饿了么轻量级分布式时序数据库的设计与探索！-51CTO.COM

作者介绍黄杰，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。

一、背景

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。原来使用的是graphite，后来慢慢对指标有了多维的需求，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。

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的InfluxDB。其优点在于支持多维和多字段，存储也根据TSDB的特点做了优化，不过开源的部分并不支持。很多公司自己做集群化，但大多基于指标名来，这样就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***的服务器，可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，不过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，优点在于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。在以前公司也用基于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，不过看到它的架构图时已经放弃了；
ElasticSearch（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，同样是全内存TSDB，最近的数据也在内存，目前应该还在孵化期。

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；
要有自动的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，只要还有一个副本存活就可以正常提供服务，副本数指定。

二、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：

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；
LinDB Client主要用于数据的写入，也有一些查询的API；
LinStorage的每个节点组成一个集群，节点之间进行复制，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；
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在集群的节点选一个成为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。

1、写入

整个写过程分为如下2部分组成：

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；
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，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为例来说：

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可能落后于Server1。

说明：

整个过程需要注意以下几个Index：

Client写入时的Append Index，表示当前Client写入到哪里；
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；
Follower的Ack Index，表示Follower已经成功复制到本地的WAL；
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才会继续处理。

在整个过程中可能出现如下情况：

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；
Leader Replica Index <>

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复制的数据复制给它们。

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写入量剧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为例：

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，存储具体的数据，包括数据文件和索引文件。

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。每个Shard下面会存在segment，segment根据Interval来存储相应时间片的数据。

那么为什么每个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***时间写入，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，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：

segment按天来存储；
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。

2、查询引擎

LinDB查询需要解决如下问题：

解决多个机房之间的查询；
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；
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；
通过Zookeeper中的Metadata，把请求路由给具体的LinDB集群中对应的服务；
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变更的时候由Server端推送给LinConnect，这样LinConnect基本做到近实时的更新Metadata；
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；
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：

如图所示，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。

3、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。

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

内存结构

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。

内存存储分为当前可写和不可写，当前可写用于接收正常的数据写入，不可写用于Dump到文件中，如果Dump成功，则清空不可写部分。

如果可写的Memory Table也到达了内存容量的限制，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。

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。

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。

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定位出该Measurement的数据存储在哪个Block中。

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。
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。
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)。
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***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。

三、发展历程

LinDB从2年前正式慢慢服务于公司的监控系统起，从1.0发展到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，3.0性能大幅提升，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，再结合时序的特征做一些优化。

时序一般都是***写入，但也是一种随机写，我们会先在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；
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，这点很像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；
不像别的TSDB会把timestamp直接存下来，一般timestamp到毫秒级别占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***，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了空间；
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读出来，这也是LinDB 3.0我们考虑自己实现列式存储的原因。我们把相同列存在一块，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；
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，而不是通过二分查找；
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；
查询计算并行流式处理。

所以用一句话来总结就是——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