饿了么：分布式时序数据库 - LinDB

饿了么对时序数据库的需求主要来自各监控系统，主要用于存储监控指标。原来使用graphite，后来慢慢有对指标有多维的需求(主要体现在对一个指标加多个Tag， 来组成Series，然后对Tag进行Filter和Group进行计算)，这时graphite基本很难满足需求。 业界现在用的比较多的主要有如下几类TSDB： 免费获取学习 Java 高架构、分布式架构、高可扩展、高性能、高并发、性能优化、Spring boot、 Redis 、ActiveMQ、Nginx、Mycat、Netty、Jvm大型分布式项目实战学习架构师视频免费获取 架构群：863621962 InfluxDB：很多公司都在用，包括饿了么有部分监控系统也是用InfluxDB。优点，支持多维和多字段，存储也根据TSDB的特点做了优化。但开源的部分不支持，很多公司自己做集群化， 但大多基于指标名来，这样会有单指的热点问题。现在饿了么也是类似的做法，但热点问题很严重，大的指标已经用了最好的服务器，但是查询性能还是不够理想， 如果做成按Series Sharding那成本还是有一点高； Graphite：根据指标写入及查询，计算函数很多，但很难支持多维，包括机房或多集群的查询，原来饿了么把业务层的监控指标存储在Graphite中，并工作的很好， 但是多活之后基本已经很难满足一些需求了，由于其存储结构的特点，很占IO，根据目前线上的数据写放大差不多几十倍以上； OpenTSDB: 基于HBase，优点存储层不用自己考虑，做好查询聚合就可以，也会存在HBase的热点问题等，在以前公司也弄基于HBase实现的TSDB，来解决OpenTSDB的一些问题， 如热点，部分查询聚合下放到HBase等，目的是优化其查询性能，但依赖HBase/HDFS还是很点重； HiTSDB: 阿里提供的TSDB，存储也是用HBase，在数据结构及Index上面做了很多优化，具体没有研究，有兴趣的同学可以在阿里云上试一下； Druid： Druid其实是一个OLAP系统，但也可以用来存储时间序列数据，但看到它的架构图时已经放弃了； ES: 也有公司直接用ES来存储，没有实际测试，但总觉得ES不是一个真正的TSDB； atlas: Netflix出品，全内存TSDB，最近几小时数据全在内存中，历史数据需要外部存储，具体没有详细研究； beringei：facebook出品，全内存TSDB，跟atlas一样最近的数据在内存，目前应该还在孵化期； 3. 最终我们还是决定自己实现一套分布式时序数据库，具体需要解决如下问题： 轻量，目前只依赖于Zookeeper； 基于Series进行Sharding，解决热点，可以真正水平扩展； 实时写入，实时查询，由于大多用于监控系统，所以查询性能要好； 由于饿了么目前是多活，监控系统也是多活，所以要支持单机房写入，多机房聚合查询等； 自动的Rollup功能，如用户可以写10s的精度，系统自动Rollup到分钟，小时，天级别，以支持大时间范围的查询，如报表等； 支持类 SQL 的查询方式； 支持多副本，以提高整个系统的可靠性，正常只要还有一个副本存活就可以正常提供服务，副本数指定； 整体设计 采用计算和存储分离的架构，分为计算层LinProxy和存储层LinStorage。 说明： LinProxy主要做一些SQL的解析，及一些中间结合的再聚合计算，如果不是跨集群，LinProxy可以不需要，对于单集群的每个节点都内嵌了一个LinProxy来提供查询服务； LinDB Client主要用于数据的写入，也有一些查询的API； LinStorage的每个节点组成一个集群，节点之进行复制，并有副本的Leader节点提供读写服务，这点设计主要是参考Kafka的设计，可以把LinDB理解成类Kafka的数据写入复制+底层时间序列的存储层； LinMaster主要负责database、shard、replica的分配，所以LinStorage存储的调度，及MetaData（目前存储Zookeeper中）的管理； 由于LinStorage Node都是对等的，所以我们基于Zookeeper在集群的节点的选一个节点成为Master，每个Node把自身的状态以心跳的方式上报到Master上，Master根据这些状态进行调度， 如果Master挂了，自动再选一个Master出来，这个过程基本对整个服务是无损的，所以用户基本无感知。 写入 整个写过程分为如下2部分组成： WAL复制，这部分设计上参考了Kafka，用户的写入只要写入WAL成功，就认为成功(由于主要用于监控系统，所以对数据的一致性没有做太多的保证)，这样就可以提供系统的写入吞吐； 本地写入，这个过程是把WAL的数据解析写入到自己的存储结构中，只有写入本地存储的数据才可以查到； 整个过程不像一些系统在每次写的过程中完成，我们是把这个过程分2步，并异步化了； WAL复制 目前LinDB的replica复制协议采用多通道复制协议，主要基于WAL在多节点之间的复制，WAL在每个节点上的写入，有独立的写操作完成， 所以对于Client写入对应Leader的WAL成功就认为本次写操作是成功的，Leader所在的节点负责把相应的WAL复制到对应的follower， 同理写WAL成功认为复制成功，如下所示： 多通道复制协议 写入Leader副本成功就算成功以提高了写入速率，也带来了以下问题： 数据一致性的问题 数据的丢失问题 以上图Server1为Leader，3个Replication来复制1-WAL为举例来说： 当前Server1是该shard的Leader接受Client的写入，Server2和Server3都是Follower接受Server1的复制请求，此时1-wal通道作为当前的数据写入通道， Server2和Server3此时可能落后于Server1。 说明： 整个过程需要注意以下几个Index； Client写入时的Append Index，表示当前Client写入到哪里； 对应每个Follower都会有一个Replica Index，表示对应Follower消费Leader上面同步到哪里； Follower的Ack Index，表示Follower已经成功复制到本地的WAL； 对于Follower的复制请求，其实相当于一个特殊Client的写入，所以也有一个对应的Append Index; 只有被Ack过的Index，才标示为已经处理完成，对于Leader来说，小于最小的Ack Index的WAL数据是可以被删除； 在这个过程中，如果Server2或者Server3中有一台出问题，这时对应的Consume Index不会移动，只有等到相应服务恢复之后，继续处理； 在整个过程中可能出现如下情况的可能； Leader Replica Index > Follower Append Index，这时需要根据Follower Append Index重置Leader Replica Index，可能存在2种情况，具体情况在复制顺序性中描述； Leader Replica Index < Follower Append Index，也同样存在2种情况，具体情况在复制顺序性中描述； 假如此时Server1挂了，从Server2和Server3中选出新的Leader，如此时选为Server2为Leader。 Server2就会开启2-wal复制通道，向server1和server3复制，由于当前server1挂了，所以暂时只往Server3复制，此时数据的写入通道为2-wal。 Server1启动恢复后，Server2会开启向Server1的2-wal复制通道，同时server1会将1-wal中剩余的还未向Server2和Server3复制的数据复制给他们。 对于异常情况，WAL中的数据不能正常由于ACK之后删除，导致WAL占用过多磁盘，所以对WAL需要有一个SIZE和TTL的清理过程，一旦因为WAL因为SIZE和TTL清理之后，会导致几个Index错乱，具体错乱情况如上所述。 多通道复制协议带来的问题： 每个通道都有对应的index序列，保存每个通道的last index。而单通道复制只需要保存1个last index即可。这个代价其实还好。 本地写入 背景 做到Shard级别的写入隔离，即每个Shard都会有独立的线程来负责写入，不会因为某个数据库或者某个Shard写入量具增而导致别的数据库的写入， 但可能会因为单机承载的Shard数过多，导致线程数过多，如果遇到这种情况，应该通过扩机器来解决，或者在新建数据库的时候，合理分配Shard数。 由于是单线程的写操作，所以在很多情况下，不需要考虑多线程写带来的锁竞争问题。 数据存储结构 说明，以单个数据库在单节点上的数据结构如例： 一个数据库在单节点上会存在多个Shard，所有Shard共享一个索引数据； 所有的数据根据数据库的Interval来计算按时间片来存储具体的数据包括数据文件和索引文件。 这样的设计主要为了方便处理TTL，数据如果过期，直接删除相应的目录就可以； 每个shard下面会存在segment，segment根据interval来存储相应时间片的数据； 为什么每个segment下面又按interval存储很多个data family？这个主要由于LinDB主要解决的问题是存储海量的监控数据，一般的监控数据基本是最新时间写入， 基本不会写历史数据，而整个LinDB的数据存储类似LSM方式，所以为了减少数据文件之间的合并操作，导致写放大，所以最终衡量下来，再对segment时间片进行分片。 下面以interval为10s为例说明: segment按天来存储； 每个segment按小时来分data family，每个小时一个family，每个family中的文件再按列存储具体的数据。 写入流程 说明： 系统会为每一个Shard启一个写线程，该线程负责这个Shard的所有写操作。 首先把measurement, tags, fields对应的数据写入数据库的索引文件，并生成相应的measurement id, time series id及field id，主要完成string->int的转换。 这样的好处是所有的数据存储都以数据类型来存储，从而可以减少整个存储大小，因为对于每个数据点，measurement/tags/field这样元数据占用，如cpu{host=1.1.1.1} load=1 1514214168614， 其实转换成id之后，cpu => 1(measurement id), host=1.1.1.1 => 1(time series id), load => 1(field id)，所以最终的数据存储为1 1 1514214168614=>1，这个考虑OpenTSDB的设计。 如果写索引失败，认为本次写入失败，失败分为2种，一种是数据写入格式有问题，这类失败直接标示失败，另外一种由于内部问题，这时写入失败需要重试。 使用根据索引得到的ID，再结合写入时间和数据库Interval计算得到需要写入到哪个segment下的哪个family，写family的过程，直接写内存以达到高吞吐量的要求， 内存数据到达内存限制之后，会触发Flush操作。 整个写过程先写内存，再由Flusher线程把内存中的数据dump到相应的文件中，这样就做到了对一批数据顺序写入，同时对于最近的数据根据Field Type进行Rollup操作，从而进一步减少磁盘IO操作。 查询引擎 LinDB查询需要解决如下问题： 解决多个机房之间的查询; 高效的流式查询计算； 说明: 由于需要支持多机房或者多集群的查询，所以引入了LinProxy，LinProxy主要负责面向用户的查询请求; SQL Plan负责具体SQL的解析，生成最终的执行计划及需要计算的中间结果的函数； 通过Zookeeper中的Metadata，把请求路由给具体的LinDB集群中对应的服务； 每个LinConnect负责与一个LinDB集群之间的通信，每个LinConnect内部保存了一份对应集群的Metadata，该Metadata信息在每个Metadata变更的时候有Server端推送给LinConnect， 这样LinConnect基本做到近实时的更新Metadata； Aggregator Stream主要负责把各个LinConnect的中间结果进行最终的合并计算操作； 整个LinProxy处理过程都是异步化，这样可以利用线程在IO等待的时候可以做计算； 每个Node接收LinConnect过来的请求，在内部查询计算成中间结果返回给LinConnect，详细的过程后面要介绍； Node查询 说明: 如果所示，Client过来的一个查询请求，会产生很多小的查询任务，每个任务所承担的职责很单一，只做它所自己的任务，然后把结果给下一个任务， 所以需要所有的查询计算任务都是异常无阻塞处理，IO/CPU任务分离； 整个服务端查询使用Actor模式来简化整个Pipeline的处理； 任何一个任务执行完成，如果没有结果产生，则不会生产下游的任务，所有下游的任务都是根据上游任务是否有结果来决定； 最终把底层结果，通过Reduce Aggregate聚合成最终的结果； 存储结构 倒排索引 倒排索引，分两部分，目前索引相关的数据还是存储在RocksDB中。 根据Time Series的Measurement+Tags生成对应的唯一ID（类似luence里面的doc id）。 根据Tags倒排索引，指向一个ID列表。TSID列表以BitMap的方式存储，以方便查询的时候通过BitMap操作来过滤出想要的数据。BitMap使用RoaringBitMap。 每一类数据都存储在独立的RocksDB Family中。 内存结构 为了提高写入性能，把当前一段时间的数据写入到内存中，内存到达一定限制或者时间后把内存中的数据Dump到文件中。 内存存储分为当前可写和不可写，当前可写用于接入正常的数据写入，不可写用入Dump到文件中，如果Dump成功，则清空不可写部分。 如果可写部分也到在写入限制，但不可写部分还没有完成Dump，这时写入会被Block住，直到有可用的内存供数据写入，目的是为了不会因为占用过多内存而导致OOM。 MemoryTable内部通过一个Map来存储Measurement ID->Measurement Store关系，即每个Measurement都存储在一个独立的Store中。 在Measurement Store内存储对应Measurement下面每个TSID的数据，每个TSID对应的数据用一个Memory Block来存储，每个Memory Block按TSID的顺序存储在Array List中，把TSID存储在一个BitMap中，通过TSID在Bitmap中位置来定位Memory Block在Array List中的具体位置，这里说明一下为什么不直接使用Map来存储，因为整个系统是用Java实现的，Java中的Map结构，不适合存储小对象的数据，存在内存放多倍的存储。 由于每个TSID都会对应一个时间线，每个时间线可能会存在多个数据点的情况，如count时只有一个count值，timer时会有count/sum/min/max等多个值。每个数据类型以Chunk的方式存储。Chunk内部又以堆内和堆外2部分内存来存储，最近一段时间的数据放在堆内，历史数据压缩之后放在堆外，在内存中尽量多放一些最近的数据，因为LinDB的目的主要是存储一些监控类的数据，而监控类的数据主要关心最近一段时间的数据。 文件存储结构 文件存储跟内存存储类似，同一个Measurement的数据以Block的方式存储在一起，查询时通过Measurement ID定位到该Measurement的数据存储在哪个Block中。 Measurement Block后存储一个Offset Block，即存储每个Measurement Block所在的Offset，每个Offset以4 bytes存储。 Offset Block存储一个Measurement Index Block，按顺序存储每个Measurement ID，以Bitmap的方式存储。 文件的尾存储一个Footer Block，主要存储Version(2 bytes) + Measurement Index Offset(4 bytes) + Measurement Index Length(4 bytes)。 Data数据块都是数值，所以使用xor压缩，参考facebook的gorilla论文； Measurement Block: 每个Measurement Block类似Measurement的方式存储，只是把Measurement ID换成Measurement内的TSID。 TS Entry存储该TSID对应每一列的数据，一列数据对应存储一段时间的数据点。 查询逻辑： DataFile在第一次加载的时候会把Measurement Index放在内存中，查询输入Measurement ID通过Measurement Index中的第几个位置，然后通过这个位置N，在Offset Block查询具体的Measurement Block的Offset，由于每个Offset都是4 bytes，所以offset position = (N-1) * 4，再读取4 bytes得到真正的Offset。 同样的道理可以通过TSID，找到具体的TS Entry，再根据条件过滤具体的列数据，最终得到需要读取的数据。 总结 LinDB从2年前正式慢慢服务于公司的监控系统，从1.0到2.0，已经稳定运行2年多，除了一次rocksdb的问题，几乎没出过什么问题，到现在的3.0性能的大幅提升，我们基本都是站在业界一些成熟方案的基础上，慢慢演进而来。 也有人问，LinDB为什么这么快，其实我们是参考了很多TSDB的作法，然后取其好的设计，再结果时序的特征再做一些优化。 时序一般都是最新写入，但也是一种随机写，我们会先成内存中把随写变成循序写，最终到写文件都是顺序写，所有数据都是有序，这样查询的时候也是顺序读，这一点很关键； 把写入的measurement/tags/fields都转化成Int，再生成倒排索引，最终生成一个TSID（类似Luence的doc id），这样就大大减少了最终的数据量，毕竟指标这样字符串是占绝对的大头， 这点很想OpenTSDB，虽然InfluxDB已经把一段时间的按Block来存储，但还是在block的头放这些数据，这些都是成本，特别是在compact的时候； 不像别的TSDB会把timestamp直接存下来，一般timestamp到毫秒基别占8个节点，虽然根据时间有序的优势再用delta-encoded，压缩也是很好，但我们想做到极致，我们是用一个bit来表示时间， 具体的做法就是根据上面的描述，把时间的高位和存储Interval，把高位的时间放在目录上，再结合高位算一个delta，把delta以1bit的格式存储，来表示有没有数据，因为监控数据绝大部分都是连续的数据， 所以这样做也是合理的，因此在时间这个数据上的存储也大大减少空间； 我们发现对一个指标的多个Field的数据，每个Field的数据相邻的一些点基本是很相近的，LinDB 2.0存储直接是用RocksDB，多个Field放在一起存储，再把相邻的点进行压缩，这样其实压缩率不会很高， 而且每取查询取Field的时候都要把所有的数据都读出来，这也是LinDB 3.0我们考虑自己实现列式存储，相同列存在一块，以提高压缩率，查询的时候只读需要的数据。 整个压缩我们也没有用gzip/snappy/zlib，因为这些不大适合用于数值类型，我们是直接参考了facebook的gorilla论文的xor的方式来的，这个现在已经被很多TSDB采用； 基于上面这些基本的顺序读已经不成问题，基于TSID查询的更不是问题，因为整个设计都是基于TSID->data来设计的，所以还要解决一个根据倒排查出一组TSID对数据的随机读，如上我们是把TSID放在Bitmap， 然后通过Bitmap计算出Offset，直接找到数据，通过存储时的优化，做到TSID查询精准查找，然不是通过二分查找； 还有一点就是LinDB在新建数据库时指定完Interval之后，系统会自己Rollup，不像InfluxDB要写很多Continue Query，LinDB所有的这一切都是自动化的； 查询计算并行流式处理； 所以用一句话来总结的话就是一个高效的索引外加一堆数值，然后怎么玩好这堆数值。 自身监控 LinDB也自带了自身的一些监控功能 Overview Dashboard 未来的展望 丰富查询函数； 优化内存使用率； 自身监控的提升； 如果有可能，计划开源； 对比测试 下面是与InfluxDB和LinDB2.0的一些查询性能对比。 由于InfluxDB集群化要商业版，所以都是单机默认配置下，无Cache的测试。 服务器配置阿里云机器：8 Core 16G Memory 大维度 Tags: host(40000),disk(4),partition(20)，模拟服务器磁盘的监控，总的Series数为320W，每个Series写一个数据点 小维度的1天内的聚合测试 Tags: host(400),disk(2),partition(10)，模拟服务器磁盘的监控，总的Series数为8K，每个Series写一天的数据 每个维度每2s写入1个点，每个维度一天内总共43200个点，所有维度总共43200 * 8000个点，共3 4560 0000即3亿多数据 小维度的7天内的聚合测试 Tags: host(400),disk(2),partition(10)，模拟服务器磁盘的监控，总的Series数为8K，每个Series写7天的数据 每个维度每5s写入1个点，每个维度一天内总共17280个点，所有天数所有维度总共17280 8000 7 个点，即9 6768 0000，9亿多个点 这个测试要说明一下，得利于LinDB自动的Rollup，如果InfluxDB开Continue Query的话相信应该也还好。