背景

随着平台的不断壮大，业务的不断发展，后端系统的数据量、存储所使用的硬件成本也逐年递增。从发展的眼光看，业务与系统要想健康的发展，成本增加的问题必须重视起来。目前业界普遍认同开源节流大方向，很多企业部门也针对数据库存储降低成本进行了尝试，有的删数据、有的删索引、有的做压缩、有的做冷热分离，方式方法层出不穷，不一而足，然而不是因为收效甚微而导致没有达到预期，就是由于改造成本过大，投入周期过长，导致投产比不高，虚耗人力。笔者目前所在部门也正好面临同一问题，一个账单系统，存储数据超过100T，占用40台物理机，40库，一个分表就有20480张，这样的分表有4个，这种存储架构相对臃肿，要想实践降低成本的诉求，难度很高。

本文主要介绍方法，方案也会涉及，但不会特别细致的展开。

挑战

核心挑战有以下几个：

数据安全问题：无论是删数据，做压缩，冷热分离，对于已经占据100T磁盘空间的存储系统都是困难的操作，一个不小心，数据丢失了，或者无法正常获取数据了，这些问题对部门、对公司都会造成巨大损失。

系统稳定性问题：一些有效的降低存储空间的方案，如数据序列化、压缩等，无外乎是用时间换空间，牺牲性能换取磁盘空间的降低，那么从实际业务影响来看，用户看到页面的耗时增高了（读延时），或用户看到自己的数据迟迟未更新（写延时），用户的使用体验会降低。从系统影响的角度来看，读写耗时的增高，对于系统本身饱和度会产生影响，写方面，吞吐量下降了，读方面，耗时增加了，这些变化会导致系统线程数增高甚至导致线程堆积，cpu占用也会相应增高，最终可能会产生系统拒绝请求，系统夯住等问题。

收益问题：中文互联网上，数据库存储成本降低方案永远能看到一些词汇，如“删索引”，“元数据清理”，“冷热分离”等，这些眼熟的词汇，看似收益不错，大家也常提起。然而，删索引的收益受到实际使用索引的情况，收益浮动非常之大。我们都知道索引有单字段索引，有多字段的联合索引，联合索引会产生笛卡尔积的复杂度，如5岁的张三，6岁的张三，5岁的李四，10岁的李四等等，这样则不好测算删除某个索引所带来的正向收益。因此删除索引这个方案通常是在索引滥用的情况下使用，在清理滥用索引的过程中，附带降低了一些磁盘占用。而“冷热分离”是另一种极端，它改变了原有系统的存储架构，架构合理性也许会提升，但这个系统改造成本是巨大的，如冷热数据的同步机制，冷数据的迁移方案，原数据库冷数据清理方案，冷数据压缩方案、生产灰度方案等。改造成本非常高，周期长，耗费人力大，风险还非常高，唯一值得欣慰的是效果通常能够达到预期。

体系化方法



中文互联网上的缩减数据库磁盘空间的方案很多，但大多是方案的陈述，对于如何针对目标系统制定适合的缩减方案的内容很少，其实按照麦肯锡切分法的逻辑切分法就可进行一个方法总结。上图的九宫格，就是按照笔者的实践经验，总结出一个体系化成本降低的方法。

九宫格

按逻辑梳理的办法，方案可针对字段、表和库3个维度，结合删、减、缩3种策略进行梳理，如删除表、清理部分表数据、压缩部分表的存储空间等。结合系统的实际情况，按照表格进行梳理，就能得到适合目标系统的成本降低方案了。

笔者通过表格，结合账单系统实际情况，梳理出的执行的方案，1、大表压缩，2、大JSON字段序列化，3、删除无效数据，4、无效表删除，5、无效索引删除，6、冷热分离。

这么多的方案，总不能囫囵吞枣的瞎干吧，优先干哪个呢？他们的收益又是怎么样的呢？

收益测算

在实际的方案阶段，都需要对方案产生的收益进行度量，再按照投产比，决定方案执行的优先级。

测算方法

无论何种方案，测算起来无外乎抽样、估算减少量、计算占比几个过程。

举个例子

以大JSON字段序列化为例，某个字段存储的是大json串，占用的字符比较多，因此对该字段做压缩，能够有效的降低磁盘占用空间。这个方案如何测算呢？思路是这样的，首先计算出目标大json字段占一条数据字符长度的比例，然后根据压缩比，得出压缩后该字段减少的字符数占比，之后抽样此表的data文件占的磁盘空间（如3g），得出单表通过压缩后下降的磁盘空间（如1.2g），最终再乘以该表的数量（如20480），就能估算出最终减少的磁盘空间。最终计算公式： [压缩后减少的字符数/总字符数]*单表空间*表数量=[大json字符数*（1-压缩比）/总字符数]*单表空间*表数量=12t 磁盘减少占比：12t/95.9t=12%

如何得到字段的字符数？

可运用select LENGTH语法得出。具体计算可参照下表：



最终账单系统各方案的测算结果，大表压缩32%，大JSON字段序列化12%，删除无效数据10%，无效表删除与无效索引删除都在1%左右。通过测算情况，我们就可以建立方案执行的优先级了，step1大表压缩，step2大JSON字段序列化，step3删除无效数据等。冷热分离有收益，但是成本太高，可在日后架构升级中，再去考虑。

数据安全与系统稳定性

前文提到过，无论采用何种方案，数据安全与系统稳定性都需要验证的，数据丢失、或系统不可用、或降低用户体验下降过多都是不可接受的。因此需要保障这些情况尽量不要发生，或即使发生了，问题也在可控、可接受范围内。

方法

黄金指标

任何稳定性或安全性问题，都可通过google SRE的4个黄金指标去归纳，即异常（exception）、耗时（tp99等）、流量（tps）、饱和度（cpu、内存、磁盘、网络等）。

可以结合目标系统的关键时段来看这4个黄金指标，例如大表压缩方案，那就可以关注压缩时的异常、耗时等，压缩后的异常耗时等等。

结合实际验证项

压缩时：1、读写耗时是否增加？2、吞吐量是否受到影响？3、压缩是否会产生异常？4、异常后压缩过程能否正常回滚？5、压缩是否会导致数据丢失？

压缩后&大促高峰期：1、读写耗时是否增加？2、吞吐量是否受到影响？3、压缩后大促流量是否能够应对？

这些问题如果有一项未验证或验证未通过，都不能执行压缩方案，因为方案执行后可能会对数据安全与系统稳定造成影响。

如何验证呢？

最严重的问题压缩是否会导致数据丢失，想通过一些方法验证这个问题非常困难的，只能通过mysql的压缩过程原理去分析。



从官方文档中提炼出了Online DDL的4个步骤，从图中可看出，在任何阶段原表数据都不会丢失，直到完成切换后，原表才会被定期清理，因此压缩过程中数据是安全的。

第二个需要验证的是压缩时、压缩后与大促高峰期整个系统的读写耗时与吞吐量。

第一步：搭建等比验证环境

以文中账单系统实践为例，将生产的一个分库完全复制到一个新的物理机上，这样就以20:1的比例搭建了验证库。

第二步：模拟流量

这一步，需要结合目标系统的实际情况，完全模拟系统高峰期的流量，文中的账单系统是通过改造代码来达到流量预期的，如果所在部门原本就具备压测条件，可直接调整压测robot的流量开启压测程序来达到流量预期。

流量达标后，通过观察压缩时或压缩后系统的吞吐量、写入的耗时以及慢sql等情况，来判断压缩对系统及数据库的影响。如果此步发现了明显的慢sql或吞吐量异常，就需要考量这些情况是否会影响系统的SLA指标，同时还要考量系统及业务能否容忍压缩所带来的负面影响。

压缩回滚问题

账单系统在做模拟流量压测时，意外的发生了异常，导致了压缩过程回滚。这也变相验证了，压缩过程是可回滚的。异常比较常见，duplicate key，这个异常是唯一索引重复导致。这个问题需要重视，因为账单系统会接收各种业务方的mq消息，难免会有这种重复下发过来的mq，如果经常出现这种异常，最坏的情况是某些相关表永远无法压缩成功。如下图

解决这个问题的方法很多，这里不赘述，但异常情况是做压缩过程中必须避免的。

方案落地

灰度

在方案的落地过程中，需要有灰度过程，来观察方案在生产环境中的执行是否会产生意料之外的问题。灰度的方法应视具体情况而定，但任何的灰度方案都应该至少考虑故障、业务与性能3个方面。

（故障）影响范围控制：以小见大，第一阶段的灰度一定是以最细颗粒度方案进行落地的，以便观察系统是否稳定、业务是否正常，这样即使出现意料之外的问题，影响的用户也是非常少的，不至于引起舆情。以表压缩为例，刚开始只压缩一张表，观察情况，随时准备回滚。

（业务）全场景安全：遵循灰度周期递减的方式，第一阶段灰度开始时，经历的时间要足够长，确保新的内容已经经历过所有生产场景（all story）的考验，这样能够保障新的内容在业务上是正确的，之后可以逐步的缩短验证周期，加快灰度进程。

（性能）高流量验证：高峰期考验，每个灰度阶段都至少经历一个流量高峰期，来验证新内容的性能是否能够承受高峰流量。为什么每个灰度阶段都要经历高峰期流量，第一阶段灰度的时候已经经历过一次高峰期流量验证了吗？这样做验证逻辑是有漏洞的，系统作为一个整体，当其中大部分内容替换成新内容后，整个系统饱和度会随之产生变化，如表压缩场景，是用时间换空间，因此可能影响系统的吞吐量，起初压缩一张表时，高峰期系统吞吐量可能并没有什么影响，之后压缩100张表后，高峰期系统开始有些流量积压，到最后10000张表压缩后，高峰期系统可能产生大量积压。像吞吐量这种宏观指标，在每个灰度阶段都必须关注。因此每个灰度阶段，都必须经历至少一个流量高峰期，才能证明系统的性能是没问题的。

回滚

在方案的灰度过程中，必须有相应的回滚手段，以便灰度产生问题后，能够及时的回滚止损。回滚方案中，需要注意的有两点，1是及时，2是有效，如压缩方案中的回滚方案是解压缩命令（通过alter），及时提工单即可执行。

总结

本文主要以介绍方法为主，落地过程可以归纳为方案->收益测算->数据安全验证->系统稳定性验证->灰度与回滚。文中的账单系统通过step1大表压缩32%，step2大JSON字段序列化12%，step3删除无效数据10%，3个方案的顺利落地，有效的减少了50.7%的磁盘空间，成本下降也非常显著。最后，希望此文能够给还在迷茫，不知从何处下手落地数据库存储成本降低的同学一些启发和灵感，以上。

作者：京东科技 李阳

来源：京东云开发者社区 转载请注明来源