多key业务,数据库水平切分架构一次搞定

at 7年前  ca 架构  pv 1567  by touch  

数据库水平切分是一个很有意思的话题,不同业务类型,数据库水平切分的方法不同。


本篇将以“订单中心”为例,介绍“多key”类业务,随着数据量的逐步增大,数据库性能显著降低,数据库水平切分相关的架构实践。

 

一、什么是“多key”类业务

所谓的“多key”,是指一条元数据中,有多个属性上存在前台在线查询需求

 

订单中心业务分析

订单中心是一个非常常见的“多key”业务,主要提供订单的查询与修改的服务,其核心元数据为:

Order(oid, buyer_uid, seller_uid, time,money, detail…);

其中:

  • oid为订单ID,主键

  • buyer_uid为买家uid

  • seller_uid为卖家uid

  • time, money, detail, …等为订单属性

数据库设计上,一般来说在业务初期,单库单表就能够搞定这个需求,典型的架构设计为:

多key业务,数据库水平切分架构一次搞定 架构 第1张

  • order-center:订单中心服务,对调用者提供友好的RPC接口

  • order-db:对订单进行数据存储

 

随着订单量的越来越大,数据库需要进行水平切分,由于存在多个key上的查询需求,用哪个字段进行切分,成了需要解决的关键技术问题:

  • 如果用oid来切分,buyer_uidseller_uid上的查询则需要遍历多库

  • 如果用buyer_uidseller_uid来切分,其他属性上的查询则需要遍历多库

总之,很难有一个完全之策,在展开技术方案之前,先一起梳理梳理查询需求。

 

二、订单中心属性查询需求分析

在进行架构讨论之前,先来对业务进行简要分析,看哪些属性上有查询需求。

 

前台访问,最典型的有三类需求:

  • 订单实体查询:通过oid查询订单实体,90%流量属于这类需求

  • 用户订单列表查询:通过buyer_uid分页查询用户历史订单列表,9%流量属于这类需求

  • 商家订单列表查询:通过seller_uid分页查询商家历史订单列表,1%流量属于这类需求

 

前台访问的特点吞吐量大,服务要求高可用,用户对订单的访问一致性要求高,商家对订单的访问一致性要求相对较低,可以接受一定时间的延时。

 

后台访问,根据产品、运营需求,访问模式各异:

  • 按照时间,架构,商品,详情来进行查询

后台访问的特点:运营侧的查询基本上是批量分页的查询,由于是内部系统,访问量很低,对可用性的要求不高,对一致性的要求也没这么严格,允许秒级甚至十秒级别的查询延时

 

这两类不同的业务需求,应该使用什么样的架构方案来解决呢?

 

三、前台与后台分离的架构设计

如果前台业务和后台业务公用一批服务和一个数据库,有可能导致,由于后台的“少数几个请求”的“批量查询”的“低效”访问,导致数据库的cpu偶尔瞬时100%,影响前台正常用户的访问(例如,订单查询超时)。

多key业务,数据库水平切分架构一次搞定 架构 第2张

前台与后台访问的查询需求不同,对系统的要求也不一样,故应该两者解耦,实施“前台与后台分离”的架构设计


前台业务架构不变,站点访问,服务分层,数据库水平切分。

 

后台业务需求则抽取独立的web/service/db来支持,解除系统之间的耦合,对于“业务复杂”“并发量低”“无需高可用”“能接受一定延时”的后台业务:

  • 可以去掉service层,在运营后台web层通过dao直接访问数据层

  • 可以不需要反向代理,不需要集群冗余

  • 可以通过MQ或者线下异步同步数据,牺牲一些数据的实时性

  • 可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案

 

解决了后台业务的访问需求,问题转化为,前台的oidbuyer_uidseller_uid如何来进行数据库水平切分呢?


多个维度的查询较为复杂,对于复杂系统设计,可以逐步简化。

 

四、假设没有seller_uid

订单中心,假设没有seller_uid上的查询需求,而只有oidbuyer_uid上的查询需求,就蜕化为一个“1对多”的业务场景,对于“1对多”的业务,水平切分应该使用“基因法”。

 

再次回顾一下,什么是分库基因?

通过buyer_uid分库,假设分为16个库,采用buyer_uid%16的方式来进行数据库路由,所谓的模16,其本质是buyer_uid的最后4bit决定这行数据落在哪个库上,这4bit,就是分库基因

 

也再次回顾一下,什么是基因法分库?

在订单数据oid生成时,oid末端加入分库基因,让同一个buyer_uid下的所有订单都含有相同基因,落在同一个分库上

 

多key业务,数据库水平切分架构一次搞定 架构 第3张

如上图所示,buyer_uid=666的用户下了一个订单:

  • 使用buyer_uid%16分库,决定这行数据要插入到哪个库中

  • 分库基因是buyer_uid的最后4bit,即1010

  • 在生成订单标识oid时,先使用一种分布式ID生成算法生成前60bit(上图中绿色部分)

  • 将分库基因加入到oid的最后4bit(上图中粉色部分),拼装成最终64bit的订单oid(上图中蓝色部分)

 

通过这种方法保证,同一个用户下的所有订单oid,都落在同一个库上,oid的最后4bit都相同,于是:

  • 通过buyer_uid%16能够定位到库

  • 通过oid%16也能定位到库

 

五、假设没有oid

订单中心,假设没有oid上的查询需求,而只有buyer_uidseller_uid上的查询需求,就蜕化为一个“多对多”的业务场景,对于“多对多”的业务,水平切分应该使用“数据冗余法”

多key业务,数据库水平切分架构一次搞定 架构 第4张

如上图所示:

  • 当有订单生成时,通过buyer_uid分库,oid中融入分库基因,写入DB-buyer

  • 通过线下异步的方式,通过binlog+canal,将数据冗余到DB-seller库中

  • buyer库通过buyer_uid分库,seller库通过seller_uid分库,前者满足oidbuyer_uid的查询需求,后者满足seller_uid的查询需求

 

数据冗余的方法有很多种:

  • 服务同步双写

  • 服务异步双写

  • 线下异步双写(上图所示,是线下异步双写)

 

不管哪种方案,因为两步操作不能保证原子性,总有出现数据不一致的可能,高吞吐分布式事务是业内尚未解决的难题此时的架构优化方向,并不是完全保证数据的一致,而是尽早的发现不一致,并修复不一致

 

最终一致性,是高吞吐互联网业务一致性的常用实践。保证数据最终一致性的方案有三种:

  • 冗余数据全量定时扫描

  • 冗余数据增量日志扫描

  • 冗余数据线上消息实时检测

这些方案细节在“多对多”业务水平拆分的文章里详细展开分析过,便不再赘述。

 

六、oid/buyer_uid/seller_uid同时存在

通过上述分析:

  • 如果没有seller_uid,“多key”业务会蜕化为“1对多”业务,此时应该使用“基因法”分库:使用buyer_uid分库,在oid中加入分库基因

  • 如果没有oid,“多key”业务会蜕化为“多对多”业务,此时应该使用“数据冗余法”分库:使用buyer_uidseller_uid来分别分库,冗余数据,满足不同属性上的查询需求 

  • 如果oid/buyer_uid/seller_uid同时存在,可以使用上述两种方案的综合方案,来解决“多key”业务的数据库水平切分难题

 

七、总结

任何复杂难题的解决,都是一个化繁为简,逐步击破的过程。

 

对于像订单中心一样复杂的“多key”类业务,在数据量较大,需要对数据库进行水平切分时,对于后台需求,采用“前台与后台分离”的架构设计方法

  • 前台、后台系统web/service/db分离解耦,避免后台低效查询引发前台查询抖动

  • 采用前台与后台数据冗余的设计方式,分别满足两侧的需求

  • 采用“外置索引”(例如ES搜索系统)或者“大数据处理”(例如HIVE)来满足后台变态的查询需求

 

对于前台需求,化繁为简的设计思路,将“多key”类业务,分解为“1对多”类业务和“多对多”类业务分别解决:

  • 使用“基因法”,解决“1对多”分库需求:使用buyer_uid分库,在oid中加入分库基因,同时满足oidbuyer_uid上的查询需求

  • 使用“数据冗余法”,解决“多对多”分库需求:使用buyer_uidseller_uid来分别分库,冗余数据,满足buyer_uidseller_uid上的查询需求

  • 如果oid/buyer_uid/seller_uid同时存在,可以使用上述两种方案的综合方案,来解决“多key”业务的数据库水平切分难题。

 

数据冗余会带来一致性问题,高吞吐互联网业务,要想完全保证事务一致性很难,常见的实践是最终一致性

 

任何脱离业务的架构设计都是耍流氓,共勉。



版权声明

本文仅代表作者观点,不代表码农殇立场。
本文系作者授权码农殇发表,未经许可,不得转载。

 

扫一扫在手机阅读、分享本文

已有0条评论