阿里分布式数据库服务实践视频讲座

沈询: 阿里巴巴资深技术专家,08年加入阿里巴巴，一直从事阿里分布式数据层方面的研发工作，参与了公司大部分的去IOE工作，具备较多实操经验。目前主要负责淘宝分布式数据层(TDDL)，阿里分布式数据库服务(DRDS)，阿里分布式消息服务(Notify,MetaQ)的开发和架构设计工作。

经过近一年的运营，阿里巴巴的分布式数据库（DRDS）已经协助电商，电信，银行，政府等多种类型的系统进行过业务分布式改造，在系统实施的过程中，我们碰到和解决了哪些问题？ 他们是怎么解决的？背后的思考是什么？未来在何方？ 以下来分享下精彩内容。

DRDS简介

起源

DRDS 脱胎于 alibaba的cobra 分布式数据库引擎，06年上线使用，在alibaba有近百应用在使用，目前已经开源，DRDS的80%的代码出自cobra proxy（Sql解析器，执行流程，配置）。

DRDS吸收了taobao TDDL分布式数据库引擎的大量优秀经验和解决方案，08年上线使用，目前在使用的应用近千个，大量实际应用解决方案支持分布式join，支持分布式aggregation (group sum max min)，支持异步索引构建，支持Auto sharding ,自动扩容缩容。

从TDDL到DRDS，

DRDS专门针对外部用户进行了配置的重新设计：简化了配置操作规范与流程；尽可能使得应用像操作一个数据库一样的操作DRDS；用户的专业化指导。

场景广泛：互联网应用，企业内大数据应用，政务类应用，物联网应用。

应用场景

应用的业务需求单机已经无法满足，一个RDS数据库的最大实例也无法满足用户的需求，可能遇到容量瓶颈、事务数瓶颈、读取瓶颈，我们就可以考虑使用分布式数据库了。

Scale out（多机水平扩展），使用廉价数据库阵列来满足用户需求—DRDS。

优势：更轻量的使用数据库，未来更换的成本小；一次重构，以后基本再无需担心系统瓶颈。劣势：重构迁移需要付出成本；分布式环境下一些查询会被限制不允许执行；完成相同功能需要比单机扩展付出更多成本。

                                             图1

理想状态就是Scale out 与scale up结合。如图1所示，让系统架构具备scale out的能力，尽可能提升单机利用率，但不要过早过度设计。

                                        图2

何时应该选择Sharding方案？图2中的概要图给出了分析。

DRDS功能介绍

分布式MySQL执行引擎

具有非常高的兼容性，MySQL 5.5 的各类复杂查询都能做到，包括复杂的join,复杂的嵌套，复杂的函数。降低了迁移时候的成本。

智能下推的功能，减少网络传输，减少计算量，充分发挥下层存储的全部能力。

智能下推有两个典型的例子，图3为表A 分库分表3个的例子，图4为全表distinct groupby的执行计划的例子。

 

   图3

 图4

 

弹性扩展

  自动扩容、缩容是另外一个重要功能。如图5，DRDS可以做到原来一个库，下一步变成两个库，依然可以扩，对一些特殊需求也可以实现自动化后台迁移，自动扩容缩容。

小表异步广播

  如图6的跨机join的优势是一致性，空间比较节省。劣势是网络消耗和延迟增加。

图7小表广播join的优势是性能高，延迟低，网络消耗小，劣势是最终一致性，小表更新量不能太巨大。

DRDS实践

分布式查询优化

最终的目标是让所有请求可以水平扩展，要想达到这个目的，有两个基本的原则：1尽可能让所有查询发生在尽可能少的下层存储节点上，最好是只发生在一台上。将跨网络请求尽可能减少，减少并行查询时的机器消耗。2选择的shardingKey要能够让所有存储节点均衡的负载读写请求。系统可以简单加机器来扩展，没有系统瓶颈。案例1如图8所示是一个订单的场景，应该选择哪个列作为切分条件？按照买家ID的查询（买家查看自己买了哪些商品）。

案例2如图9所示的过程就是数据的切分，应该选择哪个列作为切分条件？按照买家ID的查询（买家查看自己买了哪些商品）；按照卖家ID的查询（卖家查看自己卖了哪些商品。

图10表达了异构复制，数据通过后台自动化逻辑复制过去，建立一个新的全表索引。

案例三如图11所示，在原来表里加了type，关联两个表，但这两个表不在一台机器上，遇到这种场景就需要如图12所示的小表异步广播。

事务的分布式优化

  事务的分布式优化的目标是完整的事务支持，既要支持ACID，又可按需无限拓展。然而这种模型是不可能实现的。

那么我们该怎么办呢？优化事务的最重要的手段就是从强一致到最终一致。把这种情况拟人化场景为：李雷家住长江头，梅梅家住长江尾，日日思君不见君，送只玫瑰表心意。李雷希望（ACID）：花别丢了，送不到给我退回来（原子性,A）；花能瞬时送到梅梅家（强一致性和强隔离性,C&I）；花别在路上坏了(D)。其中瞬时就是当李雷去检查的时候，要么花在李雷那，要么花在韩梅梅那。

实现方案一：李雷做火车到长江尾，亲手交给了梅梅。方案二：李雷将花交给邮递员，邮递员做飞机把花送给韩梅梅，李雷电话打了一天，韩梅梅都没接，邮递员把花交给韩梅梅，韩梅梅接起电话，告诉李雷收到花。方案二就是强一致，它的优势是编程模型简单，不用考虑邮递员运输中的各种并发问题。它的劣势是并发性能低，李雷一天都不用干活了。

真的遇到这种情况时，我们该采用最终一致进行优化，上述情景大体不变，更改为李雷打电话韩梅梅告诉他还没收到，李雷就去做了其他事情。最终一致的优势是无阻塞情况，并发性能好。劣势是复杂度略高，需要考虑玫瑰已经发出，但对方还没收到的情况应该如何处理。

图13展现了单机和分布式事务情况。所以我们建议结合最终一致和强一致，单机可以使用强一致，跨机建议使用最终一致。

 

从单机存储到DRDS迁移流程

迁移的目标是：保证业务线上正常运转；平滑过渡；减少运维。

迁移的步骤有三步：SETP1：读写在原来的单机数据库；数据通过“愚公数据迁移平台”写入云上DRDS。SETP2：验证云上数据是否正确；验证云上DRDS是否能够很好的应对读流量压力。SETP3：夜间，停写几分钟；读写切换到DRDS；数据通过“愚公数据迁移平台”写回到云下单机数据库。

PPT下载地址：http://vdisk.weibo.com/s/CW6y_n6-bJqB