摘要：GaussDB（for Influx）提供了独特的数据存储管理解决方案，云原生的存储与计算架构，可根据业务变化快速扩容缩容；高效的数据压缩能力和数据冷热分离设计，可大幅降低数据存储成本；高吞吐的集群，可满足大规模运维监控和物联网场景海量数据写入和查询性能要求。
本文分享自华为云社区《华为自研PB级分布式时序数据库揭秘第一期：初识GaussDB（for Influx）》，原文作者：栖迟於一丘。
前言
随着云计算规模越来越大，以及物联网应用逐渐普及，在物联网（AIoT）以及运维监控（AIOps）领域，存在海量的时序数据需要存储管理。以华为云监控服务（Cloud Eye Service，CES）为例，单个Region需要监控7000多万监控指标，每秒需要处理90万个上报的监控指标项，假设每个指标50个字节，一年的数据将达到PB级。另以地震监测系统为例，数万监测站点24小时不间断采集数据，平均每天要处理的指标数据达到TB级，一年的数据同样达到PB级，并且数据需要永久存储。传统的关系型数据库很难支撑这么大的数据量和写入压力，Hadoop等大数据解决方案以及现有的开源时序数据库也面临非常大的挑战。对时序数据实时交互、存储和分析的需求，将推动时序数据库在架构、性能和数据压缩等方面不断进行创新和优化。
GaussDB(for Influx)时序数据库依靠华为在数据存储领域多年的实践经验，整合华为云的计算、存储、服务保障和安全等方面的能力，大胆在架构、性能和数据压缩等方面进行了技术创新，达到了较好的效果，对内支撑了华为云基础设施服务，对外以服务的形式开放，帮助上云企业解决相关业务问题。
云原生存储与计算分离架构
GaussDB(for Influx)接口完全兼容InfluxDB，写入接口兼容OpenTSDB、Prometheus和Graphite。从架构上看，一个时序数据库集群可以分为三大组件。它们分别是：
Shard节点：节点采用无状态设计，主要负责数据的写入和查询。在节点内，除了分片和时间线管理之外，还支持数据预聚合、数据降采样和TAG分组查询等专为时序场景而优化的功能。
Config集群：存储和管理集群元数据，采用三节点的复制集模式，保证元数据的高可靠性。
分布式存储系统：集中存储持久化的数据和日志，数据采用三副本方式存放，对上层应用透明。存储系统为华为自研，经过多年产品实践检验，系统的高可用和高可靠性都得到了验证。
相比InfluxDB等开源时序数据库，采用存储与计算分离的云原生数据库设计具备以下优势：
容忍N-1节点故障，更高可用。存储与计算分离，可以复用成熟的分布式存储系统，提供系统的极致可靠性。时序数据通常会持续高性能写入，同时还有大量的查询业务，任何系统故障导致业务中断甚至数据丢失都会造成严重的业务影响，而利用经过验证的成熟的分布式存储系统，能够显著的提升系统可靠性，降低数据丢失风险。
分钟级计算节点扩容，秒级存储扩容。解除在传统Shared Nothing架构下，数据和节点物理绑定的约束，数据只是逻辑上归宿于某个节点，使的计算节点无状态化。这样在扩容计算节点时，可以避免在计算节点间迁移大量数据，只需要逻辑上将部分数据从一个节点移交给另一个节点即可，可以将集群扩容的耗时从以天为单位缩短为分钟级别。
消除多副本冗余，降低存储成本。通过将多副本复制从计算节点卸载到分布式存储节点，可以避免用户以Cloud Hosting形态在云上自建数据库时，分布式数据库和分布式存储分别做3副本复制导致总共9副本的冗余问题，能够显著降低存储成本。
GaussDB(for Influx)采用云原生存储与计算分离架构，具有支持亿级时间线、极致写入性能、低存储成本、高性能多维聚合查询和极致弹性扩缩容等5大特性。
支持亿级时间线
在时序数据库系统中，存在大量并发查询和写入操作，合理控制内存的使用量显得十分重要。开源时序数据库VictoriaMetrics和InfluxDB在写入数据的时间线增加到千万级别时，进程会因内存耗尽而OOM退出。为了避免写入海量时间线数据导致内存资源被耗尽，GaussDB（for Influx）做了如下优化：
- 在内存分配上，大量使用内存池复用技术，减少临时对象内存申请，降低内存碎片；
- 在内存回收上，实现算法根据内存负载，动态调整GC频率，加快内存空间回收；
- 在单查询上，实行Quota控制，避免单查询耗尽内存；
- 在缓存使用上，针对不同节点规格提供不同的最优配置。
经过改进，在海量时间线下，系统写入性能保持稳定，大幅超出InfluxDB开源实现。对于涉及海量时间线的聚合查询，如高散列聚合查询，查询性能提升更为显著。
极致写入性能：支持每天万亿条数据写入
相比单机模式，集群模式可以将写入负载分散到集群中各个计算节点上，从而支持更大规模的数据写入。GaussDB（for Influx）支持每天万亿条数据写入，在工程实现上进行了以下优化：
首先，时序数据按照时间线做Hash Partition，利用所有节点并行写入，充分发挥集群优势。
其次，Shard节点采用针对写场景优化的LSM-Tree布局，写WAL后确保日志持久化，再写入内存Buffer即可返回。
最后，数据库多副本复制卸载到分布式存储，降低计算节点到存储节点的网络流量。
在大规模写入场景下，GaussDB（for influx）的写入性能线性扩展度大于80%。
低存储成本：只需1/20的存储成本
在时序数据库面对的AIOps运维监控和AIoT物联网两个典型应用场景中，每天会产生数GB甚至数TB的时序数据。如果无法对这些时序数据进行很好的管理和压缩，那将会给企业带来非常高的成本压力。
GaussDB（for Influx）对数据采用列式存储，相同类型的数据被集中存储，更有利于数据压缩。采用自研的时序数据自适应压缩算法，在压缩前对数据进行抽样分析，根据数据量、数据分布以及数据类型选择最合适的数据压缩算法。在压缩算法上，相比原生的InfluxDB，重点针对Float、String、Timestamp这三种数据类型进行了优化和改进。
Float数据类型： 对Gorilla压缩算法进行了优化，将可以无损转换的数值转为整数，再根据数据特点，选择最合适的数据压缩算法。
String数据类型：采用了压缩效率更好的ZSTD压缩算法，并根据待压缩数据的Length使用不同Level的编码方法。
Timestamp数据类型：采用差量压缩方法，最后还针对数据文件内的Timestamp进行相似性压缩，进一步降低时序数据存储成本。
下图是分别采用实际业务场景的事件日志数据（数据集1)和云服务器监控指标数据 (数据集2）与InfluxDB进行了数据压缩效率的性能对比。
节约存储成本并非只有数据压缩一种办法。针对时序数据越旧的数据被访问的概率越低的特点，GaussDB（for Influx）提供了时序数据的分级存储，支持用户自定义冷热数据，实现数据的冷热分离。热数据相对数据量小，访问频繁，被存储在性能更好、成本较高的存储介质上；冷数据相对数据量大，访问概率低，保存时间较久，被存储在成本较低的存储介质上，进而达到节约存储成本的目的。根据实际业务数据测算，相同数据量下存储成本仅有关系型数据库的1/20。
高性能多维聚合查询
多维聚合是时序数据库中较为常见，且会定期重复执行的一种查询，例如AIOps运维监控场景中查询CPU、内存在指定时间范围内的平均值。
SELECT mean(usage_cpu), mean(usage_mem)
FROM cpu_info
WHERE time >= '2020-11-01T06:05:27Z' and time < '2020-11-01T18:05:27Z'
GROUP BY time(1h), hostname
在提升聚合查询整体性能方面，GaussDB（for Influx) 做了如下优化：
- 采用MPP架构：一条查询语句可以在多节点及多核并发执行。
- 向量化查询引擎：在查询结果数据量很大时，传统的火山模型每次迭代返回一条数据，存在过多的开销导致性能瓶颈。GaussDB（for Influx）内部实现了向量化查询引擎，每次迭代批量返回数据，大大减少了额外开销。
- 增量聚合引擎：基于滑动窗口的聚合查询，大部分从聚合结果缓存中直接命中，仅需要聚合增量数据部分即可。
- 多维倒排索引：支持多维多条件组合查询，避免大量Scan数据。
- 存储摘要索引，加快数据查询中过滤无关数据。
相同节点规格，GaussDB（for Influx）的聚合查询性能是InfluxDB Enterprise的10倍，是Timescale的2到5倍。
分钟级弹性扩缩容
在时序数据库的运行过程中，随着业务量的增加，常常需要对数据库进行在线扩容，以满足业务的要求。传统数据库中的数据存储在本地，扩容后往往需要迁移数据。当数据量达到一定规模时，数据迁移所耗费的时间往往按天计算，给运维带来了很大的困难。
如上图所示，每个Database逻辑上由多个Partition组成，每个Partition独立存储，且都可自描述。所有Partition数据都存储在分布式共享存储上，数据库Shard节点和数据没有物理绑定关系。扩容时首先offload源节点Partition，再在目标节点assign即可。
总结
时序数据应该存储在专门为时序数据进行优化的时序数据库系统中。华为云某业务从Cassandra切换到GaussDB（for Influx）后，计算节点从总共39个（热集群18个，冷集群9个，大数据分析集群 12个）降低到了9个节点，缩减4倍计算节点。存储空间消耗从每天1TB降低到100GB以内，缩减10倍存储空间消耗。
GaussDB（for Influx）提供了独特的数据存储管理解决方案，云原生的存储与计算架构，可根据业务变化快速扩容缩容；高效的数据压缩能力和数据冷热分离设计，可大幅降低数据存储成本；高吞吐的集群，可满足大规模运维监控和物联网场景海量数据写入和查询性能要求。