一文看懂 Pinterest 如何构建时间序列数据库系统 Goku

导读：在 Pinterest，开发人员依靠 Statsboard 来监控系统并发现问题，因此，可靠有效的监控系统对于开发速度来说非常重要。之前，Pinterest 使用 OpenTSDB 来提取和提供指标数据。然而，随着 Pinterest 的发展，服务器也从数百个增加到数千个，每秒产生数百万个数据点，而且这个数字还在继续增长。

虽然 OpenTSDB 在功能上运行良好，但其性能随着 Pinterest 的增长而降低，导致运营开销（例如严重的 GC 问题和 HBase 经常崩溃）。为了解决这个问题，Pinterest 开发了自己的内部时间序列数据库——Goku，其中包含用 C ++ 编写的 OpenTSDB 兼容 API，以支持高效的数据提取和成本昂贵的时间序列查询。

正文：

（使用 Goku 进行两级分片）

时间序列数据模型

时间序列数据

Goku 遵循 OpenTSDB 的时间序列数据模型。时间序列由一个键和一系列时间数字数据点组成。key = metric name + 一组标记键值对。例如，“tc.proc.stat.cpu.total.infra-goku-a-prod {host = infra-goku-a-prod-001，cell_id = aws-us-east-1}”。数据点 = 键 + 值。值是时间戳和值对。例如，（1525724520,174706.61），（1525724580,173456.08）。

时间序列查询

除了开始时间和结束时间之外，每个查询都由以下部分或全部组成：度量标准名称、过滤器、聚合器、降采样器、速率选项。

1）度量名称示例：“tc.proc.stat.cpu.total.infra-goku-a-prod”。

2）对标记值应用过滤器，以减少在查询或组中拾取系列的次数，并在各种标记上聚合。Goku 支持的过滤器示例包括：完全匹配、通配符、Or、Not 或 Regex。

3）聚合器规定将多个时间序列合并为单个时间序列的数学方法。Goku 支持的聚合器示例包括：Sum、Max / Min、Avg、Zimsum、Count、Dev。

4）降采样器需要一个时间间隔和一个聚合器。聚合器用于计算指定时间间隔内所有数据点的新数据点。

5）速率选项可选择计算变化率。有关详细信息，请参阅 OpenTSDB 数据模型（ http://opentsdb.net/docs/build/html/user_guide/query/index.html ）。

挑战

Goku 解决了 OpenTSDB 中的许多限制，包括：

1）不必要的扫描：Goku 用倒排索引引擎取代了 OpenTSDB 的低效扫描。

2）数据大小：OpenTSDB 中的数据点是 20 字节。Pinterest 采用 Gorilla 压缩来实现 12 倍压缩。

3）单机聚合：OpenTSDB 将数据读取到一个服务器上并进行聚合，而 Goku 的新查询引擎是将计算迁移到更接近存储层的位置，该存储层在叶节点上进行并行处理，然后在根节点上聚合部分结果。

4）序列化：OpenTSDB 使用 JSON，当有太多数据点要返回时，JSON 会很慢；Goku 使用 thrift 二进制代替。

架构

存储引擎

Goku 在内存存储引擎中使用了 Facebook Gorilla 来存储过去 24 小时内的最新数据。

（存储引擎简介。请查看 Gorilla论文及其 GitHub存储库来了解详细信息）

如上所述，在存储引擎中，时间序列被分成称为 BucketMap 的不同分片。对于一个时间序列，也被分为可以调整时长的  bucket（Pinterest 内部以每 2 小时为一个  bucket）。在每个 BucketMap 中，每个时间序列都被分配一个唯一的 ID 并链接到一个 BucketTimeSeries 对象。BucketTimeSeries 将最新的可修改缓冲区存储区和存储 ID 保存到 BucketStorage 中的不可变数据存储区。在配置存储  bucket 时间之后，BucketTimeSeries 中的数据将被写入 BucketStorage，变为不可变数据。

为了实现持久性，BucketData 也会写入磁盘。当 Goku 重新启动时，它会将数据从磁盘读入内存。Pinterest 使用 NFS 来存储数据，从而实现简单的分片迁移。

分片和路由

我们使用两层分片策略。首先，我们对度量名称进行散列，以确定某一时间序列属于哪个分片组。我们在度量名称 + 标记键值集上进行散列，以确定时间序列在所在组中的哪个分片。此策略可确保数据在分片之间保持平衡。同时，由于每个查询仅进入一个组，因此扇出保持较低水平，以减少网络开销和尾部延迟。另外，我们可以独立地扩展每个分片组。

查询引擎

倒排索引

Goku 通过指定标记键和标记值来支持查询。例如，如果我们想知道一个主机host1的 CPU 使用率，我们可以进行查询cpu.usage {host = host1}。为了支持这种查询，Pinterest 实现了倒排索引。（在 Pinterest 内部，它是从搜索项到位集的散列映射。）搜索项可以是像cpu.usage这样的度量名称，也可以是像host = host1这样的标记键值对。使用这个倒排索引引擎，我们可以快速执行AND、OR、NOT、WILDCARD和REGEX操作，与原始的基于 OpenTSDB 扫描的查询相比，这也减少了许多不必要的查找。

聚合

从存储引擎检索数据后，开始进行聚合和构建最终结果的步骤。

Pinterest 最初尝试了 OpenTSDB 的内置查询引擎。结果发现，由于所有原始数据都需要在网络上运行，性能会严重下降，而且这些短期对象也会导致很多 GC。

因此，Pinterest 在 Goku 中复制了 OpenTSDB 的聚合层，并尽可能地早地进行计算，以尽量减少线上的数据。

典型的查询流程如下：

• 用 Statsboard 客户端查询（Pinterest 的内部度量监控 UI）任何代理 goku 实例
• 代理 goku 基于分片配置将查询扇出到同一组内的相关 goku 实例
• 每个 goku 读取倒排索引以获取相关的时间序列 ID 并获取其数据
• 每个 goku 基于查询聚合数据，如聚合器、降采样器等
• 代理 goku 在收集每个 goku 的结果并返回客户端后进行第二轮聚合

性能

与之前使用的 OpenTSDB / HBase 解决方案相比，Goku 在几乎所有方面都表现更好。

另一个在使用 Goku 前后高基数查询延迟对比图，如下图所示：

下一步

基于磁盘的长期数据存储

Goku 最终将支持超过一天时间数据的查询。对于像一年这样的时长查询，Pinterest 将不会过分强调一秒钟内发生的事情，而是关注整体趋势。因此，Pinterest 将进行降采样和压缩，把以小时计的 bucket 合并为更长期的时长，从而减小数据量并提高查询性能。

（Goku 阶段＃2——基于磁盘：数据包括索引数据和时间序列数据）

复制

目前，Pinterest 有两个 goku 集群进行双行写入。此设置提高了可用性：当一个集群中存在问题时，可以轻松地将流量切换到另一个集群。但是，由于这两个集群是独立的，因此很难确保数据的一致性。例如，如果写入一个集群成功而另一个未成功时，则数据写入失败，数据由此变得不一致。另一个缺点是故障转移总是在集群层面发生。为此，Pinterest 正在开发基于日志的集群内复制，以支持主从分片。这将提高读取可用性，保持数据一致性，并支持分片级的故障转移。

分析用例

所有行业都需要广泛的分析，Pinterest 也不例外，例如面临询问实验和广告推广效果等问题。目前，Pinterest 主要采用离线作业和 HBase 进行分析，这意味着不会有实时数据产生，并避免大量不必要的预聚合。由于时间序列数据的性质，Goku 可以很容易地适应它，不仅可以提供实时数据，还可以提供按需聚合。

Pinterest 表示将继续探索 Goku 的用例，如果你对此类项目感兴趣，请查看 https://careers.pinterest.com/careers/engineering 。

原文链接：

https://medium.com/@Pinterest_Engineering/goku-building-a-scalable-and-high-performant-time-series-database-system-a8ff5758a181

感谢刘志勇对本文的审校。