业务场景
达达是全国领先的最后三公里物流配送平台。 达达的业务模式与滴滴以及 Uber 很相似,以众包的方式利用社会闲散人力资源,解决 O2O 最后三公里即时性配送难题。 达达业务主要包含两部分:商家发单,配送员接单配送,如下图所示。
达达的业务规模增长极大,在 1 年左右的时间从零增长到每天近百万单,给后端带来极大的访问压力。压力主要分为两类:读压力、写压力。读压力来源于配送员在 APP 中抢单,高频刷新查询周围的订单,每天访问量几亿次,高峰期 QPS 高达数千次 / 秒。写压力来源于商家发单、达达接单、取货、完成等操作。达达业务读的压力远大于写压力,读请求量约是写请求量的 30 倍以上。
下图是达达过去 6 个月,每天的访问量变化趋图,可见增长极快
下图是达达过去 6 个月,高峰期请求 QPS 的变化趋势图,可见增长极快
极速增长的业务,对技术的要求越来越高,我们必须在架构上做好充分的准备,才能迎接业务的挑战。接下来,我们一起看看达达的后台架构是如何演化的。
最初的技术选型
作为创业公司,最重要的一点是敏捷,快速实现产品,对外提供服务,于是我们选择了公有云服务,保证快速实施和可扩展性,节省了自建机房等时间。在技术选型上,为快速的响应业务需求,业务系统使用 python 做为开发语言,数据库使用 Mysql。如下图所示,应用层的几大系统都访问一个数据库。
读写分离
随着业务的发展,访问量的极速增长,上述的方案很快不能满足性能需求。每次请求的响应时间越来越长,比如配送员在 app 中刷新周围订单,响应时间从最初的 500 毫秒增加到了 2 秒以上。业务高峰期,系统甚至出现过宕机,一些商家和配送员甚至因此而怀疑我们的服务质量。在这生死存亡的关键时刻,通过监控,我们发现高期峰 Mysql CPU 使用率已接近 80%,磁盘 IO 使用率接近 90%,Slow query 从每天 1 百条上升到 1 万条,而且一天比一天严重。数据库俨然已成为瓶颈,我们必须得快速做架构升级。
如下是数据库一周的 qps 变化图,可见数据库压力的增长极快。
(点击放大图像)
当Web 应用服务出现性能瓶颈的时候,由于服务本身无状态(stateless),我们可以通过加机器的水平扩展方式来解决。 而数据库显然无法通过简单的添加机器来实现扩展,因此我们采取了Mysql 主从同步和应用服务端读写分离的方案。
Mysql 支持主从同步,实时将主库的数据增量复制到从库,而且一个主库可以连接多个从库同步(细节参考 Replication )。利用此特性,我们在应用服务端对每次请求做读写判断,若是写请求,则把这次请求内的所有 DB 操作发向主库;若是读请求,则把这次请求内的所有 DB 操作发向从库,如下图所示。
实现读写分离后,数据库的压力减少了许多,CPU 使用率和 IO 使用率都降到了 5% 内,Slow Query 也趋近于 0。主从同步、读写分离给我们主要带来如下两个好处:
- 减轻了主库(写)压力:达达的业务主要来源于读操作,做读写分离后,读压力转移到了从库,主库的压力减小了数十倍。
- 从库(读)可水平扩展(加从库机器):因系统压力主要是读请求,而从库又可水平扩展,当从库压力太时,可直接添加从库机器,缓解读请求压力
如下是优化后数据库 qps 的变化图:
读写分离前主库的 select qps
(点击放大图像)
读写分离后主库的 select qps
当然,没有一个方案是万能的。读写分离,暂时解决了 Mysql 压力问题,同时也带来了新的挑战。业务高峰期,商家发完订单,在我的订单列表中却看不到当发的订单(典型的 read after write);系统内部偶尔也会出现一些查询不到数据的异常。通过监控,我们发现,业务高峰期 Mysql 可能会出现主从延迟,极端情况,主从延迟高达 10 秒。
那如何监控主从同步状态?在从库机器上,执行 show slave status,查看 Seconds_Behind_Master 值,代表主从同步从库落后主库的时间,单位为秒,若同从同步无延迟,这个值为 0。Mysql 主从延迟一个重要的原因之一是主从复制是单线程串行执行。
那如何为避免或解决主从延迟?我们做了如下一些优化:
- 优化 Mysql 参数,比如增大 innodb_buffer_pool_size,让更多操作在 Mysql 内存中完成,减少磁盘操作。
- 使用高性能 CPU 主机
- 数据库使用物理主机,避免使用虚拟云主机,提升 IO 性能
- 使用 SSD 磁盘,提升 IO 性能。SSD 的随机 IO 性能约是 SATA 硬盘的 10 倍。
- 业务代码优化,将实时性要求高的某些操作,使用主库做读操作
垂直分库
读写分离很好的解决读压力问题,每次读压力增加,可以通过加从库的方式水平扩展。但是写操作的压力随着业务爆发式的增长没有很有效的缓解办法,比如商家发单起来越慢,严重影响了商家的使用体验。我们监控发现,数据库写操作越来越慢,一次普通的 insert 操作,甚至可能会执行 1 秒以上。
下图是数据库主库的压力, 可见磁盘 IO 使用率已经非常高,高峰期 IO 响应时间最大达到 636 毫秒,IO 使用率最高达到 100%。
(点击放大图像)
同时,业务越来越复杂,多个应用系统使用同一个数据库,其中一个很小的非核心功能出现Slow query,常常影响主库上的其它核心业务功能。我们有一个应用系统在MySql 中记录日志,日志量非常大,近1 亿行记录,而这张表的ID 是UUID,某一天高峰期,整个系统突然变慢,进而引发了宕机。监控发现,这张表insert 极慢,拖慢了整个MySql Master,进而拖跨了整个系统。(当然在mysql 中记日志不是一种好的设计,因此我们开发了大数据日志系统。另一方面,UUID 做主键是个糟糕的选择,在下文的水平分库中,针对ID 的生成,有更深入的讲述)。
这时,主库成为了性能瓶颈,我们意识到,必需得再一次做架构升级,将主库做拆分,一方面以提升性能,另一方面减少系统间的相互影响,以提升系统稳定性。这一次,我们将系统按业务进行了垂直拆分。如下图所示,将最初庞大的数据库按业务拆分成不同的业务数据库,每个系统仅访问对应业务的数据库,避免或减少跨库访问。
下图是垂直拆分后,数据库主库的压力,可见磁盘IO 使用率已降低了许多,高峰期IO 响应时间在2.33 毫秒内,IO 使用率最高只到22.8%。
(点击放大图像)
未来是美好的,道路是曲折的。垂直分库过程,也遇到不少挑战,最大的挑战是:不能跨库 join,同时需要对现有代码重构。单库时,可以简单的使用 join 关联表查询;拆库后,拆分后的数据库在不同的实例上,就不能跨库使用 join 了。比如在 CRM 系统中,需要通过商家名查询某个商家的所有订单,在垂直分库前,可以 join 商家和订单表做查询,如下如示:
select * from tb_order where supplier_id in (select id from supplier where name=‘上海海底捞’);
分库后,则要重构代码,先通过商家名查询商家 id,再通过商家 Id 查询订单表,如下所示:
supplier_ids = select id from supplier where name=‘上海海底捞’ select * from tb_order where supplier_id in (supplier_ids )
垂直分库过程中的经验教训,使我们制定了 SQL 最佳实践,其中一条便是程序中禁用或少用 join,而应该在程序中组装数据,让 SQL 更简单。一方面为以后进一步垂直拆分业务做准备,另一方面也避免了 Mysql 中 join 的性能较低的问题。
经过一个星期紧锣密鼓的底层架构调整,以及业务代码重构,终于完成了数据库的垂直拆分。拆分之后,每个应用程序只访问对应的数据库,一方面将单点数据库拆分成了多个,分摊了主库写压力;另一方面,拆分后的数据库各自独立,实现了业务隔离,不再互相影响。
水平分库(sharding)
读写分离,通过从库水平扩展,解决了读压力;垂直分库通过按业务拆分主库,缓存了写压力,但系统依然存在以下隐患:
- 单表数据量越来越大。如订单表,单表记录数很快将过亿,超出 MySql 的极限,影响读写性能。
- 核心业务库的写压力越来越大,已不能再进一次垂直拆分,Mysql 主库不具备水平扩展的能力
以前,系统压力逼迫我们架构升级,这一次,我们需提前做好架构升级,实现数据库的水平扩展 (sharding)。我们的业务类似于 Uber,而 Uber 在公司成立的 5 年后(2014)年才实施了水平分库( mezzanine-migration ), 但我们的业务发展要求我们在成立 18 月就要开始实施水平分库。逻辑架构图如下图所示:
水平分库面临的第一个问题是,按什么逻辑进行拆分。一种方案是按城市拆分,一个城市的所有数据在一个数据库中;另一种方案是按订单 ID 平均拆分数据。按城市拆分的优点是数据聚合度比较高,做聚合查询比较简单,实现也相对简单,缺点是数据分布不均匀,某些城市的数据量极大,产生热点,而这些热点以后可能还要被迫再次拆分。按订单 ID 拆分则正相反,优点是数据分布均匀,不会出现一个数据库数据极大或极小的情况,缺点是数据太分散,不利于做聚合查询。比如,按订单 ID 拆分后,一个商家的订单可能分布在不同的数据库中,查询一个商家的所有订单,可能需要查询多个数据库。针对这种情况,一种解决方案是将需要聚合查询的数据做冗余表,冗余的表不做拆分,同时在业务开发过程中,减少聚合查询。
反复权衡利弊,并参考了 Uber 等公司的分库方案后,我们最后决定按订单 ID 做水平分库。从架构上,我们将系统分为三层:
- 应用层:即各类业务应用系统
- 数据访问层:统一的数据访问接口,对上层应用层屏蔽读写分库、分库、缓存等技术细节。
- 数据层:对 DB 数据进行分片,并可动态的添加 shard 分片。
水平分库的技术关键点在于数据访问层的设计,数据访问层主要包含三部分:
- ID 生成器:生成每张表的主键
- 数据源路由:将每次 DB 操作路由到不同的 shard 数据源上
- 缓存: 采用 Redis 实现数据的缓存,提升性能
ID 生成器是整个水平分库的核心,它决定了如何拆分数据,以及查询存储 - 检索数据。ID 需要跨库全局唯一,否则会引发业务层的冲突。此外,ID 必须是数字且升序,这主要是考虑到升序的 ID 能保证 Mysql 的性能(若是 UUID 等随机字符串,在高并发和大数据量情况下,性能极差。对比性能测试数据可供参考 uuid-vs-int-insert-performance )。同时,ID 生成器必须非常稳定,因为任何故障都会影响所有的数据库操作。
我们的 ID 的生成策略借鉴了 Instagram 的 ID 生成算法( sharding-ids-at-instagram )。具体方案如下:
(点击放大图像)
- 整个 ID 的二进制长度为 64 位
- 前 36 位使用时间戳,以保证 ID 是升序增加
- 中间 13 位是分库标识,用来标识当前这个 ID 对应的记录在哪个数据库中
- 后 15 位为自增序列,以保证在同一秒内并发时,ID 不会重复。每个 shard 库都有一个自增序列表,生成自增序列时,从自增序列表中获取当前自增序列值,并加 1,做为当前 ID 的后 15 位
总结
创业是与时间赛跑的过程,前期为了快速满足业务需求,我们采用简单高效的方案,如使用云服务、应用服务直接访问单点 DB;后期随着系统压力增大,性能和稳定性逐渐纳入考虑范围,而 DB 最容易出现性能瓶颈,我们采用读写分离、垂直分库、水平分库等方案。面对高性能和高稳定性,架构升级需要尽可能超前完成,否则,系统随时可能出现系统响应变慢甚至宕机的情况。
作者简介
杨 骏, 达达 CTO, 目前管理达达的大研发部门,负责产品,技术和数据。曾在 Google 和 Facebook 总部工作近 7 年,作为 Facebook 最早期的华人工程师之一加入并带领多个研发团队,负责过朋友推荐系统和多个广告产品和后台,通过机器学习和大数据分析进行广告优化。加入达达之前,在硅谷知名的移动支付公司 Square 带领 Growth 团队,负责公司的用户增长战略和实施。
毕业于浙江大学竺可桢学院,后获得卡耐基梅陇大学博士学位,从事机器学习和多媒体分析方向的研究。
感谢杜小芳对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博( @InfoQ , @丁晓昀),微信(微信号: InfoQChina )关注我们,并与我们的编辑和其他读者朋友交流(欢迎加入 InfoQ 读者交流群(已满),InfoQ 读者交流群(#2))。
评论