分布式时序数据库 - LinDB

分布式时序数据库 - LinDB

背景

  1. 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。
  2. 业界现在用的比较多的主要有如下几类TSDB:
  • 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:

  1. 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;
  2. LinDB Client主要用于数据的写入,也有一些查询的API;
  3. 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;
  4. 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:

  1. 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;
  2. 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:

  1. 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;
  1. Client写入时的Append Index,表示当前Client写入到哪里;
  2. 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;
  3. Follower的Ack Index,表示Follower已经成功复制到本地的WAL;
  4. 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;
    1. 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;
    2. 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。
    1. 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;
    2. 每个shard下面会存在segment,segment根据interval来存储相应时间片的数据;
    3. 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:

    1. segment按天来存储;
    2. 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:

    1. 解决多个机房之间的查询;
    2. 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;
    1. 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;
    2. 通过Zookeeper中的Metadata,把请求路由给具体的LinDB集群中对应的服务;
    3. 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;
    4. 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;
    5. 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。

    1. 根据Time Series的Measurement+Tags生成对应的唯一ID(类似luence里面的doc id)。
    2. 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
    3. 每一类数据都存储在独立的RocksDB Family中。

    内存结构


    1. 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。
    2. 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。
    3. 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。
    4. 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。
    5. 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。
    6. 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。

    1. 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。
    2. 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。
    3. 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)。
    4. 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。

    1. 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;
    2. 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;
    3. 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;
    4. 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;
    5. 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;
    6. 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;
    7. 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

    1. 丰富查询函数;
    2. 优化内存使用率;
    3. 自身监控的提升;
    4. 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。

    引用

    作者

    黄杰:2015年加入饿了么,现任框架工具部高级开发经理,主要负责饿了么的监控系统及监控系统周边的工具。

    我们这里还有坑位,欢迎有同样爱好的伙伴加入。有兴趣的同学请投简历到jie.huang@ele.me

    发布于 2018-04-23

    文章被以下专栏收录