[置顶] Riak - 背景篇（1）

分布式高可用键值对数据库Riak - 背景篇（1）

Riak简介

典型的现代关系数据库在某些类型的应用程序中表现平平，难以满足如今的互联网应用程序的性能和可扩展性要求。因此，需要采用不同的方法。在过去几年中，一种新的数据存储类型变得非常流行，通常称为 NoSQL，因为它可以直接解决关系数据库的一些缺陷。Riak 就是这类数据存储类型中的一种。
Riak 并不是惟一的一种 NoSQL 数据存储。另外两种较流行的数据存储是 MongoDB 和 Cassandra。尽管在许多方面十分相似，但是它们之间也存在明显的不同。例如，Riak 是一种分布式系统，而 MongoDB 是一种单独的系统数据库，也就是说，Riak 没有主节点的概念，因此在处理故障方面有更好的弹性。尽管 Cassandra 同样是基于 Amazon 的 Dynamo 描述，但是它在组织数据方面摒弃了向量时钟和相容散列等特性。Riak 的数据模型更加灵活。在 Riak 中，在第一次访问 bucket 时会动态创建这些 bucket；Cassandra 的数据模型是在 XML 文件中定义的，因此在修改它们过后需要重启整个集群。
Riak 是用 Erlang 编写的。而 MongoDB 和 Cassandra 是用通用语言（分别为 C++和 Java）编写，因此 Erlang 从一开始就支持分布式、容错应用程序，所以更加适用于开发 NoSQL 数据存储等应用程序，这些应用程序与使用 Erlang 编写的应用程序有一些共同的特征。
Riak支持Map/Reduce 作业，但是Map/Reduce 作业只能使用 Erlang 或 JavaScript 编写。

分布式存储？一个头疼的问题

目前，基于互联网的业务都处于量级高速变化的状态（要么增长特别快，要么萎缩特别快）。一个比较头疼的问题就是如何存储并保持高速访问业务数据。很多公司采用了分布式存储的解决方案，这带来了一些更令人头疼的问题：

1. 很难扩容：如果现在业务发展迅速，3台主机撑不住了，需要加到5台主机，那要如何处理呢?首先要更改分类方法，把用户分成5类，然后重新迁移已经存在的数据。你要在网站上贴个条子，“系统维护中”，然后开始伟大的迁移工程，等到终于迁移完成，发现其实3台也不用了，用户都走光了-_-。
2. 数据高可用性无法保证：有一天，发现有一台数据库服务器的硬盘坏了，这下麻烦就来了，本来网站就不赚钱，没用什么高档机器，只有一个定期的增量备份而已。经过一天复杂的恢复工作，你还要对部分用户说，麻烦你们把做过的事情再做一遍啊。然后用户对你说go fuck yourself，你发现你再也不用维护或者恢复用户数据了，因为他们又走光了。
3. 单点问题：负责把用户分类，然后决定使用哪个数据服务器的那台主机是网站的命根子啊，它如果宕机，所有的数据都不能访问了，它如果满负荷了，增加数据服务器也不会对整体性能有帮助。我好像看到一台贴满着驱邪保平安符咒的pc server。
4. 写入还要重试：倘若你后台某个用户对应的存储介质因为某不可知原因挂掉了，用户发现无论发送什么请求后台都没反应，也不知道自己的请求到底成功没有。这时考验用户忠诚度和心理素质的时候到了，想想如果是像支付宝买一件奢侈品的时候，你敢重试好几次么。

接下来我们将针对每个问题将Dynamo的解决方案展示给大家。

Dynamo扩容与一致性哈希

我们运用快递员与运单的场景，假设我们的数据库存储每个快递员的所有运单记录。现在有A，B，C，D，E这五台机器，有200个快递员，有2000条运单记录。我们很容易想到通过哈希取模来平均分配这200个快递员与2000个运单对应关系。通过快递员对5取模，即A(1,6,11,16…), B(2,7,12,17…), C(3,8,13,18…), D(4,9,14,19…), E(5,10,15,20…)，保存对应的快递员与运单关系（其实就是快递员为key运单为value）。
如果这时，我们想扩容到六台，那么变成A(1,7,13,19…), B(2,8,14,20…), C(3,9,15…), D(4,10,16…), E(5,11,17…), F(6,12,18…). 迁移量非常大。如何减少迁移量呢？
Dynamo采用一致性哈希的方法，首先，我们假设有S=20个逻辑分片。然后200个快递员的哈希值处理之后落到的区域正好如下图所示：

每个快递员的键值对都会落到这个环上，假设我们这里一致哈希算法是按快递员号码进行的。Shard1负责1-10，Shard2负责11-20，以此类推。因为快递员的能力是差不多的，所以当资源节点的数量足够多的时候，可以认为每个节点的负载基本是均衡的。这是原始的consistent hashing。
Dynamo并没有采用这个模型。这个理想的理论模型跟现实之间有一个问题，在这个理论模型上，每个资源节点的能力是一样的。我的意思是，他们有相同的cpu，内存，硬盘等，也就是有相同的处理能力。可现实世界，我们使用的资源却各有不同，新买的n核机器和老的奔腾主机一起为了节约成本而合作。如果只是这么简单的把机器直接分布上去，性能高的机器得不到充分利用，性能低的机器处理不过来。
所以，Dynamo使每个物理机器按照能力包含不同个分片节点。假设还是刚才那5台机器, 一种分配方案就是：

这样，即是一台机器挂了，所做的迁移量也只是那台机器上的数据。新加入的机器所要迁移的数据也只是他所要保存的数据。但是，这种方案还是有问题，假设A机器挂了，那么他的所有数据全都跑到了B上，而从上图可以看出，B的性能不是很好。所以，最好还是采用下种方案避免这种现象：

采用这种方法的前提是逻辑分片个数S要大于物理机个数P(如果P>S，不是不可以，就是多余出来机器没有分片需要它去承载)。这里就是20>5. 假设考虑到高可用一份数据要复制n份，那么我们就要保证S>n*P.