查看原文
其他

微博分布式存储考试题:案例讲解及作业精选

2016-01-21 Tim 高可用架构

前几天「高可用架构」推送了微博分布式存储考试题,很多工程师踊跃提交了自己的作业。考虑到网上有很多架构师也在讨论该题如何实现,补充题目一些说明如下。




访问场景

上面题目是访问微博的主要应用场景,用户在一般情况下,主要用户查看自己收到的最新的微博,以及访问某个特定用户 profile 的所有微博。


  • 收到的微博,考虑微博以拉为主的模式,则系统需要访问当前用户所关注的所有用户最近 n 条最新的微博。

  • 用户 profile,需要访问用户历史上发表的微博,而且支持分页查看,可以直接跳转到某一页或者某个时间段(如 2014 年 10 月),因此需要适当考虑分页的效率(可参考文末扩展阅读)。


访问特征


  • 从上面描述以及社交网络的用户访问特点来看,用户大部分情况( > 90% )是访问最近 7 天的数据。


题目不需要考虑的点


  • 此题主要是存储层的设计,因此不需要考虑缓存层设计

  • 由于微博是异步写入的,在某种程度可以起到错峰作用,所以作业暂时不需要考虑写入的峰值。

  • 不需要考虑 id 如何产生,假定系统已经有发号服务。

  • 不需要考虑用户收到的微博怎么聚合,那个由服务层来完成。


设计需要考虑的点

Scale-out 扩展性


  • 如何将数据拆分到多个独立的单元存储。

  • 可以在适当时机进一步拆分(re-sharding),拆分时候需要继续提供在线访问。

  • 存储在廉价硬件上,考虑到数据规模比较大,需要适当考虑方案的整体成本,因此不要假定默认全部使用 SSD 存储。


Cost 成本


  • 不同访问级别的数据存储在不同访问速度(成本)的硬件上。


High availability 高可用,以及 Reliability 可靠性 – 复制


  • 在当前场景下,主要通过 MySQL replication 来解决可用性、以及分担读的请求。


Sharding 策略

Shard 常用策略有


  • Range based:根据用户 uid 来分布,相邻 uid 的数据保存在一起。

  • Hash based:根据某个 hash 函数,将一个用户 uid 的数据保存在指定的分片。


Re-Sharding 拆分设计


  • 当数据持续增长,原先存储的数据(或者访问量)超过当前节点的容量上限,则需要对节点进行进一步拆分。




容量规划


  • 预规划: 容纳未来一段时间的数据

  • 2 的指数倍: shard 数量变更简单


Tradeoff


  • 分片多:影响 IO 效率;

  • 分片少:扩容频繁、复杂


案例精选

案例一:使用 user id range 作为分片 ( by 张轲)



案例二:使用 user id hash 作为分片

案例三 :by 张亮


历史数据

  1. 每半年根据日期分库,如:2015.01 - 2015.06 为一个库。每天增加 1 亿数据,半年 180 亿,约为 0.72T 数据,可以保留在 1T 的磁盘中。

  2. 根据 uid 取模分库(表),便于查询和分散数据。


当前 n 日数据

  1. 暂定 n 为 10,存储 10 亿数据。

  2. 根据 uid + 权重的 hash 算法分库。权重可以根据每个 uid 的微博 id 数量,粉丝数等指标离线计算。

  3. 为了应对突然发生的事件导致访问量激增,需要考虑2级甚至3级分片,而不宜直接做re-sharding导致数据迁移。多级分片可考虑读取一个标记,放在zk中。根据标记确定分片的hash算法加入小时等维度。


其中 hash 算法需保证:

  1. 同一 uid 需落在一个库。

  2. 权重接近的用户尽量均匀的落在不同库。


查询索引

  1. 增加发帖索引字段,记录每个用户的每个帖子的索引。

  2. 增加发帖总数统计表,以用户为维度,每个用户发一次贴则发帖总数++

  3. 增加二级索引表,记录每个用户,每次分片库的发帖索引。如:uid 1的用户,在 2015 年第一帖是该用户发帖的总数的第 10 贴,2015 年最后一贴是该用户发帖总数的第 50 贴。

  4. 分页查询使用二级索引表,先查到该查哪个真实库(可能是多个),再到真实库中获取数据。


总结

  1. 通过灵活的运用时间维度分片,免去因uid分片数量不足导致的大规模迁移,使用外部 flag 灵活的控制分片策略。而且用时间维度分片更易做到冷热分离。

  2. 分片逻辑可以灵活到,zk中记录时间段,某个时间段内,按月分,某个时间段,按年分,之类。

  3. 通过离线计算权重的方式均匀分散数据访问。权重周期性调整,对于调整权重的用户,需要重点考虑当前n日数据的数据迁移方案。但由于调整权重的用户属于少量,所以迁移应该数据变动较小。历史数据不需权重概念,无需数据迁移。

  4. 查询使用二级索引。使用修改 btree 结构去掉二级索引能有效减少数据量,但实现难度较大,可以在之后的局部优化中实现,对总体数据库结构影响不大。

  5. 将前 n 日数据和当天数据整合在一起,之前对微博的场景理解不深,以为有首屏显示这样的概念。


扩展阅读

为什么超长列表数据的翻页技术实现复杂,请点击阅读原文进入。


对题目如何设计感兴趣的朋友可以继续提交作业到 iso1600@gmail.com,关注「高可用架构」公众号可以订阅后续新的架构题讲解及作业精选,转载本文请注明来自高可用架构 「ArchNotes」微信公众号及包含以下二维码。



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存