写在最前:本文主要描述在网站的不同的并发访问量级下Mysql架构的演变可扩展性架构的可扩展性往往和并发是息息相关没有并发的增长也就没有必要做高可扩展性的架构这里对可扩展性进行简单介绍一下常用的扩展手段有以下两种Scale-up : 纵向扩展通过替换为更好的机器和资源来实现伸缩提升服务能力Scale-out : 横向扩展, 通过加节点机器来实现伸缩提升服务能力对于互联网的高并发应用来说无疑Scale out才是出路通过纵向的买更高端的机器一直是我们所避讳的问题也不是长久之计在scale out的理论下可扩展性的理想状态是什么可扩展性的理想状态一个服务当面临更高的并发的时候能够通过简单增加机器来提升服务支撑的并发度且增加机器过程中对线上服务无影响(no down time)这就是可扩展性的理想状态架构的演变V1.0 简单网站架构一个简单的小型网站或者应用背后的架构可以非常简单, 数据存储只需要一个mysql instance就能满足数据读取和写入需求这里忽略掉了数据备份的实例处于这个时间段的网站一般会把所有的信息存到一个database instance里面。在这样的架构下我们来看看数据存储的瓶颈是什么1.数据量的总大小 一个机器放不下时2.数据的索引B+ Tree一个机器的内存放不下时3.访问量(读写混合)一个实例不能承受只有当以上3件事情任何一件或多件满足时我们才需要考虑往下一级演变。 从此我们可以看出事实上对于很多小公司小应用这种架构已经足够满足他们的需求了初期数据量的准确评估是杜绝过度设计很重要的一环毕竟没有人愿意为不可能发生的事情而浪费自己的经历。这里简单举个我的例子对于用户信息这类表 3个索引16G内存能放下大概2000W行数据的索引简单的读和写混合访问量3000/s左右没有问题你的应用场景是否V2.0 垂直拆分一般当V1.0 遇到瓶颈时首先最简便的拆分方法就是垂直拆分何谓垂直就是从业务角度来看将关联性不强的数据拆分到不同的instance上从而达到消除瓶颈的 目标。以图中的为例将用户信息数据和业务数据拆分到不同的三个实例上。对于重复读类型比较多的场景我们还可以加一层cache来减少对DB的压 力。在这样的架构下我们来看看数据存储的瓶颈是什么1.单实例单业务 依然存在V1.0所述瓶颈遇到瓶颈时可以考虑往本文更高V版本升级, 若是读请求导致达到性能瓶颈可以考虑往V3.0升级 其他瓶颈考虑往V4.0升级V3.0 主从架构此类架构主要解决V2.0架构下的读问题通过给Instance挂数据实时备份的思路来迁移读取的压力在Mysql的场景下就是通过主从结构主库抗写压力通过从库来分担读压力对于写少读多的应用V3.0主从架构完全能够胜任在这样的架构下我们来看看数据存储的瓶颈是什么1.写入量主库不能承受V4.0 水平拆分对于V2.0 V3.0方案遇到瓶颈时都可以通过水平拆分来解决水平拆分和垂直拆分有较大区别垂直拆分拆完的结果在一个实例上是拥有全量数据的而水平拆分之 后任何实例都只有全量的1/n的数据以下图Userinfo的拆分为例将userinfo拆分为3个cluster每个cluster持有总量的 1/3数据3个cluster数据的总和等于一份完整数据注这里不再叫单个实例 而是叫一个cluster 代表包含主从的一个小mysql集群数据如何路由1.Range拆分sharding key按连续区间段路由一般用在有严格自增ID需求的场景上如Userid, Userid Range的小例子以userid 3000W 为Range进行拆分 1号cluster userid 1-3000W 2号cluster userid 3001W-6000W2.List拆分List拆分与Range拆分思路一样都是通过给不同的sharding key来路由到不同的cluster,但是具体方法有些不同,List主要用来做sharding key不是连续区间的序列落到一个cluster的情况如以下场景假定有20个音像店分布在4个有经销权的地区如下表所示地区商店ID 号北区3, 5, 6, 9, 17东区1, 2, 10, 11, 19, 20西区4, 12, 13, 14, 18中心区7, 8, 15, 16业务希望能够把一个地区的所有数据组织到一起来搜索这种场景List拆分可以轻松搞定3.Hash拆分通过对sharding key 进行哈希的方式来进行拆分常用的哈希方法有除余,字符串哈希等等除余如按userid%n 的值来决定数据读写哪个cluster其他哈希类算法这里就不细展开讲了。数据拆分后引入的问题数据水平拆分引入的问题主要是只能通过sharding key来读写操作例如以userid为sharding key的切分例子读userid的详细信息时一定需要先知道userid,这样才能推算出再哪个cluster进而进行查询假设我需要按 username进行检索用户信息需要引入额外的反向索引机制类似Hbase二级索引如在redis上存储 username->userid的映射以username查询的例子变成了先通过查询username->userid再通过 userid查询相应的信息。实际上这个做法很简单但是我们不 要忽略了一个额外的隐患那就是数据不一致的隐患。存储在redis里的username->userid和存储在mysql里的 userid->username必须需要是一致的这个保证起来很多时候是一件比较困难的事情举个例子来说对于修改用户名这个场景你需要同 时修改redis和mysql,这两个东西是很难做到事务保证的,如mysql操作成功 但是redis却操作失败了分布式事务引入成本较高,对于互联网应用来说可用性是最重要的一致性是其次所以能够容忍小量的不一致出现. 毕竟从占比来说这类的不一致的比例可以微乎其微到忽略不计一般写更新也会采用mq来保证直到成功为止才停止重试操作在这样的架构下我们来看看数据存储的瓶颈是什么在 这个拆分理念上搭建起来的架构理论上不存在瓶颈sharding key能确保各cluster流量相对均衡的前提下),不过确有一件恶心的事情那就是cluster扩容的时候重做数据的成本如我原来有3个 cluster但是现在我的数据增长比较快我需要6个cluster那么我们需要将每个cluster 一拆为二一般的做法是1.摘下一个slave,停同步,2.对写记录增量log实现上可以业务方对写操作 多一次写持久化mq 或者mysql主创建trigger记录写 等等方式3.开始对静态slave做数据, 一拆为二4.回放增量写入,直到追上的所有增量,与原cluster基本保持同步5.写入切换由原3 cluster 切换为6cluster有没有类似飞机空中加油的感觉这是一个脏活累活容易出问题的活为了避免这个我们一般在最开始的时候设计足够多的sharding cluster来防止可能的cluster扩容这件事情V5.0 云计算 腾飞云数据库 云计算现在是各大IT公司内部作为节约成本的一个突破口对于数据存储的 mysql来说如何让其成为一个saasSoftware as a Service是关键点。在MS的官方文档中把构建一个足够成熟的SAAS(MS简单列出了SAAS应用的4级成熟度)所面临的3个主要挑战可配置性可扩展性多用户存储结构设计称为"three headed monster". 可配置性和多用户存储结构设计在Mysql saas这个问题中并不是特别难办的一件事情所以这里重点说一下可扩展性。Mysql作为一个saas服务在架构演变为V4.0之后依赖良好的sharding key设计, 已经不再存在扩展性问题只是他在面对扩容缩容时有一些脏活需要干而作为saas,并不能避免扩容缩容这个问题所以只要能把V4.0的脏活变成 1. 扩容缩容对前端APP透明(业务代码不需要任何改动) 2.扩容缩容全自动化且对在线服务无影响 那么他就拿到了作为Saas的门票.对于架构实现的关键点需要满足对业务透明扩容缩容对业务不需要任何改动 那么就必须eat our own dog food在你mysql saas内部解决这个问题一般的做法是我们需要引入一个Proxy,Proxy来解析sql协议按sharding key 来寻找cluster, 判断是读操作还是写操作来请求主 或者 从这一切内部的细节都由proxy来屏蔽。这里借淘宝的图来列举一下proxy需要干哪些事情百度公开的技术方案中也有类似的解决方案见文章最后资料部分链接对于架构实现的关键点扩容缩容全自动化且对在线服务无影响 扩容缩容对应到的数据操作即为数据拆分和数据合并要做到完全自动化有非常多不同的实现方式总体思路和V4.0介绍的瓶颈部分有关目前来看这个问题比 较好的方案就是实现一个伪装slave的sync slave, 解析mysql同步协议然后实现数据拆分逻辑把全量数据进行拆分。具体架构见下图其中Sync slave对于Original Master来说和一个普通的Mysql Slave没有任何区别也不需要任何额外的区分对待。需要扩容/缩容时挂上一个Sync slave,开始全量同步+增量同步等待一段时间追数据。以扩容为例若扩容后的服务和扩容前数据已经基本同步了这时候如何做到切换对业务无影响 其实关键点还是在引入的proxy,这个问题转换为了如何让proxy做热切换后端的问题。这已经变成一个非常好处理的问题了.另外值得关注的是2014年5月28日——为了满足当下对Web及云应用需求甲骨文宣布推出MySQL Fabric在对应的资料部分我也放了很多Fabric的资料有兴趣的可以看看说不定会是以后的一个解决云数据库扩容缩容的手段