饿了么《分布式时序数据库 - LinDB》

背景

1. 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graphite，后来慢慢有对指标有多维的需求(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。

2. 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InfluxDB。优点，支持多维和多字段，存储也根据TSDB的特点做了优化。但开源的部分不支持，很多公司自己做集群化， 但大多基于指标名来，这样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，大的指标已经用了最好的服务器，但是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， 但是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，在以前公司也弄基于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还是很点重；

• 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，但看到它的架构图时已经放弃了；

• 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，全内存TSDB，跟atlas一样最近的数据在内存，目前应该还在孵化期；

3. 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：

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：

写入

整个写过程分为如下2部分组成：

1. 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；

2. 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副本成功就算成功以提高了写入速率，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为举例来说：

1. 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此时可能落后于Server1。

说明：

觉得有收获的话可以点个关注收藏转发一波哦！想要了解和学习更多知识进 java 架构交流群：725633148 里面有阿里Java高级大牛直播讲解知识点，分享知识，多年工作经验的梳理和总结 带着大家全面科学地建立自己的技术体系和技术认知！更有很多视频与干货分享！

1. 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；

2. Leader Replica Index < Follower Append Index，也同样存在2种情况，具体情况在复制顺序性中描述；

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复制的数据复制给他们。

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，一旦因为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写入量具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如例：

• 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来计算按时间片来存储具体的数据包括数据文件和索引文件。

1. 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；

2. 每个shard下面会存在segment，segment根据interval来存储相应时间片的数据；

3. 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最新时间写入， 基本不会写历史数据，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，所以最终衡量下来，再对segment时间片进行分片。

下面以interval为10s为例说明:

1. segment按天来存储；

2. 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：

查询引擎

LinDB查询需要解决如下问题：

1. 解决多个机房之间的查询;

2. 高效的流式查询计算；

说明:

Node查询

• 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；

说明:

• 如果所示，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；

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。

1. 根据Time Series的Measurement+Tags生成对应的唯一ID（类似luence里面的doc id）。

2. 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。

3. 每一类数据都存储在独立的RocksDB Family中。

内存结构

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定位到该Measurement的数据存储在哪个Block中。

1. 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。

2. 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。

3. 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)。

4. 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在第一次加载的时候会把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。

总结

LinDB从2年前正式慢慢服务于公司的监控系统，从1.0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，到现在的3.0性能的大幅提升，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，再结果时序的特征再做一些优化。

6. 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；

7.查询计算并行流式处理；

所以用一句话来总结的话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

Dashboard

未来的展望

1. 丰富查询函数；

2. 优化内存使用率；

3. 自身监控的提升；

4. 如果有可能，计划开源；

对比测试

下面是与InfluxDB和LinDB2.0的一些查询性能对比。 由于InfluxDB集群化要商业版，所以都是单机默认配置下，无Cache的测试。 服务器配置阿里云机器：8 Core 16G Memory

大维度

Tags: host(40000),disk(4),partition(20)，模拟服务器磁盘的监控，总的Series数为320W，每个Series写一个数据点

小维度的1天内的聚合测试

Tags: host(400),disk(2),partition(10)，模拟服务器磁盘的监控，总的Series数为8K，每个Series写一天的数据 每个维度每2s写入1个点，每个维度一天内总共43200个点，所有维度总共43200 * 8000个点，共3 4560 0000即3亿多数据

小维度的7天内的聚合测试

Tags: host(400),disk(2),partition(10)，模拟服务器磁盘的监控，总的Series数为8K，每个Series写7天的数据 每个维度每5s写入1个点，每个维度一天内总共17280个点，所有天数所有维度总共17280 8000 7 个点，即9 6768 0000，9亿多个点 这个测试要说明一下，得利于LinDB自动的Rollup，如果InfluxDB开Continue Query的话相信应该也还好。

原文出处