MySQL在大型網站的應用架構演變

作為最流行的開源資料庫，MySQL被廣泛應用在Web應用程式以及其它中小型專案上。 然而不可忽視的是，在許多大型IT公司中，MySQL在高度優化和定制化後，已逐漸偏離了原有的開源版本，更像是一種分支，比如Facebook前不久開源的WebScaleSQL。 近日，@大熊先生髮表了一篇博文，從大型網站架構發展的角度看MySQL應用所發生的改變，這裡為大家分享。

本文主要描述在網站的不同的併發訪問量級下，Mysql架構的演變。

可擴充性

架構的可擴充性往往和併發是息息相關，沒有併發的增長，也就沒有必要做高可擴充性的架構，這裡對可擴充性進行簡單介紹一下，常用的擴展手段有以下兩種：

Scale-up：縱向擴展，通過替換為更好的機器和資源來實現伸縮，提升服務能力

Scale-out：橫向擴展,  通過加節點（機器）來實現伸縮，提升服務能力

對於互聯網的高併發應用來說，無疑橫向擴展才是出路，同事通過縱向購買更高端的機器也一直是我們所避諱的問題，也不是長久之計。 那麼，在橫向擴展的理論下，可擴充性的理想狀態是什麼？

可擴充性的理想狀態

一個服務，當面臨更高的併發的時候，能夠通過簡單增加機器來提升服務支撐的併發度，且增加機器過程中對線上服務無影響（no down time），這就是可擴充性的理想狀態！

架構的演變

V1.0  簡單網站架構

一個簡單的小型網站或者應用背後的架構可以非常簡單，資料存儲只需要一個Mysql Instance就能滿足資料讀取和寫入需求（這裡忽略掉了資料備份的實例），處於這個時間段的網站，一般會把所有的資訊存到一個Database Instance裡面。

在這樣的架構下，我們來看看資料存儲的瓶頸是什麼？

資料量的總大小  一個機器放不下

資料的索引（B+ Tree）一個機器的記憶體放不下

訪問量（讀寫混合）一個實例不能承受

只有當以上3件事情任何一件或多件滿足時，我們才需要考慮往下一級演變。 從此我們可以看出，事實上對於很多小公司小應用，這種架構已經足夠滿足他們的需求了，初期資料量準確評估是杜絕過度設計很重要的一環，畢竟沒有人願意為不可能發生的事情而浪費自己的精力。

這裡簡單舉個我的例子，對於使用者資訊這類表 （3個索引），16G記憶體能放下，大概2000萬行資料的索引，簡單的讀和寫混合訪問量3000/s左右沒有問題，你的應用場景是否？

V2.0 垂直分割

一般當V1.0 遇到瓶頸時，首先最簡便的拆分方法就是垂直分割，何謂垂直？ 就是從業務角度來看，將關聯性不強的資料拆分到不同的Instance上，從而達到消除瓶頸的目標。 以圖中的為例，將使用者資訊資料，和業務資料拆分到不同的三個實例上。 對於重複讀類型比較多的場景，我們還可以加一層Cache，來減少對DB的壓力。

在這樣的架構下，我們來看看資料存儲的瓶頸是什麼？

單實例單業務依然存在V1.0所述瓶頸：遇到瓶頸時可以考慮往本文更高V版本升級，若是讀請求導致達到性能瓶頸可以考慮往V3.0升級， 其他瓶頸考慮往V4.0升級。

V3.0  主從架構

此類架構主要解決V2.0架構下的讀問題，通過給Instance掛資料即時備份的思路來遷移讀取的壓力，在MySQL的場景下就是通過主從結構，主庫抗寫壓力，通過從庫來分擔讀壓力，對於寫少讀多的應用，V3.0主從架構完全能夠勝任。

在這樣的架構下，我們來看看資料存儲的瓶頸是什麼？ 很明瞭，寫入量主庫不能承受。

V4.0  水平分割

對於V2.0、V3.0方案遇到瓶頸時，都可以通過水平分割來解決，水平分割和垂直分割有較大區別，垂直分割拆完的結果，在一個實例上是擁有全量資料的，而水平分割之後，任何實例都只有全量的1/n的資料， 以下圖UserInfo的拆分為例，將UserInfo拆分為3個Cluster，每個Cluster持有總量的1/3資料，3個Cluster資料的總和等於一份完整資料。

注：這裡不再叫單個實例 而是叫一個Cluster 代表包含主從的一個小MySQL集群。

那麼，這樣架構中的資料該如何路由？

1. Range拆分

sharding key按連續區間段路由，一般用在有嚴格自增ID需求的場景上，如UserId、UserId Range的小例子，以UserId 3000萬為Range進行拆分：1號Cluster的UserId是1-3000萬， 2號Cluster  UserId是 3001萬-6000萬。

2. List拆分

List拆分與Range拆分思路一樣，都是通過給不同的sharding key來路由到不同的Cluster，但是具體方法有些不同。 List主要用來做sharding key不是連續區間的序列落到一個Cluster的情況，如以下場景：

假定有20個音像店，分佈在4個有經銷權的地區，如下表所示：

地區

商店ID 號

北區

3, 5, 6, 9, 17

東區

1, 2, 10, 11, 19, 20

西區

4, 12, 13, 14, 18

中心區

7, 8, 15, 16

業務希望能夠把一個地區的所有資料組織到一起來搜索，這種場景List拆分可以輕鬆搞定

3. Hash拆分

通過對sharding key 進行雜湊的方式來進行拆分，常用的雜湊方法有除余，字串雜湊等等，除余如按UserId%n的值來決定資料讀寫哪個Cluster，其他雜湊類演算法這裡就不細展開講了。

4. 資料拆分後引入的問題

資料水平分割引入的問題主要是只能通過sharding key來讀寫操作，例如以UserId為sharding key的切分例子，讀UserId的詳細資訊時，一定需要先知道UserId， 這樣才能推算出在哪個Cluster進而進行查詢，假設我需要按UserName進行檢索使用者資訊，需要引入額外的反向索引機制（類似HBase二級索引），如在Redis上存儲username->userid的映射， 以UserName查詢的例子變成了先通過查詢username->userid，再通過userid查詢相應的資訊。

實際上這個做法很簡單，但是我們不要忽略了一個額外的隱患，那就是資料不一致的隱患。 存儲在Redis裡的username->userid和存儲在MySQL裡的userid->username必須需要是一致的，這個保證起來很多時候是一件比較困難的事情，舉個例子來說，對於修改使用者名這個場景， 你需要同時修改Redis和Mysql。 這兩個東西是很難做到事務保證的，如MySQL操作成功，但是Redis卻操作失敗了（分散式交易引入成本較高）。 對於互聯網應用來說，可用性是最重要的，一致性是其次，所以能夠容忍小量的不一致出現. 畢竟從占比來說，這類的不一致的比例可以微乎其微到忽略不計。 （一般寫更新也會採用mq來保證直到成功為止才停止重試操作）

在這樣的架構下，我們來看看資料存儲的瓶頸是什麼？

在這個拆分理念上搭建起來的架構，理論上不存在瓶頸（sharding key能確保各Cluster流量相對均衡的前提下)。 不過確有一件噁心的事情，那就是Cluster擴容的時候重做資料的成本，如我原來有3個Cluster，但是現在我的資料增長比較快，我需要6個Cluster，那麼我們需要將每個Cluster 一拆為二，一般的做法是：

摘下一個slave，停同步

對寫記錄增量log（實現上可以業務方對寫操作多一次寫持久化mq或者MySQL主創建trigger記錄寫等等方式）

開始對靜態slave做資料一拆為二

重播增量寫入，直到追上的所有增量，與原Cluster基本保持同步

寫入切換，由原3 Cluster 切換為6 Cluster

有沒有類似飛機空中加油的感覺，這是一個髒活，累活，容易出問題的活，為了避免這個，我們一般在最開始的時候，設計足夠多的sharding cluster來防止可能的Cluster擴容這件事情。

V5.0  雲計算 騰飛（雲資料庫）

雲計算現在是各大IT公司內部作為節約成本的一個突破口，對於資料存儲的MySQL來說，如何讓其成為一個SaaS是關鍵點。 在MS的官方文檔中，把構建一個足夠成熟的SaaS（MS簡單列出了SAAS應用的4級成熟度）所面臨的3個主要挑戰：可配置性，可擴充性，多使用者存儲結構設計稱為"three headed monster"。 可配置性和多使用者存儲結構設計在MySQL SaaS這個問題中並不是特別難辦的一件事情，所以這裡重點說一下可擴充性。

MySQL作為一個SaaS服務，在架構演變為V4.0之後，依賴良好的sharding key設計，已經不再存在擴充性問題，只是他在面對擴容縮容時，有一些髒活需要幹，而作為SaaS，並不能避免擴容縮容這個問題， 所以只要能把V4.0的髒活變成：第1，擴容縮容對前端APP透明（業務代碼不需要任何改動）；第2，擴容縮容全自動化且對線上服務無影響。 如果實現了這兩點，那麼他就拿到了作為SaaS的門票。

對於架構實現的關鍵點，需要滿足對業務透明，擴容縮容對業務不需要任何改動，那麼就必須eat our own dog food，在你MySQL SaaS內部解決這個問題，一般的做法是我們需要引入一個Proxy， Proxy來解析SQL協定，按sharding key來尋找Cluster，判斷是讀操作還是寫操作來請求Master或者Slave，這一切內部的細節都由Proxy來遮罩。

這裡借淘寶的圖來列舉一下Proxy需要幹哪些事情

對於架構實現的關鍵點，擴容縮容全自動化且對線上服務無影響； 擴容縮容對應到的資料操作即為數據拆分和資料合併，要做到完全自動化有非常多不同的實現方式， 總體思路和V4.0介紹的瓶頸部分有關，目前來看這個問題比較好的方案就是實現一個偽裝Slave的Sync Slave，解析MySQL同步協定，然後實現資料拆分邏輯，把全量資料進行拆分。 具體架構見下圖：

其中Sync Slave對於Original Master來說，和一個普通的Mysql Slave沒有任何區別，也不需要任何額外的區分對待。 需要擴容/縮容時，掛上一個Sync slave，開始全量同步+增量同步，等待一段時間追資料。 以擴容為例，若擴容後的服務和擴容前資料已經基本同步了，這時候如何做到切換對業務無影響？ 其實關鍵點還是在引入的Proxy，這個問題轉換為了如何讓Proxy做熱切換後端的問題。 這已經變成一個非常好處理的問題了。

另外值得關注的是：2014年5月28日——為了滿足當下對Web及雲應用需求，甲骨文宣佈推出MySQL Fabric，在對應的資料部分我也放了很多Fabric的資料，有興趣的可以看看， 說不定會是以後的一個解決雲資料庫擴容縮容的手段。

V more ?

等待革命......