華為自研分布式時序數(shù)據(jù)庫集群：初始GaussDB(for Influx)

前言

隨著云計算規(guī)模越來越大，以及物聯(lián)網(wǎng)應(yīng)用逐漸普及，在物聯(lián)網(wǎng)（AIoT）以及運維監(jiān)控（AIOps）領(lǐng)域，存在海量的時序數(shù)據(jù)需要存儲管理。以華為云監(jiān)控服務(wù)（Cloud Eye Service，CES）為例，單個Region需要監(jiān)控7000多萬監(jiān)控指標(biāo)，每秒需要處理90萬個上報的監(jiān)控指標(biāo)項，假設(shè)每個指標(biāo)50個字節(jié)，一年的數(shù)據(jù)將達(dá)到PB級。另以地震監(jiān)測系統(tǒng)為例，數(shù)萬監(jiān)測站點24小時不間斷采集數(shù)據(jù)，平均每天要處理的指標(biāo)數(shù)據(jù)達(dá)到TB級，一年的數(shù)據(jù)同樣達(dá)到PB級，并且數(shù)據(jù)需要永久存儲。傳統(tǒng)的關(guān)系型數(shù)據(jù)庫很難支撐這么大的數(shù)據(jù)量和寫入壓力，Hadoop等大數(shù)據(jù)解決方案以及現(xiàn)有的開源時序數(shù)據(jù)庫也面臨非常大的挑戰(zhàn)。對時序數(shù)據(jù)實時交互、存儲和分析的需求，將推動時序數(shù)據(jù)庫在架構(gòu)、性能和數(shù)據(jù)壓縮等方面不斷進行創(chuàng)新和優(yōu)化。

GaussDB(for Influx)時序數(shù)據(jù)庫依靠華為在數(shù)據(jù)存儲領(lǐng)域多年的實踐經(jīng)驗，整合華為云的計算、存儲、服務(wù)保障和安全等方面的能力，大膽在架構(gòu)、性能和數(shù)據(jù)壓縮等方面進行了技術(shù)創(chuàng)新，達(dá)到了較好的效果，對內(nèi)支撐了華為云基礎(chǔ)設(shè)施服務(wù)，對外以服務(wù)的形式開放，幫助上云企業(yè)解決相關(guān)業(yè)務(wù)問題。

云原生存儲與計算分離架構(gòu)

GaussDB(for Influx)接口完全兼容InfluxDB，寫入接口兼容OpenTSDB、Prometheus和Graphite。從架構(gòu)上看，一個時序數(shù)據(jù)庫集群可以分為三大組件。它們分別是：

Shard節(jié)點：節(jié)點采用無狀態(tài)設(shè)計，主要負(fù)責(zé)數(shù)據(jù)的寫入和查詢。在節(jié)點內(nèi)，除了分片和時間線管理之外，還支持?jǐn)?shù)據(jù)預(yù)聚合、數(shù)據(jù)降采樣和TAG分組查詢等專為時序場景而優(yōu)化的功能。

Config集群：存儲和管理集群元數(shù)據(jù)，采用三節(jié)點的復(fù)制集模式，保證元數(shù)據(jù)的高可靠性。

分布式存儲系統(tǒng)：集中存儲持久化的數(shù)據(jù)和日志，數(shù)據(jù)采用三副本方式存放，對上層應(yīng)用透明。存儲系統(tǒng)為華為自研，經(jīng)過多年產(chǎn)品實踐檢驗，系統(tǒng)的高可用和高可靠性都得到了驗證。

相比InfluxDB等開源時序數(shù)據(jù)庫，采用存儲與計算分離的云原生數(shù)據(jù)庫設(shè)計具備以下優(yōu)勢：

容忍N-1節(jié)點故障，更高可用。存儲與計算分離，可以復(fù)用成熟的分布式存儲系統(tǒng)，提供系統(tǒng)的極致可靠性。時序數(shù)據(jù)通常會持續(xù)高性能寫入，同時還有大量的查詢業(yè)務(wù)，任何系統(tǒng)故障導(dǎo)致業(yè)務(wù)中斷甚至數(shù)據(jù)丟失都會造成嚴(yán)重的業(yè)務(wù)影響，而利用經(jīng)過驗證的成熟的分布式存儲系統(tǒng)，能夠顯著的提升系統(tǒng)可靠性，降低數(shù)據(jù)丟失風(fēng)險。

分鐘級計算節(jié)點擴容，秒級存儲擴容。解除在傳統(tǒng)Shared Nothing架構(gòu)下，數(shù)據(jù)和節(jié)點物理綁定的約束，數(shù)據(jù)只是邏輯上歸宿于某個節(jié)點，使的計算節(jié)點無狀態(tài)化。這樣在擴容計算節(jié)點時，可以避免在計算節(jié)點間遷移大量數(shù)據(jù)，只需要邏輯上將部分?jǐn)?shù)據(jù)從一個節(jié)點移交給另一個節(jié)點即可，可以將集群擴容的耗時從以天為單位縮短為分鐘級別。

消除多副本冗余，降低存儲成本。通過將多副本復(fù)制從計算節(jié)點卸載到分布式存儲節(jié)點，可以避免用戶以Cloud Hosting形態(tài)在云上自建數(shù)據(jù)庫時，分布式數(shù)據(jù)庫和分布式存儲分別做3副本復(fù)制導(dǎo)致總共9副本的冗余問題，能夠顯著降低存儲成本。

GaussDB(for Influx)采用云原生存儲與計算分離架構(gòu)，具有支持億級時間線、極致寫入性能、低存儲成本、高性能多維聚合查詢和極致彈性擴縮容等5大特性。

支持億級時間線

在時序數(shù)據(jù)庫系統(tǒng)中，存在大量并發(fā)查詢和寫入操作，合理控制內(nèi)存的使用量顯得十分重要。開源時序數(shù)據(jù)庫VictoriaMetrics和InfluxDB在寫入數(shù)據(jù)的時間線增加到千萬級別時，進程會因內(nèi)存耗盡而OOM退出。為了避免寫入海量時間線數(shù)據(jù)導(dǎo)致內(nèi)存資源被耗盡，GaussDB（for Influx）做了如下優(yōu)化：

●在內(nèi)存分配上，大量使用內(nèi)存池復(fù)用技術(shù)，減少臨時對象內(nèi)存申請，降低內(nèi)存碎片；

●在內(nèi)存回收上，實現(xiàn)算法根據(jù)內(nèi)存負(fù)載，動態(tài)調(diào)整GC頻率，加快內(nèi)存空間回收；

●在單查詢上，實行Quota控制，避免單查詢耗盡內(nèi)存；

●在緩存使用上，針對不同節(jié)點規(guī)格提供不同的最優(yōu)配置。

經(jīng)過改進，在海量時間線下，系統(tǒng)寫入性能保持穩(wěn)定，大幅超出InfluxDB開源實現(xiàn)。對于涉及海量時間線的聚合查詢，如高散列聚合查詢，查詢性能提升更為顯著。

極致寫入性能：支持每天萬億條數(shù)據(jù)寫入

相比單機模式，集群模式可以將寫入負(fù)載分散到集群中各個計算節(jié)點上，從而支持更大規(guī)模的數(shù)據(jù)寫入。GaussDB（for Influx）支持每天萬億條數(shù)據(jù)寫入，在工程實現(xiàn)上進行了以下優(yōu)化：

首先，時序數(shù)據(jù)按照時間線做Hash Partition，利用所有節(jié)點并行寫入，充分發(fā)揮集群優(yōu)勢。

其次，Shard節(jié)點采用針對寫場景優(yōu)化的LSM-Tree布局，寫WAL后確保日志持久化，再寫入內(nèi)存Buffer即可返回。

最后，數(shù)據(jù)庫多副本復(fù)制卸載到分布式存儲，降低計算節(jié)點到存儲節(jié)點的網(wǎng)絡(luò)流量。

在大規(guī)模寫入場景下，GaussDB（for influx）的寫入性能線性擴展度大于80%。

低存儲成本：只需1/20的存儲成本

在時序數(shù)據(jù)庫面對的AIOps運維監(jiān)控和AIoT物聯(lián)網(wǎng)兩個典型應(yīng)用場景中，每天會產(chǎn)生數(shù)GB甚至數(shù)TB的時序數(shù)據(jù)。如果無法對這些時序數(shù)據(jù)進行很好的管理和壓縮，那將會給企業(yè)帶來非常高的成本壓力。

GaussDB（for Influx）對數(shù)據(jù)采用列式存儲，相同類型的數(shù)據(jù)被集中存儲，更有利于數(shù)據(jù)壓縮。采用自研的時序數(shù)據(jù)自適應(yīng)壓縮算法，在壓縮前對數(shù)據(jù)進行抽樣分析，根據(jù)數(shù)據(jù)量、數(shù)據(jù)分布以及數(shù)據(jù)類型選擇最合適的數(shù)據(jù)壓縮算法。在壓縮算法上，相比原生的InfluxDB，重點針對Float、String、Timestamp這三種數(shù)據(jù)類型進行了優(yōu)化和改進。

Float數(shù)據(jù)類型：對Gorilla壓縮算法進行了優(yōu)化，將可以無損轉(zhuǎn)換的數(shù)值轉(zhuǎn)為整數(shù)，再根據(jù)數(shù)據(jù)特點，選擇最合適的數(shù)據(jù)壓縮算法。

String數(shù)據(jù)類型：采用了壓縮效率更好的ZSTD壓縮算法，并根據(jù)待壓縮數(shù)據(jù)的Length使用不同Level的編碼方法。

Timestamp數(shù)據(jù)類型：采用差量壓縮方法，最后還針對數(shù)據(jù)文件內(nèi)的Timestamp進行相似性壓縮，進一步降低時序數(shù)據(jù)存儲成本。

下圖是分別采用實際業(yè)務(wù)場景的事件日志數(shù)據(jù)（數(shù)據(jù)集1)和云服務(wù)器監(jiān)控指標(biāo)數(shù)據(jù) (數(shù)據(jù)集2）與InfluxDB進行了數(shù)據(jù)壓縮效率的性能對比。

節(jié)約存儲成本并非只有數(shù)據(jù)壓縮一種辦法。針對時序數(shù)據(jù)越舊的數(shù)據(jù)被訪問的概率越低的特點，GaussDB（for Influx）提供了時序數(shù)據(jù)的分級存儲，支持用戶自定義冷熱數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的冷熱分離。熱數(shù)據(jù)相對數(shù)據(jù)量小，訪問頻繁，被存儲在性能更好、成本較高的存儲介質(zhì)上；冷數(shù)據(jù)相對數(shù)據(jù)量大，訪問概率低，保存時間較久，被存儲在成本較低的存儲介質(zhì)上，進而達(dá)到節(jié)約存儲成本的目的。根據(jù)實際業(yè)務(wù)數(shù)據(jù)測算，相同數(shù)據(jù)量下存儲成本僅有關(guān)系型數(shù)據(jù)庫的1/20。

高性能多維聚合查詢

多維聚合是時序數(shù)據(jù)庫中較為常見，且會定期重復(fù)執(zhí)行的一種查詢，例如AIOps運維監(jiān)控場景中查詢CPU、內(nèi)存在指定時間范圍內(nèi)的平均值。

在提升聚合查詢整體性能方面，GaussDB（for Influx) 做了如下優(yōu)化：

●采用MPP架構(gòu)：一條查詢語句可以在多節(jié)點及多核并發(fā)執(zhí)行。

●向量化查詢引擎：在查詢結(jié)果數(shù)據(jù)量很大時，傳統(tǒng)的火山模型每次迭代返回一條數(shù)據(jù)，存在過多的開銷導(dǎo)致性能瓶頸。GaussDB（for Influx）內(nèi)部實現(xiàn)了向量化查詢引擎，每次迭代批量返回數(shù)據(jù)，大大減少了額外開銷。

●增量聚合引擎：基于滑動窗口的聚合查詢，大部分從聚合結(jié)果緩存中直接命中，僅需要聚合增量數(shù)據(jù)部分即可。

●多維倒排索引：支持多維多條件組合查詢，避免大量Scan數(shù)據(jù)。

●存儲摘要索引，加快數(shù)據(jù)查詢中過濾無關(guān)數(shù)據(jù)。

相同節(jié)點規(guī)格，GaussDB（for Influx）的聚合查詢性能是InfluxDB Enterprise的10倍，是Timescale的2到5倍。

分鐘級彈性擴縮容

在時序數(shù)據(jù)庫的運行過程中，隨著業(yè)務(wù)量的增加，常常需要對數(shù)據(jù)庫進行在線擴容，以滿足業(yè)務(wù)的要求。傳統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)存儲在本地，擴容后往往需要遷移數(shù)據(jù)。當(dāng)數(shù)據(jù)量達(dá)到一定規(guī)模時，數(shù)據(jù)遷移所耗費的時間往往按天計算，給運維帶來了很大的困難。

如上圖所示，每個Database邏輯上由多個Partition組成，每個Partition獨立存儲，且都可自描述。所有Partition數(shù)據(jù)都存儲在分布式共享存儲上，數(shù)據(jù)庫Shard節(jié)點和數(shù)據(jù)沒有物理綁定關(guān)系。擴容時首先offload源節(jié)點Partition，再在目標(biāo)節(jié)點assign即可。

總結(jié)

時序數(shù)據(jù)應(yīng)該存儲在專門為時序數(shù)據(jù)進行優(yōu)化的時序數(shù)據(jù)庫系統(tǒng)中。華為云某業(yè)務(wù)從Cassandra切換到GaussDB（for Influx）后，計算節(jié)點從總共39個（熱集群18個，冷集群9個，大數(shù)據(jù)分析集群 12個）降低到了9個節(jié)點，縮減4倍計算節(jié)點。存儲空間消耗從每天1TB降低到100GB以內(nèi)，縮減10倍存儲空間消耗。

GaussDB（for Influx）提供了獨特的數(shù)據(jù)存儲管理解決方案，云原生的存儲與計算架構(gòu)，可根據(jù)業(yè)務(wù)變化快速擴容縮容；高效的數(shù)據(jù)壓縮能力和數(shù)據(jù)冷熱分離設(shè)計，可大幅降低數(shù)據(jù)存儲成本；高吞吐的集群，可滿足大規(guī)模運維監(jiān)控和物聯(lián)網(wǎng)場景海量數(shù)據(jù)寫入和查詢性能要求。

審核編輯：湯梓紅