BaikalDB 在大规模数据场景的挑战和实践

三叶草

作者简介：李国强，百度商业平台研发部资深研发工程师。工作方向包括分布式数据库 BaikalDB、分布式SQL 中间件等，对构建高性能、高可用分布式文件系统有较多实践和较深入的理解。 
 欢迎关注 Star github.com/baidu/BaikalDB 国内加速镜像库gitee

1. 商业存储需求背景与现状
商业平台研发部目前面临三大业务特点：

  

• 新业务发展迅速，从广告主投放的业务系统发展为托管页、观星盘、用商一体、运营营销、数据洞察等多矩阵系统。  
  
• 广告物料规模在持续上涨，从18到20年增长了一倍以上。  
  
• 业务场景更加复杂，从B端业务发展为B端+C端，增加各种活动、秒杀、分析等场景。
  

商业存储原有架构不统一：采用了MySQL满足事务性需求；采用各种OLAP类系统满足在线分析需求；采用自研的内存存储（字面服务，加速镜像服务等）满足各种加速查询场景；采用redis、表格系统、基于SSD的KV系统等满足各种KV场景；采用建库、倒排基础查询、推荐模块、ElasticSearch满足各种检索需求；采用搜索词PV仓库满足大容量PV查询需求。

以上这些专用系统，架构混杂，数量庞多，运维扩容成本极高，并且内存占用过多造成资源浪费与混布困难。 过去10年，为了解决各种业务问题，我们存储团队一直在做加法，开发运维了大量的存储模块。为了解决这个问题，我们在2017年开始研发BaikalDB，旨在解决上述问题，把存储架构统一，希望能够支持更多新业务的存储需求。
1.1 面向商业产品系统的新一代存储系统BaikalDB
BaikalDB是一个兼容 MySQL 协议的分布式可扩展存储系统，支持PB级结构化数据的随机实时读写，整体系统架构如下：

BaikalDB基于 RocksDB 实现单机存储，基于Multi Raft 协议（braft库）保障副本数据一致性，基于brpc实现节点通讯交互，其中

  

• BaikalStore 负责数据存储，用 Region 组织，三个 Store 的 三个Region形成一个 Raft Group 实现三副本，多实例部署，Store实例宕机可以自动迁移 Region数据。  
  
• BaikalMeta 负责元信息管理，包括分区，容量，权限，均衡等， Raft 保障的3副本部署，- Meta 宕机只影响数据无法扩容迁移，不影响数据读写。  
  
• Baikaldb 负责前端SQL解析，查询计划生成执行，无状态全同构多实例部署，宕机实例数不超过 qps 承载极限即可。
  

BaikalDB 的核心特性有：

  

• 全自主化的容量管理：可以自动扩容和自动数据均衡，应用无感知，很容易实现云化，目前运行在Paas虚拟化平台之上  
  
• 高可用，无单点：支持自动故障恢复和迁移  
  
• 面向查询优化：支持各种二级索引，包括全文索引，支持多表 join，支持常用的 OLAP 需求  
  
• 兼容 mysql 协议，支持分布式事务：对应用方提供 SQL 界面，支持高性能的Schema 和索引变更  
  
• 支持多租户：meta 信息共享，数据存储完全隔离
  

在系统研发过程中，BaikalDB以业务需求为导向规划快速迭代，在业务使用中深度打磨优化，随业务成长而成长，关键功能的时间节点如下

从2018年上线以来， BaikalDB 已部署1.5K+数据表，数据规模达到600+TB，存储节点达到1.7K+。
2. 研发运维过程中遇到的困难和挑战
BaikalDB项目我们已经做了近4年，是逐步克服困难的4年。和其他数据库团队不同的是，BaikalDB一直是研发人员自运维，因此很多时候遇到问题不只是功能上，还有高效运维方面的。 索引是数据库的灵魂，不同的业务需求本质上是需要采用不同的索引来实现的。 而稳定性是数据库的基础，服务不稳定意味着业务方无法安心使用。 性能是数据库的关键，高性能意味着使用较少的资源支持大量的业务。 本次主要分享BaikalDB在构建索引、稳定性与安全性、性能方面的三大挑战与一些解决思路。
2.1 名词解释

  

• SQL聚类是指把SQL中的常量使用问号替换后，聚合出来的一类SQL，类似preparestmt：
  

select xx from xx where id = 3 and name in (1,3,4)
=> 
select xx from xx where id =? and name in (?)

  

• 相同类别的SQL有一些共同点：查询计划相同，索引大概率是同一个，一般具有相同的业务逻辑
  

2.2 挑战一：统一存储如何构建高效多功能的索引系统来满足业务高速迭代
a. 低效SQL消耗大，优化困难
BaikalDB线上有几十亿pv，可以聚合成几千类SQL，每类SQL我们会统计扫描行数、过滤行数、平响、pv、错误数等信息。

基于这些统计信息进行分析，我们发现有5%的低效SQL占了42%的扫描资源。因此，如果优化这个5%的SQL，对线上的性能和稳定非常重要。我们重点分析了这些低效SQL，发现主要有两个原因导致： - 系统早期只做了基于规则的索引选择，线上部分表索引非常多，导致部分SQL选了低效索引。 - 业务RD对SQL优化并不熟悉，并且能参考的优化信息不够全，导致部分表缺少合适的索引。
b. 业务检索需求激增
业务系统对检索功能需求较多：物料检索、账户检索、图片检索、商品检索、文档检索等。需求量增长4倍。业务系统原有检索能力无法复用，需要搭建redis、建库、倒排基础查询、高级检索等检索专用模块，而且对不同业务需要适配不同的代码。线上光各种专用检索模块就达到十几个。因此急需一套开箱即用的检索功能，快速满足大部分基础检索需求。
c. BaikalDB索引变更能力不足
业务需求多变，每个月都有十多个由于业务需求，优化需求的各种加索引需求。老流程加索引需要建表、导数据、禁写等，单次变更耗时1-3pd。
以上这些问题，我们都归类为索引相关问题。数据库的核心之一，就是支持各种索引来满足业务需求。与此相对的各种专用存储，实际上就是把某项索引够能做好，来满足某一类业务需求，不够通用。
我们采用了如下方案来解决这些问题：
a. 实现基于代价的索引选择与索引推荐，不需要业务参与来优化低效SQL

为了应对索引选错的情况，BaikalDB增加了基于代价的索引选择。对于能匹配到多个索引的SQL，需要选择一个最优的代价最小的去执行。何为最优索引，检索量是个很重要的指标，一条SQL获取的数据量固定，检索量越少说明该索引越高效，为了选出最优的索引，需要预估出使用某个索引的检索量，那么我们就需要一些统计信息。BaikalDB维护的统计信息包括列直方图、Count-Min Sketch、distinct count等等。

  

• 列直方图可以用来估计某一区间在整个范围内的占比，用于范围查询；  
  
• Count-Min Sketch可以用来估计某一元素的出现频率，用于等值查询；  
  
• distinct count可以用来评估该列的区分度。
  

查询条件（范围，等值，IN）在采样数据中的占比我们称之为选择率，再乘以表的总行数可以预估该条件需要检索的行数。对于单列索引可以直接计算出索引的检索行数，对于联合索引涉及多列，假设每列是相互独立的，那么将每一列的选择率相乘即可得到联合索引的选择率，进而可以预估联合索引的检索行数。
有部分表缺少合适的索引，导致SQL低效。为了应对这个问题，BaikalDB实现了一套索引推荐方案。通过对每类SQL的多种信息进行统计，包括：扫描行数，过滤行数，平响，pv。计算出过滤率=过滤行数/扫描行数，过滤率越大，扫描行数越大则越低效。然后再结合过滤率，平响，和统计哪个条件过滤最多，通过这些信息来综合推荐索引。
b. 实现定制化切词的倒排索引和多功能布尔引擎，支持一键添加检索功能

为了应对业务不断增加的检索需求，BaikalDB实现了FULLTEXT索引，内置了7种切词类型，依然通过RocksDB存储倒排拉链。倒排拉链分为3层，realtime层，buffer层，base层。

  

• realtime层其实存储的并不是拉链，而是每条数据，进行切词后的term直接打平写入，这个写入完全没有归并过程，因此可以基本保障写入速度。  
  
• base层则是永久存储了倒排拉链，里面的拉链长度可能比较长，长链会在几十万级别，因此合并拉链过程的开销并不小。  
  
• buffer层是为了降低base层的合并压力，定期会合并realtime层的数据，到达阈值和才与base层合并，降低base层的合并开销。
  

目前拉链采用了arrow格式：arrow.apache.org 。这个格式最大的特点是不需要解析，因此速度比protobuf更快，但是构造单行性能比pb差很多。因此我们realtime使用的是pb，buffer和base层使用的是arrow格式。 BaikalDB内置布尔引擎，基于like或match against语法，可以实现不同的算子组合归并，方便业务定制功能。
c. 基于google F1思想，实现高性能online schema change（索引变更）

Online Schema Change的核心思想是通过状态跳变，实现异步变更，整个过程无需锁表。整个状态分为NONE、DELETE_ONLY、WRITE_ONLY、WRITE_LOCAL、PULBIC这几个状态。

  

• 在状态到了WRITE_ONLY时，对于业务的实时写SQL，都会写入这个索引。  
  
• 在状态到了WRITE_LOCAL时，BaikalDB会把历史数据读出，然后回写到需要变更索引上，整个过程中通过锁主键保证历史数据不会覆盖掉新增数据，保证数据一致性。  
  
• 当所有数据全部回写成功后，把索引状态置位PUBLIC，后续读请求可以使用到该索引。  
  
• BaikalMeta会协调整个状态跳变过程，并且会控制并发，做到让业务无感知。
  

2.3 挑战二：稳定性和安全性是存储的基础，如何让业务安心使用
a. 存储的稳定性问题会严重损害业务
为了解决稳定性不足的问题，我们对线上影响稳定性的问题总了分类总结：

  

• 流量突增问题占比41%，包括业务慢SQL，索引操作出错，部分业务流量变高，压力过高等情况  
  
• 事务问题占比25%，包括死锁问题，事务延迟问题，两阶段过程中遇到的雪崩问题  
  
• 禁写问题占比17%，包括数据迁移太快，sata盘io性能差，rocksdb发生禁写  
  
• 其他问题，包括偶发core，网络超时等
  

这些影响稳定性的问题，会严重损害业务，造成业务pvlost，客户投诉、赔款等。因此我们根据问题发生的频率与严重程度，制定不同优先级逐步解决
b. 全量备份能力不足导致故障恢复慢
之前的备份系统直接基于SQL读写，性能很差，导入1亿行（147G）数据，需要耗费8小时以上。而BaikalDB本身是个分布式数据库，数据量很大，因此这种恢复速度显然不能满足业务需求。
c. 缺少实时输出能力，业务无法实时输出
实时输出能力的缺失，导致业务无法像使用mysql那样，把数据实时同步到各个系统（例如redis，udw，做备份表，etl后流给检索系统），无法满足业务多样化的需求。
为了能让业务更安心的使用，我们采用了下述方案来进行解决：
a. 物理、逻辑双隔离的多租户能力，解决突发流量带来的稳定性问题
物理隔离：即拆分集群，基于meta的调度与raft的addpeer能力，BaikalDB支持不同表直接一键拆分存储集群，整个过程中业务无感知。 但是物理隔离无法解决全部问题，集群拆分过多的话，资源消耗会增多，并且运维压力也会变大。况且单个表多个SQL相互影响这个也无法通过拆分集群解决。 因此我们增加了基于令牌桶流控实现的逻辑隔离。

令牌桶的分配也是通过SQL聚类进行，线上几千类，每类SQL都会统计最近1小时的qps，扫描量等信息，以此来分配令牌。除此之外为了突发流量，BaikalDB采取了单速双桶策略，在承诺令牌之外预留部分超额令牌，保障额外的突增流量可以获取到令牌。

b. 参考Percolator的事务方案，保证事务稳定性
BaikalDB选取了第一条DML指令的某一个region为primary region(sync point)，在执行COMMIT/ROLLBACK的时候首先向primary region发送请求，保证primary region执行成功，再向其他region发送COMMIT/ROLLBACK，让primary region来充当事务协调者的角色。 BaikalDB分布式事务采用两阶段提交，prepare后节点故障，节点恢复后反查Primary Region。 Store为了防止行锁卡raft状态机，采用Leader持锁成功后raft同步的方式进行单语句复制。

c. 基于RocksDB状态的迁移限速方案
rocksdb达到stall状态时，hold addpeer/index操作，达到根据rocksdb压力动态调控的目的。 对于大region，进行拆分写sst操作，做到每个sst大约是128M。 增加预估大小分裂机制，减少大region。 简单来说，就是根据rocksdb压力来动态调控：压力小，全速迁移，压力大，不迁移。
d. 基于SST的备份恢复，实现亿行数据分钟级恢复
BaikalDB直接操作sst数据，彻底解决计划开销的问题。并且恢复的时候直接ingest sst到rocksdb中，解决memtable写入开销问题，恢复速度提升百倍以上。 采用了COW机制，只有数据变更才更新备份，减少备份压力（一个百亿行的表，每天更新数据占比很小）。
e. 实现Binlog实时备份，业务可以实时输出数据去其他系统
类似MySQL，BaikalDB实现了Binlog来实时输出数据。这里面有几个设计点可供参考：

  

• binlog的存储使用raft保证多副本安全，binlog数据与主表一样安全  
  
• 采用分布式事务保证binlog与数据表强一致性  
  
• 由于binlog数据也是顺序追加的，因此binlog数据与raft log共享存储（都叫log），节约一倍存储，并且减少数据复制开销
  

2.4 挑战三：统一存储额外开销大，性能比不上专用存储，如何优化满足业务需求
a. 业务对存储系统有很高的KV性能
随着C端业务的不断增多，对系统的KV性能要求也越来越高
业务方    性能需求              基木鱼C端H5渲染页    几十万 qps 查询          百度统计url历史    几十万 qps写入（sata盘）          商阿C端物料查询    几十万 qps查询          搜索词PV仓库，关键词推荐    百万级 qps查询然后由于BaikalDB是一个通用存储，因此性能对比基于SSD的KV系统存在明显的差距。在相同资源下，对比了基于SSD的KV系统发现只有其1/4左右的性能，急需优化。
b. 业务OLAP查询性能差
商业这边有许多千万物料的大户，还有各种对客户画像，人群画像的分析系统，需要处理较多数据的查询。目前基于表格系统、ElasticSearch、Spark+HDFS等不同系统的查询无法满足业务需求，现状如下：
业务方    性能需求    性能现状              Optlog（表格存储）    毫秒级    若干秒          物料列表（ES）(大户千万物料)    十秒级查询    经常超时          星云业务(宽表500列)    一天数据秒级分析    新业务          观星盘人群画像离线（HDFS）    分钟级    小时级为解决以上问题，我们采取的方案是：
a. 基于查询计划cache的KV性能优化，性能媲美专用磁盘KV
我们从火焰图分析，结合KV场景取单行数据，显然查询计划在整个查询过程中消耗很高。 我们对于性能优化的核心点是抓大放小。 小：火焰图发现查询计划开销好高，开始优化查询计划，内存池，对象池等等 大：每天几十亿pv，可以聚合成几千条SQL；cache查询计划，几十亿次缩减成约几百万次(几千sql*实例线程数)

b. 业务合作的OLAP性能优化，满足多样化业务需求
BaikalDB设计特点：在满足OLTP的基础上尽可能支持OLAP。我们与业务方进行深度和做，尽量满足业务的查询需求。具体如下：

  

• 与观星盘合作支持HyperLogLog，BITMAP，Tdigest分位值类型，极大降低存储开销，从而减少大量扫描  
  
• 与报告合作提供内部分片逻辑，实现报告集群分布式并行查询BaikalDB集群多个分片  
  
• 基于rocksdb实现了简单列存，大幅提升了大宽表扫描性能
  

3. 经验和建议

  

• 基于优秀的开源组件和参考优秀系统的设计  
  
• 有效的方案：基准+增量  
  
• 分裂，DDL，meta更新，raft复制  
  
• 高效Profile：brpc支持的火焰图，DOT图  
  
• 性能优化分析：抓大放小
  

4. 总结
本文先简单介绍了商业系统的业务背景与存储需求。通过持续迭代BaikalDB过程中遇到的一些问题挑战进行分析与思考，并给出我们的一些解决方案。
主要包括针对索引方面的问题，我们开发了代价索引选择，开箱即用的检索功能，在线索引变更；针对稳定性与安全性方面，我们主要采用了物理+逻辑隔离的多租户方案，基于sst的全量备份恢复方案，以及binlog方案来保证；针对性能方面，分享了一些我们的性能优化的方案。
这些问题都是过去我们遇到的典型问题，希望对大家有所启发。随着系统的发展迭代，我们还在不断遇到新问题新思路，欢迎大家持续关注BaikalDB的开源项目github.com/baidu/BaikalDB 。