高并發下的數據庫設計

數據庫學習：高并發數據庫設計

隨著樂視硬件搶購的不斷升級，樂視集團支付面臨的請求壓力百倍乃至千倍的暴增。作為商品購買的最后一環，保證用戶快速穩定的完成支付尤為重要。所以在15年11月，我們對整個支付系統進行了全面的架構升級，使之具備了每秒穩定處理10萬訂單的能力。為樂視生態各種形式的搶購秒殺活動提供了強有力的支撐。

一、庫分表

在Redis，memcached等緩存系統盛行的互聯網時代，構建一個支撐每秒十萬只讀的系統并不復雜，無非是通過一致性哈希擴展緩存節點，水平擴展web服務器等。支付系統要處理每秒十萬筆訂單，需要的是每秒數十萬的數據庫更新操作（insert加update），這在任何一個獨立數據庫上都是不可能完成的任務，所以我們首先要做的是對訂單表（簡稱order）進行分庫與分表。

在進行數據庫操作時，一般都會有用戶ID（簡稱uid）字段，所以我們選擇以uid進行分庫分表。

分庫策略我們選擇了“二叉樹分庫”，所謂“二叉樹分庫”指的是：我們在進行數據庫擴容時，都是以2的倍數進行擴容。比如：1臺擴容到2臺，2臺擴容到4臺，4臺擴容到8臺，以此類推。這種分庫方式的好處是，我們在進行擴容時，只需DBA進行表級的數據同步，而不需要自己寫腳本進行行級數據同步。

光是有分庫是不夠的，經過持續壓力測試我們發現，在同一數據庫中，對多個表進行并發更新的效率要遠遠大于對一個表進行并發更新，所以我們在每個分庫中都將order表拆分成10份：order_0，order_1，….，order_9。

最后我們把order表放在了8個分庫中（編號1到8，分別對應DB1到DB8），每個分庫中10個分表（編號0到9，分別對應order_0到order_9），部署結構如下圖所示：

根據uid計算數據庫編號：

數據庫編號 = (uid / 10) % 8 + 1

根據uid計算表編號：

表編號 = uid % 10

當uid=9527時，根據上面的算法，其實是把uid分成了兩部分952和7，其中952模8加1等于1為數據庫編號，而7則為表編號。所以uid=9527的訂單信息需要去DB1庫中的order_7表查找。具體算法流程也可參見下圖：

有了分庫分表的結構與算法最后就是尋找分庫分表的實現工具，目前市面上約有兩種類型的分庫分表工具：

1. 客戶端分庫分表，在客戶端完成分庫分表操作，直連數據庫

2. 使用分庫分表中間件，客戶端連分庫分表中間件，由中間件完成分庫分表操作

這兩種類型的工具市面上都有，這里不一一列舉，總的來看這兩類工具各有利弊。客戶端分庫分表由于直連數據庫，所以性能比使用分庫分表中間件高15%到20%。而使用分庫分表中間件由于進行了統一的中間件管理，將分庫分表操作和客戶端隔離，模塊劃分更加清晰，便于DBA進行統一管理。

我們選擇的是在客戶端分庫分表，因為我們自己開發并開源了一套數據層訪問框架，它的代號叫“芒果”，芒果框架原生支持分庫分表功能，并且配置起來非常簡單。

• 芒果主頁：mango.jfaster.org

• 芒果源碼：github.com/jfaster/mango

二、訂單ID（uid維度）

訂單系統的ID必須具有全局唯一的特征，最簡單的方式是利用數據庫的序列，每操作一次就能獲得一個全局唯一的自增ID，如果要支持每秒處理10萬訂單，那每秒將至少需要生成10萬個訂單ID，通過數據庫生成自增ID顯然無法完成上述要求。所以我們只能通過內存計算獲得全局唯一的訂單ID。

Java領域最著名的唯一ID應該算是UUID了，不過UUID太長而且包含字母，不適合作為訂單ID。通過反復比較與篩選，我們借鑒了Twitter的Snowflake算法，實現了全局唯一ID。下面是訂單ID的簡化結構圖：

上圖分為3個部分：

1. 時間戳

這里時間戳的粒度是毫秒級，生成訂單ID時，使用System.currentTimeMillis()作為時間戳。

1. 機器號

每個訂單服務器都將被分配一個唯一的編號，生成訂單ID時，直接使用該唯一編號作為機器號即可。

1. 自增序號

當在同一服務器的同一毫秒中有多個生成訂單ID的請求時，會在當前毫秒下自增此序號，下一個毫秒此序號繼續從0開始。比如在同一服務器同一毫秒有3個生成訂單ID的請求，這3個訂單ID的自增序號部分將分別是0，1，2。

上面3個部分組合，我們就能快速生成全局唯一的訂單ID。不過光全局唯一還不夠，很多時候我們會只根據訂單ID直接查詢訂單信息，這時由于沒有uid，我們不知道去哪個分庫的分表中查詢，遍歷所有的庫的所有表？這顯然不行。所以我們需要將分庫分表的信息添加到訂單ID上，下面是帶分庫分表信息的訂單ID簡化結構圖：

我們在生成的全局訂單ID頭部添加了分庫與分表的信息，這樣只根據訂單ID，我們也能快速的查詢到對應的訂單信息。

分庫分表信息具體包含哪些內容？第一部分有討論到，我們將訂單表按uid維度拆分成了8個數據庫，每個數據庫10張表，最簡單的分庫分表信息只需一個長度為2的字符串即可存儲，第1位存數據庫編號，取值范圍1到8，第2位存表編號，取值范圍0到9。

還是按照第一部分根據uid計算數據庫編號和表編號的算法，當uid＝9527時，分庫信息＝1，分表信息＝7，將他們進行組合，兩位的分庫分表信息即為”17”。具體算法流程參見下圖：

上述使用表編號作為分表信息沒有任何問題，但使用數據庫編號作為分庫信息卻存在隱患，考慮未來的擴容需求，我們需要將8庫擴容到16庫，這時取值范圍1到8的分庫信息將無法支撐1到16的分庫場景，分庫路由將無法正確完成，我們將上訴問題簡稱為分庫信息精度丟失。

為解決分庫信息精度丟失問題，我們需要對分庫信息精度進行冗余，即我們現在保存的分庫信息要支持以后的擴容。這里我們假設最終我們會擴容到64臺數據庫，所以新的分庫信息算法為：

分庫信息 = (uid / 10) % 64 + 1

當uid＝9527時，根據新的算法，分庫信息=57，這里的57并不是真正數據庫的編號，它冗余了最后擴展到64臺數據庫的分庫信息精度。我們當前只有8臺數據庫，實際數據庫編號還需根據下面的公式進行計算：

實際數據庫編號 = (分庫信息 - 1) % 8 + 1

當uid＝9527時，分庫信息＝57，實際數據庫編號＝1，分庫分表信息=”577”。

由于我們選擇模64來保存精度冗余后的分庫信息，保存分庫信息的長度由1變為了2，最后的分庫分表信息的長度為3。具體算法流程也可參見下圖：

如上圖所示，在計算分庫信息的時候采用了模64的方式冗余了分庫信息精度，這樣當我們的系統以后需要擴容到16庫，32庫，64庫都不會再有問題。

當577找不到訂單時，采用(分庫信息57 - 1) % 8 + 1，就能找到實際數據庫編號。

可以這么理解：

1、擴容后的分庫分表信息，可以兼容擴容之前的分庫分表信息，也就是說：9527這個uid本來按照64庫設計是在57庫1表中，由于目前最多只有8庫，所有只能讓它分配在8庫中，經換算是在7庫1表中。

9527按照8庫設計也是在7庫1表中。這種算法在某中程度上換算結果是一致的。

2、擴容后的分庫分表，后續的用戶會均勻分布在擴容的庫和表中；之前的庫表信息存在就存在了，所以說擴容前的已存在的庫表中存的訂單信息（如8庫9表）要比后面擴容后（如64庫9表）存在的訂單信息（9-64庫9表） 要多。也就是說擴容前的庫表信息冗余了。

上面的訂單ID結構已經能很好的滿足我們當前與之后的擴容需求，但考慮到業務的不確定性，我們在訂單ID的最前方加了1位用于標識訂單ID的版本，這個版本號屬于冗余數據，目前并沒有用到。下面是最終訂單ID簡化結構圖：

Snowflake算法：github.com/twitter/snowflake

三、最終一致性（bid維度）

到目前為止，我們通過對order表uid維度的分庫分表，實現了order表的超高并發寫入與更新，并能通過uid和訂單ID查詢訂單信息。但作為一個開放的集團支付系統，我們還需要通過業務線ID（又稱商戶ID，簡稱bid）來查詢訂單信息，所以我們引入了bid維度的order表集群，將uid維度的order表集群冗余一份到bid維度的order表集群中，要根據bid查詢訂單信息時，只需查bid維度的order表集群即可。

上面的方案雖然簡單，但保持兩個order表集群的數據一致性是一件很麻煩的事情。兩個表集群顯然是在不同的數據庫集群中，如果在寫入與更新中引入強一致性的分布式事務，這無疑會大大降低系統效率，增長服務響應時間，這是我們所不能接受的，所以我們引入了消息隊列進行異步數據同步，來實現數據的最終一致性。當然消息隊列的各種異常也會造成數據不一致，所以我們又引入了實時監控服務，實時計算兩個集群的數據差異，并進行一致性同步。

下面是簡化的一致性同步圖：

四、數據庫高可用

沒有任何機器或服務能保證在線上穩定運行不出故障。比如某一時間，某一數據庫主庫宕機，這時我們將不能對該庫進行讀寫操作，線上服務將受到影響。

所謂數據庫高可用指的是：當數據庫由于各種原因出現問題時，能實時或快速的恢復數據庫服務并修補數據，從整個集群的角度看，就像沒有出任何問題一樣。需要注意的是，這里的恢復數據庫服務并不一定是指修復原有數據庫，也包括將服務切換到另外備用的數據庫。

數據庫高可用的主要工作是數據庫恢復與數據修補，一般我們以完成這兩項工作的時間長短，作為衡量高可用好壞的標準。這里有一個惡性循環的問題，數據庫恢復的時間越長，不一致數據越多，數據修補的時間就會越長，整體修復的時間就會變得更長。所以數據庫的快速恢復成了數據庫高可用的重中之重，試想一下如果我們能在數據庫出故障的1秒之內完成數據庫恢復，修復不一致的數據和成本也會大大降低。

下圖是一個最經典的主從結構：

上圖中有1臺web服務器和3臺數據庫，其中DB1是主庫，DB2和DB3是從庫。我們在這里假設web服務器由項目組維護，而數據庫服務器由DBA維護。

當從庫DB2出現問題時，DBA會通知項目組，項目組將DB2從web服務的配置列表中刪除，重啟web服務器，這樣出錯的節點DB2將不再被訪問，整個數據庫服務得到恢復，等DBA修復DB2時，再由項目組將DB2添加到web服務。

當主庫DB1出現問題時，DBA會將DB2切換為主庫，并通知項目組，項目組使用DB2替換原有的主庫DB1，重啟web服務器，這樣web服務將使用新的主庫DB2，而DB1將不再被訪問，整個數據庫服務得到恢復，等DBA修復DB1時，再將DB1作為DB2的從庫即可。

上面的經典結構有很大的弊病：不管主庫或從庫出現問題，都需要DBA和項目組協同完成數據庫服務恢復，這很難做到自動化，而且恢復工程也過于緩慢。

我們認為，數據庫運維應該和項目組分開，當數據庫出現問題時，應由DBA實現統一恢復，不需要項目組操作服務，這樣便于做到自動化，縮短服務恢復時間。

先來看從庫高可用結構圖：

如上圖所示，web服務器將不再直接連接從庫DB2和DB3，而是連接LVS負載均衡，由LVS連接從庫。這樣做的好處是LVS能自動感知從庫是否可用，從庫DB2宕機后，LVS將不會把讀數據請求再發向DB2。同時DBA需要增減從庫節點時，只需獨立操作LVS即可，不再需要項目組更新配置文件，重啟服務器來配合。

再來看主庫高可用結構圖：

如上圖所示，web服務器將不再直接連接主庫DB1，而是連接KeepAlive虛擬出的一個虛擬ip，再將此虛擬ip映射到主庫DB1上，同時添加DB_bak從庫，實時同步DB1中的數據。正常情況下web還是在DB1中讀寫數據，當DB1宕機后，腳本會自動將DB_bak設置成主庫，并將虛擬ip映射到DB_bak上，web服務將使用健康的DB_bak作為主庫進行讀寫訪問。這樣只需幾秒的時間，就能完成主數據庫服務恢復。

組合上面的結構，得到主從高可用結構圖：

數據庫高可用還包含數據修補，由于我們在操作核心數據時，都是先記錄日志再執行更新，加上實現了近乎實時的快速恢復數據庫服務，所以修補的數據量都不大，一個簡單的恢復腳本就能快速完成數據修復。

五、數據分級

支付系統除了最核心的支付訂單表與支付流水表外，還有一些配置信息表和一些用戶相關信息表。如果所有的讀操作都在數據庫上完成，系統性能將大打折扣，所以我們引入了數據分級機制。

我們簡單的將支付系統的數據劃分成了3級：

第1級：訂單數據和支付流水數據；這兩塊數據對實時性和精確性要求很高，所以不添加任何緩存，讀寫操作將直接操作數據庫。

第2級：用戶相關數據；這些數據和用戶相關，具有讀多寫少的特征，所以我們使用redis進行緩存。

第3級：支付配置信息；這些數據和用戶無關，具有數據量小，頻繁讀，幾乎不修改的特征，所以我們使用本地內存進行緩存。

使用本地內存緩存有一個數據同步問題，因為配置信息緩存在內存中，而本地內存無法感知到配置信息在數據庫的修改，這樣會造成數據庫中數據和本地內存中數據不一致的問題。

為了解決此問題，我們開發了一個高可用的消息推送平臺，當配置信息被修改時，我們可以使用推送平臺，給支付系統所有的服務器推送配置文件更新消息，服務器收到消息會自動更新配置信息，并給出成功反饋。

六、粗細管道

***，前端重試等一些原因會造成請求量的暴漲，如果我們的服務被激增的請求給一波打死，想要重新恢復，就是一件非常痛苦和繁瑣的過程。

舉個簡單的例子，我們目前訂單的處理能力是平均10萬下單每秒，峰值14萬下單每秒，如果同一秒鐘有100萬個下單請求進入支付系統，毫無疑問我們的整個支付系統就會崩潰，后續源源不斷的請求會讓我們的服務集群根本啟動不起來，唯一的辦法只能是切斷所有流量，重啟整個集群，再慢慢導入流量。

我們在對外的web服務器上加一層“粗細管道”，就能很好的解決上面的問題。高并發下的數據庫設計高并發下的數據庫設計高并發下的數據庫設計高并發下的數據庫設計高并發下的數據庫設計高并發下的數據庫設計高并發下的數據庫設計高并發下的數據庫設計