【IT168 专稿】本文根据赵子明老师在2018年5月12日【第九届中国数据库技术大会(DTCC)】现场演讲内容整理而成。

　　讲师简介：

　　赵子明，一个熟悉基础架构和应用架构的双料胖子，曾在大麦网、京东工作。设计开发过Zookeeper多活(跨机房双向复制)、分布式kv、API网关等组件，搞过几十个微服务组成的交易系统的梳理优化，有单应用到微服务的演化经历，有高并发下系统性能优化经验。

　　摘要：

　　随着互联网和大数据的发展，各种NoSQL数据库层出不穷，在不同的场景下衍生出了不同的产品，本次分享和大家聊聊饿了么分布式kv的设计架构与实践总结。主要内容：1.饿了么分布式kv的架构和实现;2.和其他NoSQL对比有什么异同;3.在哪些场景下使用以及遇到什么问题;4.思考与总结。

　　分享大纲：

　　·背景介绍

　　·饿了么分布式kv架构简介

　　·使用场景&问题

　　·总结&展望

　　正文演讲：

　　一.背景介绍

　　随着互联网的快速发展，数据量的极速增加，性能要求的提高……这些要求传统数据库往往会因扩展性和性能方面的制约而无法满足，NoSQL在此时大显神威，通过放弃表关联、多行事务等特性来追求性能、扩展性以及低成本。

　　举个例子，在关系型数据库中多表关联查询join是很容易做到，但在分布式场景下面，不同的表会分布在不同的机器上，中间的关联关系比较复杂，如果要把这么多机器里的不同数据片段做聚合成本太高了，同时性能也会下降。

　　随着开源数据库越来越多，NoSQL数据库也百花齐放，各种表格、kv在很多场景下都应用得很好。

　　我挑选了三款比较典型的NoSQL数据库来做对比，首先是HBase，HBase是建在HDFS之上的分布式、面向列的表格系统，虽然它是半实时的，但更多面向的是数据分析场景，并在列存和行存之间取了个平衡。Dynamo是亚马逊大牛提出的，经典的分布式KV，应用了很多分布式的技术。Pika也是很好用的开源产品，可持久化的大容量Redis存储服务。

　　HBase数据分片方式是有顺序的region，Dynamo用的是Hash。HBase是中心架构，中间有主从，而Dynamo是去中心架构p2p，其应用的很多技术都有借鉴意义，例如集群管理、信息发现、向量时钟等等。Pika更像是一个单机Redis，主从、集群都需要自己做。

　　HBase支持强一致，如果更确切的来说是支持单行某个列族的强一致，Dynamo的一致性是可配置的，要在一致性和读写性能之间做一些取舍，Pika这里就不多谈了。

　　HBase基于HDFS，有些情况下会做远程调用，它在大数据读写分析的场景下表现很好，但如果用在线上，读写性能会稍微弱一点。Dynamo采用本地存储，读写性能较高，并且可以根据Quorum NRW做一些场景化配置优化来提高性能。Pika相对于内存级Redis来说性能会差一些，但是作为磁盘来说，它是一个高性能的存储。

　　HBase需要部署zookeeper、HDFS等等，部署维护比较复杂。Dynamo都是对等节点，部署维护比较简单。 把Pika类比成单机Redis，如果我们要做集群，相对来说成本会更大一些，需要自己处理数据分片规则、主从结构，数据复制，异常恢复等问题。

　　在饿了么数据量的快速增长，但内部没有专门的KV组件，很多同学都是按照自己的习惯选择存储组件，对于一些简单的数据，有人选择存MySQL、Redis，也有人会存MongoDB、Cassandra。

　　Redis这种内存级的组件是更适合超热的数据，性能很高。但在超大数据集的大数据场景下不可能把数据全部放入内存，需要将Redis结合其他磁盘存储组件一起使用，但很多时候没有整体的解决方案，成本较高，性能较差。

　　这样的背景下体现那些问题?扩展性差、性能不达标，其次就是运维成本比较高，以及无法满足某些场景下对于数据可靠的高要求。

　　我们对KV的要求：

　　首先因为我们这边大多是在线场景，所以要求高性能，延迟要在毫秒级别;

　　其次是大数据量，能达到几十TB;

　　第三是高可靠，一旦出现问题最好能通过自运维的方式自愈;

　　第四是在任何情况下都要实现高可用;

　　第五是易运维，系统实现的复杂一点，运维能够更方便;最后是强一致，无论集群怎么挂或者切换，数据都保证不丢失。

　　二.饿了么分布式kv架构简介

　　上图是整体架构，我们从去年下半年开始着手做这件事，两三个月之后上线。能用较短的时间地完成上线要感谢开源，我们基于开源产品做封装提供服务。在这个架构中，我们做了一个代理层，支持Java、Python、Go等客户端。

　　底层架构是一个中心化的架构，MetaServer存集群的元信息，会来处理一些心跳上报、集群管理命令等等。对于DataServer如果是要求强一致就使用TiKV，如果是要求低成本就使用Pika。

　　下面重点介绍一下proxy，proxy基于Go语言开发的，支持多种协议实现。现在支持KV和Redis协议以及结构实现。除此之外，还包括路由、KVsdk、限流、监控等模块。

　　总体来说我们这个架构是基于开源，支持多协议，目前主要支持Redis协议;

　　易扩展，在底层采用TiKV时新节点加入集群，可以自动做到数据的均衡和数据的迁移;

　　数据一致性与高可用，采用Raft，能保证数据不丢;

　　可定制，我们可以根据不同的场景定制不同的功能需求和性能优化。

　　使用场景，主要使用在搜索、推荐，促销、智能调度，商品分类，排序等场景。从饿了么首页往下点，大概有80%的操作流程和KV有关，这些KV数据多是属性信息，比如用户画像、商品属性等等。

　　经过半年多的发展，我们现在有十几套集群分布在四个机房，线上数据已有几十TB，每天百亿级调用。某些集群高峰QPS大于10万，平均响应时间在1到2毫秒。

　　三.使用场景&问题

　　在这个过程中，我们遇到了很多问题，首先是上线之后，我们发现一些场景下key的Value特别大，达到几十K甚至上M，比如在用户画像。kv在这种value比较大的情况下性能损耗会比较大。我们的处理方式比较很简单，就是压缩。

　　我们综合存储、IO、网络等因素做了一些测试，上图分别是高压缩比、低圧缩比和中压缩比的测试数据，通过对比，我们发现LZ4的效果最明显，虽然压缩率一般但是性能高。所以我们把它做到了proxy，从进入系统开始就压缩，使得整个链路包括中间Raft协议的几次传输,代价更小。 通过加压缩，一些场景性能提高了50%。

　　另一个问题是跨机房操作慢，饿了么已经做了异地多活，大多数情况下都是读本机房的数据，但个别场景需要跨机房来操作数据，延迟很大，比如北京上海之间延迟时间达到20到30毫秒。我们的解决方法是pipeline。

　　我们采用了批量加并行的优化手段，类似于Redis的pepiline，如图左边显示set key n次请求有2n次网络传输，我们将多个set 操作打成一个batch 只需2次网络传输。通过减少中间网络交互，性能提升效果明显，我们基于Go语言做的proxy，内部基于协程做了并行处理也提高了部分性能。

　　Hash多行操作超慢是实现方式的问题，我们将Hash结构分多行存储，原始Key和原始Feild拼成一个key，多个Field顺序存储。

　　涉及成百上千行数据的多行操作，需要扫描很多行，性能损耗较大。我们做了取舍，把Hash只用一个Key来存储，这样只要这个Hash小于1M且Key的 数量不多的话，性能提高效果明显。

　　除此之外，还遇到一个问题——加ttl以后性能损耗比较大。加ttl其实就相当于Hash加了一个metakey，metakey里面存在Hash超出时间戳，读的时候拿时间戳做校验。(内部用定时任务清理过期Key)。但这样做会多一次读取校验影响性能。

　　其实，很多场景并不需要严格的ttl校验或类型校验。我们做了场景化的优化，针对某些场景单独做开关，避免了meta的ttl验证。通过这种方式，性能比之前提高了30%。

　　四.总结&展望

　　我们的KV规划支持多协议，目前主要支持Redis协议。大多数开发同学对Redis比较熟悉，学习成本低。为了迅速的推广，我们优先支持Redis协议。之后我们会支持更多其他的协议。

　　TiKV容错能力很强，因为它底层采用的是Raft，一台机器挂掉，其他机器会选主，继续提供服务。从软件层协议实现上去解决一致性问题以及高可用问题。运维成本会降低。

　　我们准备做资源池化加全自动化运维，比如每次用户申请接入，他们只要提交一个工单，然后我们就调一下脚本，自动化把集群创建出来，并根据需求特性做不同的配置。有一个资源池，如果需要申请服务自动从资源池里提取、部署，如果集群下线或数据缩容的情况，就把它退回资源池。

　　异地多活，为了适应饿了么整体架构，我们也规划做到异地多活，多地之间的双向同步。

　　最后为大家分享下个人的总结和思考。

　　第一个是分布和均衡，在存储里面的数据分布是需要得多方考虑权衡的事情，例如选择那种数据分布方式?Hash还是Region?Hash在数据分布上更均衡Region存储方式利于顺序扫描，但不利于分布均衡，如果某个Region数据量越来越大，那么就需要Region分裂，如果某Region数据量随着数据删除数据量变小就需要合并。除了数据分布的均衡，还要考虑流量均衡，Hash天然就比较均衡，而Region则需要做一些特殊处理来做到均衡，如果写顺序写入会存在热点写问题。总体来看，Region分布的成本更高一点。故障隔离，隔离有好多等级，比如节点级、机架级、机房级等。如果分布的越散，这个系统的可用性越高，如果越集中，性能越高，所以都得综合考量，在性能和高可用之间做选择。

　　实现成本和运维成本，在分布式存储里实现Raft，开发测试成本很大，但是运维成本降低，集群容忍单机故障，软件层面能自动容错。使用Pika等单机存储，我们需要自己做集群管理、主从，用哨兵等方式来做监控，这样的方式自己部署的组件较多，运维成本比较大。我们直接使用了比较牛的开源组件，效果不错。不过以后肯定会遇到更多底层问题，这就需要我们投入更大的成本来解决问题。

　　轮子这么多为什么还要造?我们拿到了一个开源组件，想要它适合我们的技术体系、业务场景，需要做很多打磨。一些开源产品在大规模商用场景下，运维成本比较高。自己造轮子能从中需积累专业底层经验，总结非常好的实践，优化性能和资源。更大限度提高稳定性优化资源 。

　　最后我们要感谢开源，开源产品充实我们的技术力量，帮我们降低成本、提高效率。