本文将以“用户中心”为例,介绍“单KEY”类业务,随着数据量的逐步增大,数据库性能显著降低,数据库水平切分相关的架构实践:
-
如何来实施水平切分。
-
水平切分后常见的问题 。
-
典型问题的优化思路及实践。
一、用户中心
用户中心是一个非常常见的业务,主要提供用户注册、登录、信息查询与修改的服务,其核心元数据为:
User(uid, login_name, passwd, sex, age, nickname, …)
其中:
-
uid为用户ID,主键。
-
login_name, passwd, sex, age, nickname, …等用户属性。
数据库设计上,一般来说在业务初期,单库单表就能够搞定这个需求,典型的架构设计为:
-
user-center:用户中心服务,对调用者提供友好的RPC接口。
-
user-db:对用户进行数据存储。
二、用户中心水平切分方法
当数据量越来越大时,需要多用户中心进行水平切分,常见的水平切分算法有“范围法”和“哈希法”。
范围法
范围法:以用户中心的业务主键uid为划分依据,将数据水平切分到两个数据库实例上去:
-
user-db1:存储0到1千万的uid数据。
-
user-db2:存储0到2千万的uid数据。
范围法的优点是:
-
切分策略简单,根据uid,按照范围,user- center很快能够定位到数据在哪个库上。
-
扩容简单,如果容量不够,只要增加user-db3即可。
范围法的不足是:
-
uid必须要满足递增的特性。
-
数据量不均,新增的user-db3,在初期的数据会比较少。
-
请求量不均,一般来说,新注册的用户活跃度会比较高,故user-db2往往会比user-db1负载要高,导致服务器利用率不平衡。
哈希法
哈希法:也是以用户中心的业务主键uid为划分依据,将数据水平切分到两个数据库实例上去:
-
user-db1:存储uid取模得1的uid数据。
-
user-db2:存储uid取模得0的uid数据。
哈希法的优点是:
-
切分策略简单,根据uid,按照hash,user-center很快能够定位到数据在哪个库上。
-
数据量均衡,只要uid是均匀的,数据在各个库上的分布一定是均衡的。
-
请求量均衡,只要uid是均匀的,负载在各个库上的分布一定是均衡的。
哈希法的不足是:
- 扩容麻烦,如果容量不够,要增加一个库,重新hash可能会导致数据迁移,如何平滑的进行数据迁移,是一个需要解决的问题
三、用户中心水平切分后带来的问题
使用uid来进行水平切分之后,整个用户中心的业务访问会遇到什么问题呢?
对于uid属性上的查询可以直接路由到库,假设访问uid=124的数据,取模后能够直接定位db-user1:
对于非uid属性上的查询,例如login_name属性上的查询,就悲剧了:
假设访问login_name=shenjian的数据,由于不知道数据落在哪个库上,往往需要遍历所有库,当分库数量很多时,性能会显著降低。
如何解决分库后,非uid属性上得查询问题,是后文要重点讨论的内容。
四、用户中心非uid属性查询需求分析
任何脱离业务的架构设计都是耍流氓,在进行架构讨论之前,先来对业务进行简要分析,看非uid属性上有哪些查询需求。
根据楼主这些年的架构经验,用户中心非uid属性上经常有两类业务需求:
-
用户侧,前台访问,最典型的有两类需求。
-
用户登录:通过login_name/phone/email查询用户的实体,1%请求属于这种类型
-
用户信息查询:登录之后,通过uid来查询用户的实例,99%请求属这种类型
用户侧的查询基本上是单条记录的查询,访问量较大,服务需要高可用,并且对一致性的要求较高。
-
运营侧,后台访问,根据产品、运营需求,访问模式各异。
按照年龄、性别、头像、登陆时间、注册时间来进行查询。
运营侧的查询基本上是批量分页的查询,由于是内部系统,访问量很低,对可用性的要求不高,对一致性的要求也没这么严格。
这两类不同的业务需求,应该使用什么样的架构方案来解决呢?
五、用户中心水平切分架构思路
用户中心在数据量较大的情况下,使用uid进行水平切分,对于非uid属性上的查询需求,架构设计的核心思路为:
-
针对用户侧,应该采用“建立非uid属性到uid的映射关系”的架构方案。
-
针对运营侧,应该采用“前台与后台分离”的架构方案。
六、用户中心-用户侧最佳实践
索引表法
思路:uid能直接定位到库,loginname不能直接定位到库,如果通过loginname能查询到uid,问题解决。
解决方案:
-
建立一个索引表记录login_name->uid的映射关系。
-
用login_name来访问时,先通过索引表查询到uid,再定位相应的库。
-
索引表属性较少,可以容纳非常多数据,一般不需要分库。
-
如果数据量过大,可以通过login_name来分库。
潜在不足:多一次数据库查询,性能下降一倍。
缓存映射法
思路:访问索引表性能较低,把映射关系放在缓存里性能更佳。
解决方案:
-
login_name查询先到cache中查询uid,再根据uid定位数据库。
-
假设cache miss,扫描全库获取login_name对应的uid,放入cache.
-
login_name到uid的映射关系不会变化,映射关系一旦放入缓存,不会更改,无需淘汰,缓存命中率超高。
-
如果数据量过大,可以通过login_name进行cache水平切分。
潜在不足:多一次cache查询。
login_name生成uid
思路:不进行远程查询,由login_name直接得到uid.
解决方案:
-
在用户注册时,设计函数loginname生成uid,uid=f(loginname),按uid分库插入数据。
-
用loginname来访问时,先通过函数计算出uid,即uid=f(loginname)再来一遍,由uid路由到对应库。
潜在不足:该函数设计需要非常讲究技巧,有uid生成冲突风险。
login_name基因融入uid
思路:不能用loginname生成uid,可以从loginname抽取“基因”,融入uid中:
假设分8库,采用uid%8路由,潜台词是,uid的最后3个bit决定这条数据落在哪个库上,这3个bit就是所谓的“基因”。
解决方案:
-
在用户注册时,设计函数loginname生成3bit基因,loginnamegene=f(loginname),如上图粉色部分。
-
同时,生成61bit的全局唯一id,作为用户的标识,如上图绿色部分。
-
接着把3bit的loginnamegene也作为uid的一部分,如上图屎黄色部分。
-
生成64bit的uid,由id和loginnamegene拼装而成,并按照uid分库插入数据。
-
用loginname来访问时,先通过函数由loginname再次复原3bit基因。
-
loginnamegene=f(loginname),通过loginname_gene%8直接定位到库。
七、用户中心-运营侧最佳实践
前台用户侧,业务需求基本都是单行记录的访问,只要建立非uid属性login_name/phone/email到uid的映射关系,就能解决问题。
后台运营侧,业务需求各异,基本是批量分页的访问,这类访问计算量较大,返回数据量较大,比较消耗数据库性能。
如果此时前台业务和后台业务公用一批服务和一个数据库,有可能导致,由于后台的“少数几个请求”的“批量查询”的“低效”访问,导致数据库的cpu偶尔瞬时100%,影响前台正常用户的访问(例如,登录超时)。
而且,为了满足后台业务各类“奇形怪状”的需求,往往会在数据库上建立各种索引,这些索引占用大量内存,会使得用户侧前台业务uid/login_name上的查询性能与写入性能大幅度降低,处理时间增长。
对于这一类业务,应该采用“前台与后台分离”的架构方案:
用户侧前台业务需求架构依然不变,产品运营侧后台业务需求则抽取独立的web/service/db来支持,解除系统之间的耦合,对于“业务复杂”“并发量低”“无需高可用”“能接受一定延时”的后台业务:
-
可以去掉service层,在运营后台web层通过dao直接访问db.
-
不需要反向代理,不需要集群冗余。
-
不需要访问实时库,可以通过MQ或者线下异步同步数据。
-
在数据库非常大的情况下,可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案。
八、总结
本文以“用户中心”为典型的 “单KEY”类业务,水平切分的架构点,做了这样一些介绍。
水平切分方式:
-
范围法
-
哈希法
水平切分后碰到的问题:
- 通过uid属性查询能直接定位到库,通过非uid属性查询不能定位到库。
非uid属性查询的典型业务:
-
用户侧,前台访问,单条记录的查询,访问量较大,服务需要高可用,并且对一致性的要求较高。
-
运营侧,后台访问,根据产品、运营需求,访问模式各异,基本上是批量分页的查询,由于是内部系统,访问量很低,对可用性的要求不高,对一致性的要求也没这么严格。
这两类业务的架构设计思路:
-
针对用户侧,应该采用“建立非uid属性到uid的映射关系”的架构方案。
-
针对运营侧,应该采用“前台与后台分离”的架构方案。
用户前台侧,“建立非uid属性到uid的映射关系”最佳实践:
-
索引表法:数据库中记录login_name->uid的映射关系。
-
缓存映射法:缓存中记录login_name->uid的映射关系。
-
login_name生成uid.
-
login_name基因融入uid.
运营后台侧,“前台与后台分离”最佳实践:
-
前台、后台系统web/service/db分离解耦,避免后台低效查询引发前台查询抖动。
-
可以采用数据冗余的设计方式。
-
可以采用“外置索引”(例如ES搜索系统)或者“大数据处理”(例如HIVE)来满足后台变态的查询需求。
九、还有哪些未尽事宜
-
以帖子中心为典型的 “1对多”类业务。
-
以好友关系为典型的“多对多”类业务。
-
以订单中心为典型的“多KEY”类业务。
他们的水平拆分架构又应该怎么处理,敬请期待下期。
希望大家有收获。
https://gitbook.cn/books/592ab47e72cd3248715a02af/index.html