。像阿里巴巴、腾讯、京东都有自己的分布式数据库开发团队，要想进入这个团队当架构师，就要有这种视野。

在公司里面，你要是听别人的，那么基本上都是把重复的、没有技术含量的活分配给你。人生的机会，都是自己去争取的。

作为架构师，要传递一个信息，打动公司，让公司支持你不赚钱的项目。你要有技术影响力，争取说服领导支持去你做这个事情，并且能够说服团队跟你一起干。

分布式一致性 ZooKeeper

分布式系统脑裂

在一个分布式系统中，不同服务器获得了互相冲突的数据信息或者执行指令，导致整个集群陷入混乱，数据损坏，统一称作分布式系统脑裂。

数据库主主备份

分布式一致性算法 Paxos

三个角色

  • Proposer

  • Acceptor

  • Learner

Proposer生成全局唯一且递增的Proposal ID（可使用时间戳Server ID），向所有Acceptors发送Prepare请求，这里无需携带提案内容，只携带Proposal ID即可。

Acceptors收到Prepare和Propose请求后

ZooKeeper 架构

ZooKeeper 树状记录结构

ZooKeeper API

String create(path, data, acl, flags);
void delete(path, expectedVersion);
Stat setData(path, data, extectedVersion);
(data, Stat) getData(path, watch);
Stat exists(path, watch);
String[] getChildren(path, watch)
void sync(path)
List multi(ops)

配置管理

  • Administrator：

  • Consumer：

选 Master （Leader）

1. getdata("/servers/leader", true)

2. if successful follow the leader described in the data and exit

3. create("/servers/leader", hostname, EPHEMERAL)

4. if successful lead and exit

5. goto step 1

选 Master/ Leader (Python)

handle = zookeeper.init("localhost:2181", my_connection_watcher, 10000, 0)
(data, stat) = zookeeper.get(handle, "/app/leader", True);
if (stat == None)
	path = zookeeper.create(handle, "/app/leader", hostname:info, [ZOO_OPEN_ACL_UNSAFE], zookeeper.EPHEMERAL)
	if (path == None)
		(data, stat) = zookeeper.get(handle, "/app/leader", True)
		# someone else is the leader
		# parse the string path that contains the leader address
	else
		# we are the leader continue leading
else
	# someone else is the leader
	# parse the string path that contains the leader address

集群管理（负载均衡与失效转移）

Monitoring process:

Each Node:

ZooKeeper 性能

  • 读的能力要远远高于写的能力。这是因为写的时候要最终选举一个结果，读的时候，随便读一个服务器就好。

  • 服务器越多，写的时候投票数就越大，写速度就越慢。

  • 服务器都是基数台服务器部署，投票容易产生最大数。

Zab 协议

商用都是简化版的ZooKeeper协议 - Zab协议。更简单，性能更高。

当Leader宕机以后，会有一段时间没有响应，Follower中会重新选举一位Leader，投票给服务器id最大的服务器。

Doris - 海量 KV Engine

当前现状

网站关键业务有许多海量KV数据存储和访问需求。

  • 存在问题：扩容困难、写性能较低、实时性低等

  • **站 USAS - BDB

  • **站：TT

  • 使用复杂

  • 性能较低

产品需求

产品定位：海量分布式透明化KV存储引擎。

解决问题：

  • 替换 UDAS：解决扩容迁移复杂，维护困难的问题。

  • **站海量 KV 数据存储

☞ Global SEO， 1亿 Product，2.4T 数据量

☞ 2011年底：3.1 T

  • **站

☞ WholeSale Global SEO

☞ Product 数：1600w，2.8T

☞ 2011年底：3400w，5.8T

  • **站

☞ 风控用户行为日志：每月2亿，40G，增长很快。

案例：有个微信用户30w在钱包里冻结了，就打电话给微信客服，微信客服回答：“你的钱是你的钱，但微信是微信的。不用慌，我们会帮你解决的。” 在分布式系统里面，数据最终是会一致的。

产品目标

* KV 存储 Engine

* 逻辑管理：Namespace

* 二级索引

* 海量存储：透明集群管理，存储可替换

* 伸缩性：线性伸缩，平滑扩容

* 高可用：自动容错和故障转移

* 高性能：低响应时间，高并发

* 扩展性：灵活扩展新功能

* 低运维成本

☞ 易管理

☞ 可监控

* 一致性：最终一致性

技术指标

目标 | 指标 | 说明

---| --- | ---

集群规模| 4 - 100 + Machine | -

容量| 100T+（取决于硬件规模） | B2B 所有KV存储场景

可用性| 99.99 + 7% | -

持久性 | 10个9 | -

伸缩性、平滑扩容 | 不停机扩容完成时间 约= 单 Node 迁移时间 （10台扩1台场景）总数据=2.4T 单Node迁移量=240G/10 = 24G 迁移时间=24G/33M = 12分钟 | 10 + 1 场景

高性能 | Read： < 8ms (Aspara:10ms); Write: < 10 ms (Aspara: 10ms) (高于 Aspara， 国际站 SEO 需求，高并发场景) | -

逻辑架构

  • 二层架构 - Client、DataServer + Store

  • 四个核心组件 - Client、DataServer、Store、Administration

KV Storage 概念模型

  • Machine：物理机

  • Node: 分区单元，一台 Machine 可运行多个 Node。

  • Namespace：数据的逻辑划分 Tag，Client 可识别。数据管理无需识别。

关键技术点 - 数据分区

  • 解决海量数据存储

  • 客户端计算分区

  • 分区算法（Partition Policy）

  • Client 向 Config Server 抓取分区配置

基于虚拟节点的分区算法

  • 均衡性：数据分布均衡

  • 波动性：X/(M+X), 优于一致性 Hash 的 X/M.

作为架构师，当有人质疑你的时候，说明有人关注你，说明是好事。那么你就要用设计方案，用数据去证明你的架构更优。就像网红一样，不管是好消息、还是坏消息都是好事情，说明有人关注你。当你能得到马云的质疑，那么说明你的人生就走上巅峰了。

物理节点由2个扩充到3个，映射关系变化

每个虚拟节点对应两个对等物理节点。（最终公式的效果不好，换为别的公式解决。）

基本访问架构

  • Copy 1 Node

  • Copy 2 Node

  • Redo Log

  • Update Log

集群管理 - 健康检查和配置抓取

关键技术点 - 可用性关键场景

* 服务器升级或者网络暂时不可用

* 失效机器在短时内可恢复（例如：2小时内）

* 恢复后数据和失效前一致

* 机器下线

关键技术点 - 临时失效的 fail over

关键技术点 - 永久失效 failover

每份 Data 写两份保证高可用：Copy1，Copy2

一致性处理：version（timestamp）

  • Conflict Check & Merge

关键技术点 - 扩容实施数据迁移：基本原理

Pn2 数据迁移到pnx, client不再对pn2数据操作

  • R操作只在pn1 上

  • W/R 操作指向

Client 对等节点中的一个pn1不变（路由算法保证）

关键技术点 - 扩容实施数据迁移：迁移过程

基本原理：基于遍历的路由对比迁移（描述见备注）

  • 迁移时，计算两个 Route 算法，不相同则迁移。

  • 采用改进的分区路由算法，减少迁移量：

数据可识别功能 - 逻辑数据结构

☞ Namespace的MetaData数据结构定义，满足“数据定义可描述”的需求。

Doris 和平台产品关系

产品规划（功能和版本）

目标 | 功能/特性 | 一期（Q2）| 二期 | 三期

-- | -- | -- | -- | --

功能 | 数据模型 | Key-Value 模型， Namespace，数据结构可描述 | 二级索引 | Column

  • | 数据访问和 KVClient | KV API Client调用框架数据通信 | - | -

非功能性 | 分区和线性伸缩 | 分区路由算法 | - | -

  • | 可用性 | W2， Failover | - | -

  • | 透明集群管理 | 状态报告，配置抓取 | 集成Normandy配置推送 | -

  • | 扩容 | 实时平滑扩容 | - | -

  • | 存储方案 | StoreDriver、BDB实现 | MySql/TT | -

管理和运维 | 监控 | 集群管理、基本集群监控（接入Dragoon） | 硬件监控（接入Dragoon） | -

  • | 备份与恢复 | Store原生方案 | - | -

Doris Q2 研发计划 - 功能需求

数据模型

  • Key-Value 结构

  • Namespace 支持

数据访问

  • 基本KV API规范

  • KV Client：抽象API，调用框架

  • 高性能通信

Doris Q2 研发计划

非功能需求

  • 分区和线性伸缩：改进的分区路由算法

  • 可用性：对等Node，写2，Failover

  • 透明集群管理和配置抓取

  • 实时平滑扩容

  • 存储可替换和 BDB 实现

管理和运维

  • 集群管理

  • 基本集群监控（接入 Dragoon）

实施计划 Q3 - Q4

站 ** （Product多语言）

  • 业务范围：Product，产品摘要，产品描述，产品属性，Company

  • 当前UDAS 支持情况

☞ 数据量：2.4T，Product数1亿，机器：10台

☞ 商业PV：800w，KV PV：1.08亿，14ms-100ms，TPS：250

  • 2011年底：产品数和存储量 +30%，3.1T

站**

  • Product数：1600w

  • 存储量：2.8T

  • 2011年底：Product 3400w，5.8T

关于我们

Customize this section to tell your visitors a little bit about your publication, writers, content, or something else entirely. Totally up to you.

热门标签

Elsewhere

  1. GitHub
  2. 竹心导航

返回顶部