MySQL架构方案

原文来自 http://www.cnblogs.com/RicCC/archive/2009/09/28/mysql-2.html

Scale Out：横向扩展，增加处理节点提高整体处理能力
Scale Up：纵向扩展，通过提升单个节点的处理能力达到提升整体处理能力的目的

Replication
MySQL的replication是异步的，适用于对数据实时性要求不是特别关键的场景。slave端的IO线程负责从master读取日志，SQL线程专门负责在slave端应用从master读过来的日志（早期MySQL用一个线程实现，性能问题比较明显）。使用replication必须启用binary log，MySQL用binary log向slave分发更新

复制级别
1. Row Level：5.1.5开始支持。mater记录每行数据的更改日志，slave根据日志逐行应用。优点：数据一致性更有保障。缺点：可能造成日志文件比较大
2. Statement Level：master记录每个执行的query语句以及一些上下文信息，slave节点根据这些信息重新在slave上执行。优点：binary log比较小。缺点：某些情况下数据一致性难以保障
3. Mixed Level：MySQL根据情况选择哪种复制方式。5.1.8开始支持

常用架构
1. Master-Slaves：通常都采用这种方式
2. Dual Master(Master-Master)：2个master节点互相同步更新。因为MySQL的异步复制方式，为了防止数据冲突造成的不一致性，一般仅将其中一台用于写操作，另一台不用或仅用于读操作。目的是其中一台master停机维护或者故障中断时可以使用另一台master
3. 级联复制(Master-Slaves-Slaves)：在Master Slaves中，如果slaves过多replication将增加master的负载，这时可以让master只向其中几台slave分发更新日志，这几台slave作为一级节点再向下级节点分发更新日志

Cluster
主要通过NDB Cluster存储引擎实现，是一个Share Nothing的架构，各个MySQL Server之间并不需要共享任何数据。可以实现冗余（可靠性）以及负载均衡。刚开始MySQL需要所有数据和索引都能够加载到内存中才能使用Cluster，对内存要求高，目前通过改进只要求索引能全部加载到内存

   
                  MySQL Clusrer架构示意图，图片来自MySQL官方文档
1. SQL Nodes：负责存储层之外的事情，例如连接管理、query处理和优化、cache管理等，即剥离了存储层的MySQL服务器
2. Data Nodes：存储层的NDB节点，即Cluster环境下的存储引擎。每个cluster节点保存完整数据的一个分片，视节点数目和配置而定，一般data nodes被组织成为一个个group，每个group存有一份完全相同的物理数据（冗余）。NDB存储引擎首先按照冗余参数配置来使用存储节点，然后根据节点数目对数据进行分段
3. Management Server：负责整个clsuter集群中各个节点的管理工作，它保存了整个cluster环境的配置，启动关闭各个节点，实现对各节点的常规维护、备份恢复等，它获取各个节点的状态和错误信息，并反映给整个集群中所有节点

Cache
1. 应用层cache：最普通的cache方式，应用层自己管理cache，与数据库无关
应用层cache的选择方案很多
a). Memcached：分布式的缓存，本身性能优秀，扩展性比较好；虽然比本地缓存方案慢，但具备共享缓存效果
b). Berkeley DB：与Memcached相比，BDB实现本地缓存；Memcached是内存式的缓存，而BDB使用磁盘，成本不一样；Memcached仅支持hash索引，而BDB支持hash索引和B-Tree索引；MySQL数据库方案下使用BDB，主要出于扩展性方面考虑，以及BDB的hash索引可以比MySQL更有效

2. MySQL-Memcached整合：有2种方式
a). 直接用Memcached作为MySQL的二级缓存。这可以增加MySQL的缓存容量，而Memcached对于应用端是不可见的。这种方案适用于一些特定场景，例如数据实在难以切分、很难对应用程序进行改造等
这种方案目前有Waffle Grid开源项目，仅支持InnoDB存储引擎。其原理是当MySQL在Local Buffer Pool中找不到数据时则从磁盘读取，而Waffle Grid在这里加入一段处理，先尝试从Memcached Server读取，如果Memcached Server中不存在，才通过磁盘IO读取，将读取的数据会存入Memcached，并记录在InnoDB Buffer Pool的LRU List中，如果数据变成dirty或者缓存管理将其清出时，InnoDB将对应的LRU List移入FLUSH List，此时Waffle Grid从Mamcached Server删除数据。从上面可以看出，缓存机制仍然由MySQL管理，Memcached中存放的仅为有效的（不是脏数据）、仅作为缓存目的的数据，Memcached Server崩溃停机等不影响MySQL数据
架构示意图（《MySQL性能调优与架构设计》）：
   
Waffle Grid是否会因为网络访问开销导致查询性能下降呢？可以参考Waffle Grid DBT2的测试结果，以及实际测试进行评估

b). 使用MySQL的UDF功能与Memcached进行整合。Memcached的数据由MySQL和应用端程序共同维护，应用端先从Memcached读取数据，读取不到时则从MySQL Server读取，并把数据写入Memcached中，而数据有更新、删除导致Memcached数据失效时，MySQL负责将Memcached中相应数据清除
架构示意图（《MySQL性能调优与架构设计》）：
   
MySQL Memcached UDFs下载和使用参考Using the MySQL memcached UDFs

数据切分、Sharding
分为垂直切分和水平切分，垂直切包括将一个表按不同字段切分成多个表、将不同表建在不同的MySQL Server中，水平切分指将同一个表的数据切分到多个表中存储
1. 表结构设计垂直切分。常见的一些场景包括
a). 大字段的垂直切分。单独将大字段建在另外的表中，提高基础表的访问性能，原则上在性能关键的应用中应当避免数据库的大字段
b). 按照使用用途垂直切分。例如企业物料属性，可以按照基本属性、销售属性、采购属性、生产制造属性、财务会计属性等用途垂直切分
c). 按照访问频率垂直切分。例如电子商务、Web 2.0系统中，如果用户属性设置非常多，可以将基本、使用频繁的属性和不常用的属性垂直切分开

2. Sharding
Sharding指一种"shared nothing"形式的垂直切割，将切割后的部分部署在不同的服务器上。关于sharding和partition的区别可参考DBA Notes冯大辉的开源数据库 Sharding 技术 (Share Nothing)
    
                             图片来自DBA Notes: http://www.dbanotes.com
Sharding方案可以考虑：
a). Session-based sharding，只需在创建session时确定处理节点，随后的请求都直接定向到该节点进行处理
b). Statement-based sharding，每个语句都需要确定处理节点
c). Transaction-based sharding，根据事务中第一条语句确定处理节点
Sharding潜在问题：
a). 被分割开的部分之间无法使用数据库级别的join操作（cross-shard joins，可以考虑将一些公共的、全局的表部署到每一个节点上，使用replication机制分发）
b). 被分割开的部分之间事务处理复杂
c). 对自增长键的管理（主要出现在混合了水平切分的Sharding情况下）

3. 水平切分
示例：
a). 比如在线电子商务网站，订单表数据量过大，按照年度、月度水平切分
b). Web 2.0网站注册用户、在线活跃用户过多，按照用户ID范围等方式，将相关用户以及该用户紧密关联的表做水平切分
c). 例如论坛的置顶帖子，因为涉及到分页问题，每页都需要显示置顶贴，这种情况可以把置顶贴水平切分开来，避免取置顶帖子时从所有帖子的表中读取

难点之一，逻辑、关联关系的复杂性阻碍水平切分。这样的场景难在如何确定切分的范围和策略，例如SAP这样的大型ERP，模块、表非常多，之间的逻辑复杂，SAP按每Client（公司、集团）将整个业务数据完全切分开，如果粒度需要再细化难度就非常大。方案一般有：a). 按主键切分；b). 维护一个主切割索引表，这种方案扩展性非常好，但是需要查找主索引表
第二点是如何使得水平切分具备扩展性。以Web 2.0网站为例，如果按照会员ID范围进行切分，假如现在决定水平切分为5份，如果使用user_id % 5的值确定该用户属于哪个部分，这样在将来随着用户量的增长，如果以后需要再切分成为20份就会相当麻烦
水平切分和Sharding的混合模式，理论上可以实现线性伸缩，但受限于应用程序的状况、设计以及切分、Sharding实现方案

切分和整合方案
主要2种实现思路：
1. 每个应用程序模块配置管理自己需要的一个或多个数据源，直接访问各个数据库
2. 通过中间代理层统一管理所有的数据源，后端数据库集群架构对前端应用透明

使用MySQL Proxy：
这是MySQL官方提供的，位于客户端程序与MySQL Server之间，能够监控、分析、转换他们之间的通讯。常用的场景有负载均衡、故障恢复、查询分析、查询过滤和修改，以及基本的HA机制，目前在实现读写分离方面仍存在一些问题，架构示意图（《MySQL性能调优与架构设计》）：
   
MySQL Proxy提供一个基础的框架，其他功能需要编写LUA脚本实现（牺牲一定性能，带来灵活性）
HSCALE是MySQL Proxy的一个LUA模块，他透明的分析和重写查询，切分、分区逻辑从应用程序层转移到代理层
HSCALE项目官方网站：http://www.hscale.org，作者博客网站：http://pero.blogs.aprilmayjune.org/

使用Amoeba：
Amoeba是基于Java开发的分布式数据库数据源整合Proxy程序的开源框架，Amoeba 开发者博客，项目主页
主要解决以下问题：
a). 数据切分后复杂数据源整合
b). 提供数据切分规则并降低数据切分规则给数据库带来的影响
c). 降低数据库与客户端连接
d). 读写分离路由
Amoeba For MySQL是专门针对MySQL数据库的方案，架构示意图：
   
                图片来自《MySQL性能调优与架构设计》
Amoeba For Aiadin是个更通用的方案，他前端接收MySQL协议的请求，后端可以使用MySQL、Oracle、PostGreSql等其他数据源，这些对应用程序是透明的。架构示意图：
   
                图片来自《MySQL性能调优与架构设计》

使用HiveDB
HiveDB也是基于Java的开源框架，有商业公司支持，目前仅支持水平切分，同时支持数据的冗余及基本的HA机制。他使用Hibernate Shards实现数据水平切分，自行实现数据冗余机制。HiveDB中通过用户自定义的各种Partition keys将数据分散到多个MySQL Server，访问时解析query请求，自动分析过滤条件，并行从多个MySQL Server读取数据，合并结果集返回给客户端应用程序。架构示意图：
   
            图片来自HiveDB官方网站: http://www.hivedb.org/
Hibernate Shards由Google贡献，他使用标准的Hibernate编程模型，会用Hibernate就会用Hibernate Shards；可扩展的sharding策略；支持virtual shards，用于简化resharding时的处理

Spock Proxy
由实际项目产生的一个开源项目（Spock是Rails的应用，Speck Proxy应当可用于Rails之外的，例如PHP或.NET），基于MySQL Proxy开发，是MySQL Proxy的一个分支，支持range-based horizontal paritioning，他对MySQL Proxy所做的改进包括：
a). 不使用LUA脚本，提升性能。例如将多个数据源返回的结果集合并期间还要与LUA脚本交互，这样的性能开销比较大
b). 客户端登录验证。MySQL Proxy支持客户端与各个服务器直接进行登录验证，Spock Proxy则将其统一管理，分离客户端与服务器的连接
c). 动态连接池。受益于客户端登录认证机制的改善
d). 目前的MySQL Proxy无法做到读写分离，Spock Proxy实现了这一点，并且异步并行执行
架构示意图：
   
             图片来自Spock Proxy官方网站：http://spockproxy.sourceforge.net/

Pyshards
基于Python的Sharding方案，是一个个人研究开源项目，他的目标想实现自动re-balancing（re-sharding），比较有挑战。目前仅支持MySQL。http://code.google.com/p/pyshards/

参考：《MySQL性能调优与架构设计》