为什么你的接口性能差，实际原因就在这里？

草帽路飞UU

一、前言



　　这篇文章咱们来聊一下，百亿级别的海量数据场景下还要支撑每秒十万级别的高并发查询，这个架构该如何演进和设计？

　　咱们先来看看目前系统已经演进到了什么样的架构，大家看看下面的图：


首先回顾一下，整个架构右侧部分演进到的那个程度，其实已经非常的不错了，因为百亿流量，每秒十万级并发写入的场景，使用MQ限流削峰、分布式KV集群给抗住了。

　　接着使用了计算与存储分离的架构，各个Slave计算节点会负责提取数据到内存中，基于自研的SQL内存计算引擎完成计算。同时采用了数据动静分离的架构，静态数据全部缓存，动态数据自


动提取，保证了尽可能把网络请求开销降低到最低。

　　另外，通过自研的分布式系统架构，包括数据分片和计算任务分布式执行、弹性资源调度、分布式高容错机制、主备自动切换机制，都能保证整套系统的任意按需扩容，高性能、高可用的的运行。

　　下一步，咱们来研究研究架构里的左侧部分。

　　二、日益膨胀的离线计算结果

　　其实大家会注意到，在左侧还有一个MySQL，那个MySQL就是用来承载实时计算结果和离线计算结果放在里面汇总的。

　　终端的商家用户就可以随意的查询MySQL里的数据分析结果，支撑自己的决策，他可以看当天的数据分析报告，也可以看历史上任何一段时期内的数据分析报告。

　　但是那个MySQL在早期可能还好一些，因为其实存放在这个MySQL里的数据量相对要小一些，毕竟是计算后的一些结果罢了。但是到了中后期，这个MySQL可是也岌岌可危了。

　　给大家举一个例子，离线计算链路里，如果每天增量数据是1000万，那么每天计算完以后的结果大概只有50万，每天50万新增数据放入MySQL，其实还是可以接受的。

　　但是如果每天增量数据是10亿，那么每天计算完以后的结果大致会是千万级，你可以算他是计算结果有5000万条数据吧，每天5000万增量数据写入左侧的MySQL中，你觉得是啥感觉？

　　可以给大家说说系统当时的情况，基本上就是，单台MySQL服务器的磁盘存储空间很快就要接近满掉，而且单表数据量都是几亿、甚至十亿的级别。

　　这种量级的单表数据量，你觉得用户查询数据分析报告的时候，体验能好么？基本当时一次查询都是几秒钟的级别。很慢。

　　更有甚者，出现过用户一次查询要十秒的级别，甚至几十秒，上分钟的级别。很崩溃，用户体验很差，远远达不到付费产品的级别。

　　所以解决了右侧的存储和计算的问题之后，左侧的查询的问题也迫在眉睫。新一轮的重构，势在必行！

　　三、分库分表 + 读写分离

　　首先就是老一套，分库分表 + 读写分离，这个基本是基于MySQL的架构中，必经之路了，毕竟实施起来难度不是特别的高，而且速度较快，效果比较显著。

　　说白了，就是分库后，每台主库可以承载部分写入压力，单库的写并发会降低；其次就是单个主库的磁盘空间可以降低负载的数据量，不至于很快就满了；

　　而分表之后，单个数据表的数据量可以降低到百万级别，这个是支撑海量数据以及保证高性能的最佳实践，基本两三百万的单表数据量级还是合理的。

　　然后读写分离之后，就可以将单库的读写负载压力分离到主库和从库多台机器上去，主库就承载写负载，从库就承载读负载，这样避免单库所在机器的读写负载过高，导致CPU负载、IO负载、网络负载过


高，最后搞得数据库机器宕机。

　　首先这么重构一下数据库层面的架构之后，效果就好的多了。因为单表数据量降低了，那么用户查询的性能得到很大的提升，基本可以达到1秒以内的效果。



四、每秒10万查询的高并发挑战

　　上面那套初步的分库分表+读写分离的架构确实支撑了一段时间，但是慢慢的那套架构又暴露出来了弊端出来了，因为商家用户都是开了数据分析页面之后，页面上有js脚本会每隔几秒钟就发送一次请求


到后端来加载最新的数据分析结果。

　　此时就有一个问题了，渐渐的查询MySQL的压力越来越大，基本上可预见的范围是朝着每秒10级别去走。

　　但是我们分析了一下，其实99%的查询，都是页面JS脚本自动发出刷新当日数据的查询。只有1%的查询是针对昨天以前的历史数据，用户手动指定查询范围后来查询的。

　　但是现在的这个架构之下，我们是把当日实时数据计算结果（代表了热数据）和历史离线计算结果（代表了冷数据）都放在一起的，所以大家可以想象一下，热数据和冷数据放在一起，然后对热数据的高


并发查询占到了99%，那这样的架构还合理吗？

　　当然不合理，我们需要再次重构系统架构。

　　五、 数据的冷热分离架构

　　针对上述提到的问题，很明显要做的一个架构重构就是冷热数据分离。也就是说，将今日实时计算出来的热数据放在一个MySQL集群里，将离线计算出来的冷数据放在另外一个MySQL集群里。

　　然后开发一个数据查询平台，封装底层的多个MySQL集群，根据查询条件动态路由到热数据存储或者是冷数据存储。

　　通过这个步骤的重构，我们就可以有效的将热数据存储中单表的数据量降低到更少更少，有的单表数据量可能就几十万，因为将离线计算的大量数据结果从表里剥离出去了，放到另外一个集群里去。此时


大家可想而知，效果当然是更好了。

　　因为热数据的单表数据量减少了很多，当时的一个最明显的效果，就是用户99%的查询都是针对热数据存储发起的，性能从原来的1秒左右降低到了200毫秒以内，用户体验提升，大家感觉更好了。




六、自研Elasticsearch+HBase+纯内存的查询引擎

　　架构演进到这里，看起来好像还不错，但是其实问题还是很多。因为到了这个阶段，系统遇到了另外一个较为严重的问题：冷数据存储，如果完全用MySQL来承载是很不靠谱的。冷数据的数据量是日增


长不断增加，而且增速很快，每天都新增几千万。

　　因此你的MySQL服务器将会面临不断的需要扩容的问题，而且如果为了支撑这1%的冷数据查询请求，不断的扩容增加高配置的MySQL服务器，大家觉得靠谱么？

　　肯定是不合适的！

　　要知道，大量分库分表后，MySQL大量的库和表维护起来是相当麻烦的，修改个字段？加个索引？这都是一场麻烦事儿。

　　此外，因为对冷数据的查询，一般都是针对大量数据的查询，比如用户会选择过去几个月，甚至一年的数据进行分析查询，此时如果纯用MySQL还是挺灾难性的。

　　因为当时明显发现，针对海量数据场景下，一下子查询分析几个月或者几年的数据，性能是极差的，还是很容易搞成几秒甚至几十秒才出结果。

　　因此针对这个冷数据的存储和查询的问题，我们最终选择了自研一套基于NoSQL来存储，然后基于NoSQL+内存的SQL计算引擎。

　　具体来说，我们会将冷数据全部采用ES+HBase来进行存储，ES中主要存放要对冷数据进行筛选的各种条件索引，比如日期以及各种维度的数据，然后HBase中会存放全量的数据字段。

　　因为ES和HBase的原生SQL支持都不太好，因此我们直接自研了另外一套SQL引擎，专门支持这种特定的场景，就是基本没有多表关联，就是对单个数据集进行查询和分析，然后支持NoSQL存储+内存计


算。

　　这里有一个先决条件，就是如果要做到对冷数据全部是单表类的数据集查询，必须要在冷数据进入NoSQL存储的时候，全部基于ES和HBase的特性做到多表入库关联，进数据存储就全部做成大宽表的状


态，将数据关联全部上推到入库时完成，而不是在查询时进行。

　　对冷数据的查询，我们自研的SQL引擎首先会根据各种where条件先走ES的分布式高性能索引查询，ES可以针对海量数据高性能的检索出来需要的那部分数据，这个过程用ES做是最合适的。

　　接着就是将检索出来的数据对应的完整的各个数据字段，从HBase里提取出来，拼接成完成的数据。

　　然后就是将这份数据集放在内存里，进行复杂的函数计算、分组聚合以及排序等操作。

　　上述操作，全部基于自研的针对这个场景的查询引擎完成，底层基于Elasticsearch、HBase、纯内存来实现。



七、实时数据存储引入缓存集群

　　好了，到此为止，冷数据的海量数据存储、高性能查询的问题，就解决了。接着回过头来看看当日实时数据的查询，其实实时数据的每日计算结果不会太多，而且写入并发不会特别特别的高，每秒上万也


就差不多了。

　　因此这个背景下，就是用MySQL分库分表来支撑数据的写入、存储和查询，都没问题。

　　但是有一个小问题，就是说每个商家的实时数据其实不是频繁的变更的，在一段时间内，可能压根儿没变化，因此不需要高并发请求，每秒10万级别的全部落地到数据库层面吧？要全都落地到数据库层


面，那可能要给每个主库挂载很多从库来支撑高并发读。

　　因此这里我们引入了一个缓存集群，实时数据每次更新后写入的时候，都是写数据库集群同时还写缓存集群的，是双写的方式。

　　然后查询的时候是优先从缓存集群来走，此时基本上90%以上的高并发查询都走缓存集群了，然后只有10%的查询会落地到数据库集群。



八、阶段性总结

　　好了，到此为止，这个架构基本左边也都重构完毕：

　　·热数据基于缓存集群+数据库集群来承载高并发的每秒十万级别的查询。

　　· 冷数据基于ES+HBase+内存计算的自研查询引擎来支撑海量数据存储以及高性能查询。

　　经实践，整个效果非常的好。用户对热数据的查询基本多是几十毫秒的响应速度，对冷数据的查询基本都是200毫秒以内的响应速度。

　　九、下一阶段的展望

　　其实架构演进到这里已经很不容易了，因为看似这么一张图，里面涉及到无数的细节和技术方案的落地，需要一个团队耗费至少1年的时间才能做到这个程度。

　　但是接下来，我们要面对的，就是高可用的问题，因为付费级的产品，我们必须要保证超高的可用性，99.99%的可用性，甚至是99.999%的可用性。