本系列文章主要介绍 BaikalDB在同程艺龙的落地实践

作者简介：王勇，同程艺龙架构师，BaikalDB Column Store Contributor，专注于分布式数据库方向的研发工作

欢迎Star关注 BaikalDB (github.com/baidu/BaikalDB) 国内加速镜像库gitee

BaikalDB 高性能和扩展性实践

本系列文章把BaikalDB总结为六个核心特性如下图，上篇文章BaikalDB高可用与HTAP特性实践 主要与前两个有关，本篇讨论中间两个， 下篇将讨论最后两个。

这也是我们在业务推广中的关注次序，即

• 首先必须（Must to）业务场景匹配精 准（1一致性）和运行平稳（2高可用）
• 其次最好（Had better）是数据多（3扩展性）与跑的快（4高性能）
• 最后应该是（Should）使用友好（5高兼容性）与 成本节省（6低成本）

简称：稳准多快好省。

本文将会通过介绍业务落地前的两个实际测试案例，来分享总结BaikalDB在性能与扩展性方面的数据。

基于行存OLTP场景的基准测试

测试目标

如果把BaikalDB看成一款产品，基准测试的目的就是加上一份产品规格说明书，在性能测试同学的参与下，我们进行了为期2个月的基准测试，并给BaikalDB这款产品的外包装上写下如下关于规格的信息：

• 设计的集群最大规模，在 1000 个节点情况下，能支持 18 种数据类型，单节点 1T 数据容量，集群整体1P容量。
• 在基准数据测试下，集群单点性能达到，write不低于2000 QPS，单次write不超过 50 ms， read性能达到不低于4000 QPS,单次read不超过 20 ms。
• 对外接口基本兼容MySQL 5.6版本协议。
• 基于Multi Raft 协议保障数据副本一致性，少数节点故障不影响正常使用。
• Share-Nothing架构，存储与计算分离，在线缩扩容对性能影响仅限于内部的数据自动均衡，而对外部透明，新增字段30s生效对集群无影响。

测试范围

• 性能测试（行式存储，大表104字段，小表63字段，集群总基础数据1TB，2TB，3TB）
  • 与mysql基准对比测试
  • 表结构字段个数影响（大表104字段，小表63字段）
  • 集群总基础数据大小影响（1TB，2TB，3TB）
  • 表结构影响（"自增主键"，"片键做全局索引"，"片键做主键"）
• 带压力的扩展性测试
  • 加节点（store）
  • 减节点（store）
  • 动态加列

测试环境

五台机器混合部署3 meta, 5 db, 5 store获取基准，另有一台机器作为增减节点机动（centos 7.4 32核 2.4GHZ，128G内存 1.5TSSD硬盘）

主要指标说明

• 最佳容量（KTPS）：
  • 定义
    • 系统最大吞吐能力: 每秒dml操作请求数
    • 单位为KTPS（千次操作请求/秒）
  • 前置条件：
    • 5台机器配置的集群（3 meta, 5 db, 5 store）
    • 连续两分钟可以稳定支撑的最大吞吐能力
    • 平均读响应时间小于20ms，平均写响应时间小于50ms
• 响应时间：dml操作从发送到收到返回结果所经过的时间，单位为毫秒
• diskIOUtil 磁盘使用率: 一秒中有百分之多少的时间用于 I/O 操作,或者说一秒中有多少时间 I/O 队列是非空的
  • 如果接近 100%，说明产生的I/O请求太多，I/O系统已经满负荷，该磁盘可能存在瓶颈。
  • 大于30%说明I/O压力就较大了，读写会有较多的wait
• 最佳容量判定方法

绘制系统的性能指标随着并发用户数增加而出现下降趋势的曲线，分析并识别性能区间和拐点并确定性能阈值。

测试结论

• 性能测试
  • 读： 片键做主键模式，5节点读容量为72K+TPS，性能比mysql高85%+，瓶颈为CPU
  • 写： 片键做主键模式，5节点写性能为9.6K+TPS，与mysql相当，为mysql的85%~120%之间，瓶颈为DiskIO
• 扩展性测试
  • 加节点：前端吞吐平稳
  • 减节点：减节点操作需要确保集群能力有足够的余量，能承载被减掉节点转移的压力
  • 加列： 22秒新列生效（1.25亿基础数据）

性能测试详情

与mysql基准对比测试

表结构字段个数影响

集群总基础数据大小的影响

表结构影响

扩展性测试详情

不停服增减节点

不停服增加列

不停服加列测试过程曲线图（22秒后所有的带新列的insert语句全部成功，红色曲线代表失败数降为0）

基于列存OLAP场景测试

测试背景

指标监控系统用于实时（定时）监控线上某实时业务数据，生成关于健康状态的相关指标，如果指标超出阈值，则触发报警功能。数据表约50列20亿行，查询sql10余种均为聚合类查询，检索列数不超过4列，查询条件为一定时间区间的范围查询，之前是跑在一款行存的分布式数据库之上，这是一个典型的olap类场景，我们采用baikaldb的列存模式与线上进行了对比测试，测试对象均为线上真实数据，两款DB集群配置相当，测试查询性能的同时，均承担等同的写负载。

测试结果

从测试结果可以看出，在宽表少列与聚合查询的sql查询，使用baikaldb的列式存储，可以有效减少磁盘IO，提高扫表及计算速度，进而提高查询性能，这类查询也是olap场景sql的常见写法。

性能与扩展性总结与思考

性能分析的几个角度

• 资源瓶颈视角
  • CPU : 多发生在读qps过大时（db，store），可监控vars/bthread_count指标
  • IO： 多发生在写qps过大时（store），可监控io.util指标，及store/rocksdb/LOG日志。
  • Mem：
    • io.util满可导致内存刷盘不及时进而引起内存满（store）；
    • 慢查询过多时，会导致查询积压于store，进而引起内存满（store）；相关参数db： slow_query_timeout_s=60s ；
    • store内存建议配置为所在实例的40%以上，因为内存直接影响cache命中率，cache miss过多的话，会增大io.util及sql用时；相关参数：cache_size=64M
    • export TCMALLOC_MAX_TOTAL_THREAD_CACHE_BYTES=209715200 #200M，当大value时，调大可以避免线程竞争，提高性能 。
  • Disk：
    • io.util满可导致rocksdb的L0层文件压缩不过来，出现快速的空间放大，进而导致磁盘快速被写满。相关参数：max_background_jobs=24
    • rocksdb数据文件不建议超过1T，按照默认配置，超过1T后rocksdb将增加1层，写放大增大10，写放大会导致io.util出现瓶颈。若服务器磁盘远大于1T，建议单机多实例部署。
  • NetWork：
    • 查询及事务大小建议控制在10M以内，数据量过大会触发事务及RPC包大小限制；
    • 若需全量导出，用 /*{"full_export":true}*/ select * from tb where id > x limit 1000; 语法。

用户视角

• 联合主键 vs 自增主键
  • BaikalDB是按主键进行分片的，主键的选择影响了数据的物理分布，好的做法是把查询条件落在尽量少的分片上，查询时基于前缀匹配，一般建议按范围从左到右建立联合主键，例如：class表主键可设置为schoolid，collegeid，classid # 学校，学院，班级;
  • BaikalDB实现自增主键主要是为了与MySQL兼容，由于全局自增是通过meta单raft group完成，会存在rpc开销及扩展性问题；另外全局自增主键也容易导致数据批量插入时请求集中于最后一个Region节点，容易出现瓶颈。
• 全局索引 vs 局部索引
  • 全局索引与主表不在一起，有自己的分片规则，好处是有路由发现功能，坏处是多了与全局索引的RPC开销，局部索引与主表一起，需要通过主键确定分片，否则需要广播，好处是RPC开销。
  • 小表建议用局部索引；
  • 大表（1亿以上），查询条件带主键前缀，用局部索引，否则用全局索引。
• 行存 vs 列存
  • 宽表少列（查询列/总列数 小于 20%）， 聚合查询的olap请求用列存
  • 其他情况用行存

实现视角

• Balance：BaikalDB会周期性的进行Leader均衡与Peer均衡，负载均衡过程中若数据迁移量较大，可能是影响性能，一般发生在：
  • 增删节点时
  • 批量导入数据时
  • 机器故障时
• SQL Optimizer：目前主要基于RBO，实现了部分CBO，若性能与执行计划有关，可以使用explain，及 index hint功能调优。

扩展性考虑因素

• 稳定性
  • 扩容：从实测情况看，扩容情况下比较平稳
  • 缩容：缩容较少发生，但在双中心单中心故障的情况下，相当于缩容一半，此时稳定性还是值得注意与优化的，主要包括：
    • meta，尤其是主meta挂了情况下，将不能提供ddl， 主auto incr 挂了情况下，将不能提供自增主键表的insert功能。
    • store读正常，但瞬间一半store leader挂了情况下，写功能需要等到所有leader迁移至健康中心为止。
• 极限容量：
  • 计算逻辑如下
    1. Region元数据=0.2k， Meta20G内存共计可管理的 Region总数 = 20G/0.2k = 100M
    2. Region数据量 = 100M，Store 1T磁盘共可管理的 Region个数每store = 1T/100M = 10k
    3. 共计可以管理的数据量 = Region总数 * Region数据量 = 100M * 100M = 10P
    4. 共计可以管理的store个数 = Region总数 / Region个数每store = 100M/10k = 10k
  • 理论上Meta 20G， Store 1T磁盘情况下，预计可管理 10k个store节点， 10P大小数据。
  • 实际上百度最大的集群管理了1000个store节点，每store 1T磁盘， 共计约1P的集群总空间。
• 线性
  • 固定范围：O（1）
  • 可以下推store全量： O(n/db并发度)
  • 不可下推store全量： O（n）
  • JOIN查询： O（n^2）

后记

• 本文的性能与扩展性分析数据均来源于实际项目，而非TPCC，TPCH标准化测试，但测试项目据有一定的代表性。
• BaikalDB测试数据基于V1.0.1版，最新发布的V1.1.2版又有了较多优化：
  • 优化seek性能，实测range scan速度提高1倍；
  • rocksdb升级6.8.1，使用Partitioned Index Filters，进一步提高了内存使用效率；
  • 增加利用统计信息计算代价选择索引功能（部分）；
  • 事务多语句Raft复制拆分执行，提高了Follower的并发度。

下篇预告：BaikalDB 低成本思考，敬请关注~