巨杉数据库 java,巨杉Tech｜SequoiaDB 巨杉数据库高可用容灾测试

数据库的高可用是指最大程度地为用户提供服务，避免服务器宕机等故障带来的服务中断。数据库的高可用性不仅仅体现在数据库能否持续提供服务，而且也体现在能否保证数据的一致性。

SequoiaDB 巨杉数据库作为一款100%兼容 MySQL 的国产开源分布式数据库，它在高可用方面的表现如何？它的高可用性是如何实现的？本文将详细描述SequoiaDB巨杉数据库的高可用性原理，并进行测试验证。

01 巨杉分布式集群架构

SequoiaDB 巨杉数据库采用计算与存储分离架构，SequoiaSQL-MySQL 是 SQL 计算层，存储层由协调节点、编目节点和数据节点组成。

图1 SequoiaDB分布式架构

如图1所示是最简单的 SequoiaDB 分布式数据库集群架构图，由1个协调节点，1个编目节点，3个数据节点和 SequoiaSQL-MySQL 构成。其中数据节点在三个服务器上，包括三个数据复制组1、2、3，每个数据复制组由3个完全相同的数据副本组成，数据副本之间通过日志同步保持数据一致。

A, A1, A2组成数据复制组1，三者是完全相同数据副本。数据复制组2、3类似于数据复制组1。在 SequoiaDB 分布式集群中，每个复制组最多支持 7 个数据副本。

本文的高可用测试环境采用图1所示的分布式集群架构，其中主节点有读写功能，两个备副本可以执行读操作或备份。

02 巨杉数据库高可用实现

SequoiaDB 高可用采用 Raft 算法实现，多副本之间通过日志同步保持数据一致性。

图2 三个节点之间保持连接

如图2所示，SequoiaDB 集群三个副本之间通过心跳保持连接。

数据组副本之间通过共享心跳信息 sharing-beat 进行状态共享。如图3所示，sharing-beat 心跳信息结构包括心跳 ID、自身开始LSN、自身终止LSN、时间戳、数据组版本号、自身当前的角色和同步状态。

图3 心跳状态信息结构

每个节点都维护一张 status-sharing table 表，用来记录节点状态。sharing-beat 每2秒发送一次，采集应答信息，若连续N秒未收到应答信息，则认为节点宕机。

集群中只有一个节点作为主节点，其他节点为备节点。如果出现多主或者双主，需要根据 LSN 对比进行降备，保证集群中只有一个主节点。

Note:

1)当主节点宕机时，需要从备节点中选举出一个新的节点作为新的主节点。

2)当备节点宕机时，主节点不受影响，等备节点恢复后，通过日志同步继续与主节点保持数据一致即可。

下面介绍当主节点宕机时，选举新主节点的过程。

选举条件

满足下面2个条件可以被选举成为主节点：

1. 多数备节点投票通过

2. 该节点LSN最大

选举过程

1)当主节点A宕机时，A自动降为备节点，关闭协调节点的业务连接。

图4 集群中主节点挂掉

2)A1和A2都会判断自身是否具备升为主节点的条件，若符合即发起选举请求。

条件内容：

自己不是主节点

剩下的备节点占半数以上

自己的LSN比其它备节点的LSN新

3)其它备节点会把被投票节点的 LSN 与自己的 LSN 做对比，若比自己的 LSN 新，则投赞成票，否则投反对票。

4)若赞成票超过(n/2+1)，则支持该节点为主节点，选举成功。否则保持备节点角色，选举失败。

5)选举成功后，通过心跳状态信息共享数据组信息给其它节点。

03 高可用容灾验证

一般分布式数据库 POC 测试包含功能测试、性能测试、分布式事务测试、高可用容灾测试和兼容性测试等。下面将对 SequoiaDB 巨杉数据库的高可用性进行验证测试。

测试环境说明

本文测试环境采用分布式集群，包含1个 SequoiaSQL-MySQL，3个数据节点，1个编目节点，1个协调节点，搭建集群方式具体可参考巨杉官网虚拟机镜像搭建教程。在 kill 掉主节点进程之后，我们对分布式数据库集群进行读写操作，来验证高可用性。

查看服务器集群状态

# service sdbcm status

.....

Main PID: 803 (sdbcm)

Tasks: 205 (limit: 2319)

CGroup: /system.slice/sdbcm.service

├─ 779 sdbcmd

├─ 803 sdbcm(11790)

├─1166 sequoiadb(11840) D

├─1169 sequoiadb(11810) S

├─1172 sequoiadb(11830) D

├─1175 sdbom(11780)

├─1178 sequoiadb(11820) D

├─1181 sequoiadb(11800) C

1369 /opt/sequoiadb/plugins/SequoiaSQL/bin/../../../java/jdk/bin/java -jar /opt/sequoiadb/plugins/SequoiaSQL

.....

SequoiaDB 分布式集群中数据节点端口在11820，11830，11840；编目节点11800，协调节点在11810

sdbadmin@sequoiadb:~$ ps -ef|grep sequoiadb

sdbadmin 1166 1 0 Aug20 ? 00:02:23 sequoiadb(11840) D

sdbadmin 1169 1 0 Aug20 ? 00:01:43 sequoiadb(11810) S

sdbadmin 1172 1 0 Aug20 ? 00:02:24 sequoiadb(11830) D

sdbadmin 1178 1 0 Aug20 ? 00:02:33 sequoiadb(11820) D

sdbadmin 1181 1 0 Aug20 ? 00:04:01 sequoiadb(11800) C

kill 掉11820的主节点，执行查询和写入sql

sdbadmin@sequoiadb:~$ kill 1178

sdbadmin@sequoiadb:~$ ps -ef|grep sequoiadb

sdbadmin 1166 1 0 Aug20 ? 00:02:24 sequoiadb(11840) D

sdbadmin 1169 1 0 Aug20 ? 00:01:43 sequoiadb(11810) S

sdbadmin 1172 1 0 Aug20 ? 00:02:24 sequoiadb(11830) D

sdbadmin 1181 1 0 Aug20 ? 00:04:01 sequoiadb(11800) C

sdbadmin 1369 1 0 Aug20 ? 00:01:33 /opt/sequoiadb

....

执行查看 sql，查看插入操作之前数据为121

mysql> select * from news.user_info;

+------+-----------+

| id | unickname |

+------+-----------+

| 1 | test1 |

........

| 119 | test119 |

| 120 | test120 |

| 121 | test121 |

+------+-----------+

121 rows in set (0.01 sec)

执行写入 sql，查看插入是否成功

mysql> insert into news.user_info(id,unickname)values(122,"s

uccess");

Query OK, 1 row affected (0.00 sec)

mysql> commit;

Query OK, 0 rows affected (0.01 sec)

mysql> select * from news.user_info;

+------+-----------+

| id | unickname |

+------+-----------+

| 1 | test1 |

.........

| 120 | test120 |

| 121 | test121 |

| 122 | success |

+------+-----------+

122 rows in set (0.00 sec)

数据(122, “success”)数据插入成功，在其中一个主节点挂掉情况下，读写都没有受到影响，数据读写保持一致，高可用性得到验证。

现在执行导入1000w数据写入脚本 imprt.sh，在执行过程中 kill 掉主数据节点，模拟主节点故障场景，在巨杉数据库图形化监控界面 SAC 上查看集群读写变化。

Note:

如果需要获取 imprt.sh 脚本，关注“巨杉数据库”公众号回复 “imprt” 即可获取。

执行导入数据脚本

./imprt.sh 协调节点主机 协调节点端⼝ 次数

./imprt.sh 192.168.1.122 11810 100

如图5所示，在执行导入数据时刻，kill 掉主数据节点，insert 写入下降，之后集群恢复高可用

图5 SAC监控界面集群读写变化示意图

图6 SAC查看tpcc写入数据量示意图

从 SAC 可视化界面中可以看到，当主数据节点在我们执行插入1000w数据操作的过程中出现故障，数据读写受到影响的持续时间很短。最后通过使用 imprt.sh 脚本重新导入插入失败的数据，则可以保证数据最终一致性。

04 总结

SequoiaDB 分布式集群具备较好的高可用性，集群可以设置多个数据复制组，每个数据复制组由多个完全相同的副本构成，副本之间通过 Raft 算法和日志同步方式保持数据一致性。最后，本文也验证了在执行千万级数据写操作时，若集群主数据节点宕机，分布式集群可以正常读写数据，并且数据保持最终一致，高可用性得到验证。