DDIA笔记—第六章 数据分区

第六章 数据分区

数据分区与数据复制

分区通常与复制结合使用，即每个分区在多个节点都存在副本，这就意味着某条记录属于特定的分区，而同样的内容会保存在不同的节点上以提高系统的容错性。

每个节点同时充当某些分区的主副本和其他分区的从副本：

如何进行分区？

如何决定哪些记录放在哪些节点上？分区的主要目的是将数据和查询负载均匀的分布在所有节点上。如果分区不均匀，则会出现某些分区节点比其他分区承担更多的数据量和查询负载，称之为倾斜。更为严重的情况是，所有的负载都集中在一个分区节点上，这种负载严重不成比例的分区称为系统热点。避免系统热点最简单的方式就是将记录随机分配给所有节点，但这有带来了另一个问题：如何读取数据？（简单的键-值数据模型，可以通过关键字来访问记录）

键-值数据的分区

基于关键字区间分区

为每个分区分配一段连续的关键字或者关键值区间范围。为了更均匀的分布数据，分区边界理应适配数据本身的分布特征。

但是基于关键字的区间分区的缺点是某些访问模式可能会导致热点，例如：采用时间戳作为关键字，则分区对应于一个时间范围，如果将每天作为一个分区，同一天内所有写入都集中在同一个分区，而其他的分区始终处于空闲状态。

基于关键字哈希值分区

一个好的哈希函数可以处理数据倾斜并使其均匀分布。一旦找到了合适的关键字哈希函数，就可以为每个分区分配一个哈希范围，关键字根据其哈希值的范围划分到不同的分区中。

这种方式看似非常完美，但是在做范围查询时，往往会变的非常麻烦：即使关键字相邻，但经过哈希函数之后可能会被分散到不同的分区中。在MongoDB中，如果启用了基于哈希的分片模式，则区间查询会发送到所有分区上。

综上，基于哈希的分区方法可以减轻热点，但无法做到完全避免。

分区与二级索引

二级索引带来的主要挑战是它们不能规整的映射到分区中。有两种主要的方法来支持对二级索引进行分区：

基于文档分区的二级索引

如图，每条记录都有唯一的ID，首先用此ID对数据库进行分区（例如：0 <= ID < 500属于分区0，500 <= ID < 1000属于分区1）。现在用户需要搜索汽车，可以支持按汽车颜色和厂商进行过滤，所以需要在颜色和制造商上设定二级索引。声明这些索引之后，数据库会自动创建索引。

在这种索引方法中，每个分区完全独立，各自维护自己的二级索引，因此文档分区索引也被称为本地索引。

读取时需要注意：如果是要查询所有红色汽车（假设没有对ID做特殊处理），则查询请求需要发送到所有的分区，然后再合并结果。所以导致了查询代价高昂、读延迟加大。

基于词条的二级索引分区

另一种方法，我们可以对所有的数据构建全局索引，同时，为了避免瓶颈，不能将全局索引存储在一个节点上，否则就破坏了设计分区均衡的目标。所以，全局索引也必须分区，且可以与数据关键字采用不同的分区策略。

如图，所有颜色为红色的汽车的ID收录在索引color:red中，而索引本身也是分区的，例如从a～r开始的颜色索引放在分区0中。我们将这种索引方案称为词条分区。和前面讨论的方法一样，可以直接通过关键字来全局划分索引，或者对其取哈希值，各自的优点在前面也都提到了。

这种全局的词条索引相比于文档分区索引的主要优点是：它的读取更为高效，即不需要向所有分区都查询一遍。但是缺点也非常明显：由于需要维护索引，导致它的写入速度非常慢。理想情况下，索引应该时刻保持最新，但是，对于词条分区来说，这需要一个跨多个相关分区的分布式事务支持（这也是现有数据库不支持同步更新二级索引的原因）。

分区再平衡

随着时间的推移，数据库可能总会出现，某些变化：

• 查询压力增加，因此需要更多的CPU来处理负载；
• 数据规模增加，因此需要更多的磁盘和内存来存储数据；
• 节点可能出现故障，因此需要其他节点代替失效节点；

所有这些变化都要求数据和请求能从一个节点转移到另一个节点，这样一个过程就称为再平衡（动态平衡）。无论对于哪种分区方案，分区再平衡通常只少要满足：

• 平衡之后，负载、数据存储、读写请求等应该在集群范围更均匀的分布；
• 再平衡执行过程中，数据库应该可以继续正常提供读写服务；
• 避免不必要的负载迁移，并尽量减少网络和磁盘I/O影响；

动态再平衡策略

为什么不采用模运算？

如果节点数发生变化，将会导致大量的关键字需要从现有节点迁移到另一个节点，频繁的迁移大大增加再平衡的成本。

固定数量的分区

如图，如果集群中添加了一个新节点，该新节点可以从每个现有的节点上匀走几个分区，直到分区再次达到全局平衡（当然，如果增加的节点性能更加强大，则可以给它分配更过的分区，从而分担更多的负载）。删除的话，就是一个逆向的操作。这种方式不会改变关键字到分区的映射关系，唯一要调整的是分区与节点的对应关系。

在这种方式中，为了使得相关操作变得非常简单，分区的数量往往中数据库创建时就已经确定好（原则上可以拆分和合并，但是为了简单，许多数据库决定不支持分区拆分和合并），所以，在初始化时，就会设置一个足够大的分区数（每个分区都会有额外的管理开销）。如果数据集的规模不确定，此时如何选择合适的分区数以及分区大小就会有些困难。

动态分区

简单的理解就是，当分区的数据增长超过一个参数阈值（HBase默认值为10GB）时，它就拆分为两个分区（可以将其中一部分转移到其他节点），每个分区承担一半的数据量。相反，如果数据被大量删除，并且缩小到某个阈值以下，则将其与相邻分区进行合并。

动态分区的一个优点是：分区数量可以自动适配数据总量。

但对于一个空的数据库，初始时可能会从一个分区开始，这样在达到第一个分裂点之前，所有写入请求都由单个节点来处理，而其他节点处于空闲状态。为了缓解这种问题，HBase和MongoDB允许采用预分裂（配置一组初始分区），同时，预分裂要求知道一些关键字的分布情况。

按节点比例分区

动态分区中分区的数量与数据集的大小成正比，固定数量分区中分区大小也与数据集反大小成正比，这两种方式都与节点数无关。

一些数据库系统（Cassandra、Ketama）采用了第三种方式，使分区数与集群节点数成正比。也就是说，每个节点具有固定数量的分区。当一个新节点加入集群时，它随机选择固定数量的现有分区进行分裂，然后拿走这些分区的一半数据。

自动与手动再平衡操作

再平衡总体上讲是一个昂贵的操作，它需要重新路由请求，并将大量数据从一个节点迁移到另一个节点。

全自动再平衡虽然方便，但有可能在再平衡过程中出现难以预测的情况。例如：假设某个节点负载过重，对请求对响应暂时受到影响，其他的节点可能会得到结论：该节点失效；接着触发自动平衡来转移负载，这无疑会加重该节点、其他节点以及网络的负载。

所以，你怎么选择，自动 or 手动？

请求路由

客户端如何知道要连接哪个节点？

这个问题有以下几种处理策略：

• 允许客户端链接任意节点。如果某节点恰好拥有所请求的分区，则直接处理该请求；否则，将请求转发给下一个节点，接收答复，并将答复返回给客户端；
• 所有客户端的请求发给路由层，由路由层将请求转发给对应的分区节点；
• 客户端自己感知分区和节点的分配关系；

所以，这里的核心问题就变成了：作出路由决策的组件（某个节点、路由层、客户端）是如何知道分区与节点的对应关系以及变化情况的呢？很多分布式数据系统依靠独立的协调服务（如ZooKeeper）跟踪集群范围内的元数据。类似的还有：MongoDB依赖于自己的配置服务器和mongos守护进程来充当路由层等。

每个节点都向Zookeeper中注册自己，ZooKeeper维护了分区到节点的最终映射关系。其他参与者可以向ZooKeeper订阅此信息。一旦分区发生了改变，或者删除、添加节点，ZooKeeper都会通知参与者。

并行查询执行

大规模并行计算（massively parallel processing，MPP）中查询类型方面要复杂的多，典型的操作会包含多个联合、过滤、分组、聚合等操作。MPP查询优化器会将复杂的查询分解成许多执行阶段和分区，以便在不同节点上并行执行。