数据库分布式架构的落地策略与典型实践

杨建荣 2022-09-01 10:27:35
本文根据杨建荣老师在〖deeplus直播:数据库分布式架构的落地策略与典型实践〗线上分享演讲内容整理而成。(文末有回放的方式,不要错过)



据库分布式架构,是数据库方向的重点和难点工作,是需要持续迭代和演进的。因为内容面很大,我的整体思路是从一些概念的边界入手来进行相关策略的推导,过程中会侧重展开一些落地的案例和设计思想,我将通过如下4个部分的内容来进行阐述。

 

分享概要

一、关于架构思路和一些概念边界

二、从单机和数据维度推导架构策略

三、架构演进和案例分析

四、技术展望和小结

 

一、关于架构思路和一些概念边界

 

 
1、为什么需要数据库分布式架构?

 

先需要有一个整体的认识,为此有一个灵魂拷问:为什么需要数据库分布式架构?
案确实是千人千面,为此我整理了一个比较粗略的图来说明我的观点。
 

 

早期的数据库架构模式主要是单机模式。单机模式虽然也能满足我们早期一些业务需求,但是随着数据规模的扩大以及业务的快速增长,对单机数据库体系有了更高要求,从而延伸出以下几个发展方向:

 
1)通过更高级配置、扩大容量等方式将原本的单机数据库变得更大更强,在这种情况下,数据库会变成一个“超人”,如上图所示的“超人”。
 
2)将业务分为多个部分完成,这种模式发展到后期可能会产生多个分支,如果容量越来越大,需求的复杂度会越来越高,可能涉及到集群模式管理,如上图所示的“三个工人”和”两个超人”。
 
3)集群模式可能会延伸出另一种模式,当原本的单机模式难以扩展时,我们可以将原本的高配单机增加至两个或者多个,然后通过业务拆分来完成,这种情况可能会导致一种尴尬局面,容量足够的情况下部分配置存在上限,例如达到一定程度后数据库会变得“臃肿”。为解决这一问题,人工难以承载的业务可以基于代理层来实现,如上图所示的“六个工人+代理人”。
 
4)上述第三种模式再进行延伸,可能出现另一种模式,将数据存储与数据管理分离,即将数据存储与数据计算分离,这一过程需要相关的调度管理进行衔接和协作,如上图右侧所示。
 
上内容通过一个小案例讲述了为什么需要数据库分布式架构,可能初听“数据库分布式架构”有些拗口,下面将对分布式数据库与数据库分布式架构这两个概念进行区分。

 

 

2、概念边界

 

这些年来分布式数据库、云原生数据库的概念都很火热,同时分布式架构、微服务架构等在行业内也有大量的落地场景和最佳实践。我们通常所说的分布式数据库和数据库分布式架构还是有一定的区别的,但是又存在一定的关联,就好比如下的包含关系一样,是一种层级递进的关系。

 

 

上面的图我提炼出几个要点:
 
  • 布式数据库是分布式架构的重要一环,但不是完全强依赖,也就意味着业务层的架构设计好坏能够直接影响整体的架构质量。
 
  • 据库分布式架构的发展空间相比于分布式数据库更大,它更贴近于业务,分布式只是数据库分布式架构的一种演进策略。
 
  • 原生数据库是分布式数据库的一种演进形式,相对来说更为垂直。
 
上图左侧图形所示,做分布式涉及到的整体成本相对较高,并且在硬件、软件、开发测试等方面存在差异。
 
前分布式数据库的版图大体分为三类:基于分片模式的数据库集群,基于NewSQL的分布式数据库和云原生数据库三大类,在不同的分类中都有相应的典型代表和头部玩家,他们都有各自擅长的业务场景和领域,目前来看基于分片模式的数据库集群的发展相对成熟,而基于NewSQL和云原生数据库的发展这些年增长很快,目前已然是一种新的数据库架构演进趋势。
 
说到架构,必然需要考虑架构的考量维度。

 

 

3、通用架构能力

 

常会按照如下的三个维度来进行整体的架构考量:弹性扩展,高可用和高性能,这三个维度能够大体衡量架构设计的目标是否满足预期。

 

 

1)弹性扩展。原本的单机可能不够用,我们可以通过弹性扩展方式将原来的水平扩展演进为弹性扩展。

 

2)高可用。通过架构能力可以实现中间件节点高可用、数据节点高可用等整体的高可用。

 

3)高性能。架构能力可以在读写性能方面做到更高能力支撑。

 

至此,我们从一些概念和架构考量维度上有了一个整体的认识,那么前面说到架构是需要持续演进的,那么到底有什么架构策略,是否可以大一统呢?我打算从单机和数据两个维度来推导架构的策略。

 

二、从单机和数据维度推导架构策略

 

构的演进通常是依据需求和业务的发展动态适配的,如果单机配置能够满足容量,性能等资源需求,在开发设计周期和系统复杂度层面都是一种比较理想的平衡状态,也是比较建议的,但是很多业务发展趋势不是线性的,而是指数级的变化和增长,这种情况下就需要在先期的架构设计中进行预防性架构设计,也就是我们在设计初期就不能从潜意识中偷懒,等到业务发展的速度和后端的改造能力不匹配的时候,问题就会接踵而至,而很多在前期没有考虑到的问题在基于分布式设计时,无论是开发周期和系统复杂度都会难以接受。

 

 

1、单机维度推导架构演进策略

 

单机模式下的分布式架构可以拆分为三个维度:系统配置、数据库配置和数据库相关服务管理。

 

1)系统配置

 

系统配置包括CPU、内存等,相对来说是一个固化的模式,对其进行扩展的难度较低,其成本也已经随着硬件的发展大幅度降低,简单来说,如果在成本可控范围内,花钱升级硬件就能解决。

 

2)数据库配置

 

数据库配置包括单库容量、单表容量、连接数和吞吐量等,其中单库容量扩展存在一定瓶颈。综合来看,对数据库配置做扩展会有些难度,但是这个时候有些复杂度,不是单纯升级硬件就能够解决的,比如我曾经管理过一张表,容量有1T,对于单机来说是需要相当谨慎的,这里的难度等级约为中等。

 

3)服务管理

 

服务管理包括负载管理、高可用管理、事务管理、运维管理等。在事务管理的复杂度方面,单机模式比分布式好一些。在管理模式上,单机模式使用了All In One模式,算是集中式管理,而分布式管理需要大量的自动化运维支撑。分布式管理在负载管理和高可用管理方面相比于单机管理有较大提升。在混合负载方面,原本的单机模式是整个服务的整体覆盖,但在分布式架构体系内要考虑整体负载能力的提升,不能因为单一节点的短板导致整个集群被拖垮,整体的难度相对较高。

 

 

2、数据维度推导架构演进策略

 

首先将数据分为以下三个维度:

 

1)流水型数据

 

流水型数据是无状态的,多笔业务之间没有关联,每次业务过来的时候都会产生新的单据,比如交易流水,支付流水,只要能插入新单据就能完成业务,特点是后面的数据不依赖前面的数据,所有的数据按时间流水进入数据库。

 

2)配置型数据

 

配置型数据即我们所说的配置中心字典,数据字典配置等。此类型数据数据量较小,而且结构简单,一般为静态数据,变化频率很低。 

 

3)状态性数据

 

状态型数据是有状态的,多笔业务之间依赖于有状态的数据,而且要保证数据的准确性,例如账户余额,做充值时必须要拿到原来的余额才能支付成功,因此状态型数据整体的维护最复杂,是我们现在做分布式事务管理的核心部分。

 

于以上数据类型分类我们可以延伸出三类表:字典表、日志表和状态表。

 

架构设计上和演进方面,配置型和流水型数据的扩展方案相对比较丰富,通常不需要事务管理,所以扩展和性能方面表现都很出色,方案落地性更强,难度最大的是状态型数据,因为它存在数据的关联和依赖,所以需要事务管理,在扩展性和性能方面的解决方案不够完美,需要做一定的取舍,如事务降维,或把数据强一致性的需求降为最终一致性等。

 

面将对这三类表进行对比架构演进策略的解读。

 

 

① 数据量

 

字典表的数据量最小,日志表数据量极大,状态表的数据量大小与业务规模相关。

 

② 数据依赖

 

字典表基本不存在事务依赖,即使有,也只存在于极少数的配置中;日志表没有事务依赖,所以改造日志表的切入点比较好找;状态表整体有事务依赖。
 
③ 业务特点
 
字典表整体上为读多写少的模式;日志表的着重点为大批量密集型读写,整体为读少写多的模式;状态表整体为读多写多的模式。

 

④ 架构策略

 

  • 架构1.0策略

 

我们通常基于读写分离的模式对字典表做扩展改进。对于日志表,我们需要考虑提前做拆库、拆表,我们将这种模式称为周期表。对于状态表,我们可以通过读写分离的模式对读这部分的流量做缓解,但并不能从根本上解决问题。

 

  • 架构2.0策略

 

对于字典表可以采用全局的分库分表方式。对日志表主要使用业务路由和数据库中间件。状态表相较于前两者更为复杂,其中一种方式是分库分表,另一种方式是基于分库分表模式做事务降维或整体的过程中直接做事务降维。事务降维包括两种方式,一种是在整个的过程中根据业务的特点不启用事务,另一种是在设计中将事务的维度或颗粒度降到最低,基于最小化的分片维度执行操作。

 

⑤ 系统优化策略

 

字典表的优化比较清晰,我们可以通过缓存模式进行优化,该方法可解决大部分问题。日志表在写入过程中,实时延迟不会很高,我们可以基于队列采用异步方式提升整个系统的吞吐量。状态表主要对读这部分的状态因数据做缓存。在系统优化策略维度,字典表和日志表比较容易进行优化,状态表的加工改造策略是重难点,而且整个过程中也无法彻底解决问题,对设计的整体要求也较高。

 

⑥ 建设目标

 

字典表适用于建设配置中心,日志表适用于建设账单存储平台,状态表适用于建设数据中台。

 

三、架构演进与案例分析 

 

 

这部分我将架构的演进历程分为1.0、2.0、3.0三个阶段,便于下文讲述,该划分方式并无严格的优劣之分。
 
  • 架构1.0阶段的主要策略为垂直拆分、拆库拆表以及读写分离。
     
  • 架构2.0阶段的主要策略为基于数据库中间件和业务路由的分布式方案。
     
  • 架构3.0阶段的主要策略为基于云关系型数据库和分布式关系型数据库的方式。
 
在整个架构以及架构策略的演进过程中,整体模式与前文中提到的模式相似。单机模式通过业务拆分或者2.0阶段的业务路由和数据库中间件策略满足业务需求。在3.0阶段,通过存算分离以及调度层统筹满足业务需求。以下对每个阶段进行详细解读。

 

 

1、架构1.0阶段和案例

 

 

在这一阶段,我们采用了拆库拆表的方式将商业数据库迁移到MySQL中。原本我们可能处于单机模式,在整个单机模式下,我们通过拆库拆表方式将业务拆分到两个相对独立的服务器上,再实现日志数据的异步写入。对于状态型数据,我们可以做读写分离的改进。

 

在1.0阶段,我们通过拆分隔离将业务进行拆分,包括两种拆分方式:

 

1)将大的状态型业务拆分为两部分,一部分为全局型业务,另一部分为特定某个去向的业务。例如游戏公司有20款游戏,我们将这些游戏的公共属性数据拆分出来在平台层重组,再针对不同游戏的独特属性数据进行扩展。

 

2)在单机模式下将日志型数据和状态型数据进行拆分。日志型数据拆分难度较低,通过数据库中间件即可实现。拆分日志型数据的过程中,面对大量读的要求可以通过一主多从的方式进行读写分离的改进。

 

 

在这一阶段,对数据量极大的表进行变更很困难,简单来说,单机数据库中对于流水型数据存在明显的瓶颈,比如一张表每天产生20G的日志,那么单机容量的规格假设是300G,就仅仅能够保存2周左右的数据,而数据清理通常需要业务侧写相应的逻辑进行定时处理,在数据库负载和查询性能方面都有一定的隐患。
 
为改善这一问题,我们提出了周期表的概念,根据时间将表分为日、周、月、年和几年五个维度,日志数据都可以按照这五个维度进行拆分。将日志数据根据周期表进行拆分的好处是便于对数据进行清理,整个清理过程中维护代价也较低。我们为了落实数据清理工作也做了一些状况类化,例如DBA实现表的自动扩展与自动清理。
 
对表进行清理并非对现有表直接清理,而是设置一个期限,例如一个月,超过期限后将表放入回收站中,再对表内容进行操作,操作过后将表放置到另外的库中,超过一定期限后逐步清理。这整个过程中,如果有一些数据需要恢复,我们可以快速重置。现在我们已经接入了四五百个周期表,形成了自循环的管理模式,而对于公司整体业务来说,几乎很难看看到一些数据量恐怖的表,因为这些都通过这种设计模式基本杜绝了。

 

 

2、架构2.0演进和案例

 

1)消息业务路由改造

 

 

架构2.0阶段首先做业务路由的改造。早期我们做消息业务的改造,例如打开APP后的消息推送,整体的吞吐量较大。在早期的业务中,对于消息存储的数据统计要求较高,我们希望能够尽快将消息推送抵达用户并获得反馈,使得整个业务运营形成闭环。

 

如上图右侧所示,是数据库侧的I/O使用情况,在进行I/O优化的过程中,一个主节点难以承载负荷,所以我们将查询需求扩展到了从节点做了读写分离,后期发现仍不能满足要求,统计查询还是非常卡顿,I/O使用率还是被打满。我们进行了列式存储扩展,将统计查询迁移过去后提高了查询效率,算是解决了查询瓶颈问题,原服务的I/O使用率一下子降低了60%以上,再后来通过业务路由将一个节点动态扩展为三个节点,如上图左侧所示,性能又有了明显改善,提升了20%左右,整个过程是一个循序渐进的优化过程。 

 

2)数据库中间件

 

二类是基于数据库中间件的模式,数据库中间件方式需要考虑数据的重分布、数据的可用性和同城异地容灾等。
 

 

基于这种架构模式,我们也做了一些特色化的服务,主要有4点:

 

  • 中间件负载均衡

 

数据库集群架构模式通过Consul服务把原来的三层结构改成了两层,实现了中间件层的负载均衡。

 

  • 配置化建表

 

对于线上数据库集群创建表的需求,我们通过配置实现数据表的定制化创建。比如我们需要我们创建一张表时,只需要在配置表里写一条配置信息,之后我们会通过服务扫描配置变化,如果发生变化,就会在线上创建相关的表,保证业务的连续性,这个过程看似简单,实际上对于集群的结构设计要求是很高的。
 
  • 数据流转
 
对于集群的数据流转,是数据分分合合的难点,我们通过流转程序来实现,如DataX来进行数据聚合,为此我们构建了一个中间层来统一流转,后续的思路是直接将账单存储改造为NewSQL数据库,直接提供实时数据交付。

 

  • 只读查询

 
些线上数据的复杂查询也可以通过只读中间件去做,把它挂载到一个只读的中间件节点上可以平滑实现在线的数据查询,后续打算通过双集群模式(中间件+NewSQL集群)来提供平滑的读写需求。
 
如果这4点的力道不足,那么中间件架构还存在如下的两个典型优势可以补充,分别是数据重分布和分布式集群组的存储模式。

 

① 数据重分布

 

 

第一个优势数据重分布,因为中间件架构优缺点并存,我们在实践过程中经历了很多考验,对于中间件架构来说,个人觉得它的一大特色就是拓扑结构的可扩展性。比如硬件服务器在多年后需要过保替换,逐个服务器替换还是会产生系统抖动,如果有几十个节点,这种替换其实会存在一定的风险,基于中间件架构可以快速实现拓扑结构扩展,如上图所示,可以补充一套从库节点,然后将中间件收缩,再将3层拓扑切换为两层,对于几十上百个节点的快速切换,这是一种很优雅的模式,整个切换过程在3.5秒左右,当业务服务具备重连机制,集群内部其实已经发生了质的变化。

 

 优势分布式集群组/通用存储方案设计

 

 

第二个优势分布式集群组/通用存储方案设计,如我们所说的数据库分布式架构整体需要去满足业务需求,发现有很多数据表结构都是相似的,在这种情况下,我们就可以实现动态、灵活的存储管理模式。

 

主要分为两个维度:第一,通用存储意味着我们原来的一套集群不够,我们可以再补一套集群实现,这样就是集群组的模式。在这个层面上,我们就把集群下沉一层,在上层进行配置化的管理,在上层有一个全局配置;第二,我们通过全局配置可以快速灵活地生成一些定制化的表结构,比如有的业务对于数据的存储需求是varchar(32),而有的是varchar(256)或者bigint,这些都可以在集群组中动态配置,从而适配不同的模板,通过这种灵活的配置管理的方式实现整个集群组数据的存储管理。

 

 

3、架构3.0演进和技术分析

 

 

我们经常听到云关系型数据库和分布式关系型数据库等概念。

 

个人经过整理发现数据库的整个演进过程中有许多故事。Google很早就开始在内部孵化Spanner,2011年左右发布论文,论文发布后形成了两个分支,一个分支对原本的模式不满,另一分支从原本的模式中受到启发对其进行了改进。以上两种分支延伸出两大派别,一种是基于Aurora模式,并基于此思想产生了Aurora数据库,例如腾讯的CynosDB和阿里云的PolarDB等。另一种是受Spanner论文思想影响下产生基于另一体系的TiDB等数据库。
 

从整体上看,两大派别较大的差异在于Aurora等数据库与MySQL没有太大差异,整体采用了存算分离的架构,而另一派别的数据库是以NewSQL全新的设计体系,兼容MySQL协议的形式出现,两者属于不同的体系,在数据库分布式架构策略方面也有不同的实现,从早期的读写分离模式到周期表、中间件,后续还会有新型中间件等。

 

1)数据库分布式架构策略对比

 

 

其实云原生数据库从某种概念上来说是弯道超车,云原生数据库中以Aurora为典型代表的数据库,其底层设计本质为读写分离模式,但核心技术是分布式共享存储,它是从读写分离的模式经历了大跨越的更新。

 

① 云原生数据库-Aurora

 

们简单来看一下具有代表性的Aurora数据库,是AWS在MySQL的基础上进行了魔改,因为AWS对Spanner的事务处理能力不满意,提出日志即数据库,并重新设计读写分离集群,延伸出Aurora数据库,其整体为6副本,底层基于S3,整体采用读写分离模式。

 

 

② CynosDB,PolarDB

 

CynosDB和Aurora有一些差异,但其整体还是存储计算分离的结构,基于Raft,将redo下推至存储管理。PolarDB基于RDMA,没有将redo下推至存储,其本质还是基于存储计算分离的模式。

 

③ TiDB体系结构

 

 

们TiDB的调研时间较早,在早期也是在测试环境中沉淀了许久,然后逐步从日志型数据库改造开始,逐步引入更多的业务范围。

 

 

4、数据库分布式架构演进小结

 

 

过总结我们在分布式架构方面的实践,我把整个分布式架构分两个维度,一个维度是从水平扩展的能力考量,另一个维度是从吞吐量这个方面考虑。如果原来的单机处于起点,垂直拆分可能有较大提升。

 

们在2018年时已经大量使用读写分离模式,当然读写分离模式对于很多敏感的业务不是那么严谨,但在很多数据不是那么敏感或者延迟不那么敏感的情况下,是一个相对简单的架构改进。
 
演进过程中我们少走了一些弯路。我们对很多账单表的数据提前做了布局和拆分,把它改造成周期表模式,周期表模式改造好后,我们目前为止很少见到数据量非常大的表,基于此,我们自然的引入了中间件的分库分表方案。对于中间件集群的方案,我们后续有两种模式,一种是做业务拆分,另一种是套入原来的通用存储方案,通过配置化的方式实现集群组的管理。
 
个阶段后会有一个分界点,也是关于数据库最后一个非常核心的点——事务管理。事务管理方面,一种方式是复杂的管理模式,另一种是最小颗粒度的事务管理。之后的新型的中间件还有NewSQL体系,我们都进行了尝试,并在2021年落地了技术栈。
 
此,我补充一些数据来对不同的架构策略做一些对比。

 

 

从整个分布式体系来看,各方面有利有弊,我们要去理性看待一项技术,不一定NewSQL体系就是最好的。为保证观点的严谨,我通过雷达图从以下几个方面进行了对标准版实例、数据库中间件和NewSQL三者进行了评估。
 
  • 事务管理
 
基于单机模式长周期的验证,标准实例在事务管理方面最有优势。中间件在事务管理方面存在瓶颈。NewSQL集群的思路模型依托的是另一种体系,需要时间周期的验证以及业务场景的匹配,所以其介于两者之间。
 
  • 验证周期
 
单机模式有长时间的验证周期。
 
  • 迁移升级
 
三者在迁移方面都有相对成熟的体系。
 
  • 高可用
 
相较于其他二者,NewSQL在高可用方面具有明显优势。
 
  • 扩缩容
 
在扩缩容方面单机模式相对受限。NewSQL在扩缩容方面最有优势,能够实现某种程度的弹性扩缩容。
 
  • 性能
 
中间件的方案对于一些性能极度敏感,在有良好设计的情况下,其整体性能更有优势。
 
综上所述,应该根据不同的场景选择适合的方案,切勿一刀切。

 

四、技术展望和小结

 

 

1、数据库架构演进趋势分析

 

 

1)数据库生态之国产化

 

从整个数据库架构的演进过程来看,现在的数据库生态变得越来越多元化,同时也存在一定的差异化和风险,在此我想多提一下国产化数据库,因为这是生态中不可或缺的。

 

目前国内的数据库国产化程度还是比较高的,如果从近些年来研发技术和数据库的紧密结合来看,很明显研发方向是在降低对于数据库的重逻辑依赖,转而通过分布式技术架构来满足性能和扩展性等强烈需求,而互联网作为开源技术的试验田,提供了大量的业务场景使得开源软件能够不断成熟迭代。在功能实现上,国产数据库也更为贴合国内用户的使用需求和体验。从这个层面来看,国产化数据库通常都具有分布式的成长基因。

 

但是,在行业中也在短时间内产生了大量的数据库定制化产品,这些都是在核心组件和底层服务之外的偏个性化定制,使得用户在林林总总的国产化数据库中容易迷茫,另外国产数据库如果仅仅是为了对标和其他商业数据库的兼容度,个人感觉会受到过多束缚和限制,因为过多的泛应用化会让数据库技术的基础沉淀不够扎实,而过度迎合用户使用体验而在设计理念上妥协,会让数据库技术难以聚焦,限制更大的发挥潜力。

 

2)做得更少 vs 做得更多

 

在数据库分布式架构的改造中,做得更少对我来说是颠覆认知的收获。我们早期做分布式架构性能提升时希望做得更多,支撑更高的OPS,提供更高更强的性能,但我们做架构改造的过程中发现有些情况却恰恰相反,基于业务的视角去做一些架构优化反而能够取得更好的效果,最后发现原来支撑了几十万的OPS,经过优化几万OPS就足够了,从这个层面来说,数据库分布式架构的发展空间很大。

 

3)分布式共享存储

 

云原生数据库有共享存储的影子,例如Aurora是基于读写分离模式,它之所以在分布式方向实现弯道超车,是因为其核心部分是分布式共享存储技术,在云原生数据库中,原来看起来“土味的”共享存储模式其实玩出了新的花样。

 

4)HTAP需要理性

 

原本单一的OLTP和OLAP业务,在开发和管理中存在诸多不便,而HTAP在一定程度上能够有效的结合两者的优势,从而提供更为统一高效的数据服务,我想这应该是近些年来HTAP大火的原因,在这个基础上我建议要警示数据膨胀的问题,ALL IN的问题带来的隐患会随着时间的增长而变得更加棘手。
 
以对于HTAP方案,我并不十分认可All In One 的模式,或者说存在一些担心,我们需要理性看待HTAP方案。

 

 

2、基于机器学习的数据库监控异常预测研究

 

 

些年来AIOps还是很火的,数据库也会搭上这辆便车。我前段时间进行了一些机器学习相关的研究,将成百上千的服务器通过机器学习的方式做相关监控数据的预测,如上图我们基于回归模型和时序模型进行了预测,整体上基本实现了对某些指标的周期性预测。

 

那么问题来了,机器学习异常预测与分布式架构有何关系呢?根据我的理解,原本数据库的负载预测是基于单机模式,而我们在考量集群分布式架构时,需要从更全局的集群角度看待,定位短板,和单机模式是有很大的差别。从这个层面来说,如果我们有一些分布式体系的异常预测模型,我们就可以在此基础上做更多工作。

 

Q&A

 

Q1:机器学习是否用于数据库参数调整?是否保险?
A1:在机器学习对整个数据库技术的发展影响这方面,我推荐清华大学李国良老师的论文《基于机器学习的数据库技术综述》,数据库调参是其中的一部分。我认为机器学习只能对参数实现微调,将机器学习用于数据库调参对于中小型公司来说性价比不高。是否保险可以通过分析与测试进行验证。
 
Q2:新引入的分布式数据库对集群的稳定和多活机制怎么做防御性设计?
A2:在稳定性方面,需要通过大量时间进行精细的调研,除此之外还应该注意集群的版本,在前期不确定的情况下,应该选取行业内有一定验证周期的集群版本,不建议在初期上一些核心业务,初期需要对涉及到的稳定性资源进行有效控制,稳定性整体需要长时间实践。多活方面,如果问题的本质是因为分布式数据库技术的延迟,那这些场景下的问题难以直接解决,应该从业务层面的设计入手。
 
Q3:分布式条件下的容灾怎么做?
A3:我的理解如下,首先在分布式的场景下,存储容量会很大,容易产生一些问题,如果异常导致整个集群出问题,那对于业务来说是很大的灾难。我们可以考虑数据的离线备份,在集群不可用的情况下,这些重要数据可以承担一部分压力。需要备份的数据包括重要的日志数据、配置数据和结构数据等。
 
Q4:贵司的分布式关系型数据库使用场景规模有多大?投入了多少资源?
A1:在私有云场景下,我建议标准版实例比例为60%-70%,30%-40%为分布式关系型数据库,我们现在的覆盖比例大约为12%,还有20~25%左右的发展利用空间。在投资资源方面,我们尽可能避免做过高的配置,底层是完全标准化的配置,可能通过一些重组的节点实现快速库存。应该考虑多种因素,并不是所有的业务数据都需要通过分布式关系型数据库存储。
 
Q5:对比中间件数据库架构,云原生数据库架构的优势在哪里?
A5:首先应该划清二者边界,中间件模式相对通用,公有云上也有一些基于中间件的数据库架构。云原生数据库目前都基于公有云,它与私有云有一定的差异。

 

 

获取本期PPT,请添加群秘微信号:dbachen

点这里回看本期直播

活动预告