本文主要描述在網站的不同的併發訪問量級下，Mysql架構的演變。
可擴展性
架構的可擴展性往往和併發是息息相關，沒有併發的增長，也就沒有必要做高可擴展性的架構，這裏對可擴展性進行簡單介紹一下，常用的擴展手段有以下兩種：
- Scale-up：縱向擴展，通過替換爲更好的機器和資源來實現伸縮，提升服務能力
- Scale-out：橫向擴展, 通過加節點（機器）來實現伸縮，提升服務能力
對於互聯網的高併發應用來說，無疑橫向擴展才是出路，同事通過縱向購買更高端的機器也一直是我們所避諱的問題，也不是長久之計。那麼，在橫向擴展的理論下，可擴展性的理想狀態是什麼？
可擴展性的理想狀態
一個服務，當面臨更高的併發的時候，能夠通過簡單增加機器來提升服務支撐的併發度，且增加機器過程中對線上服務無影響（no down time），這就是可擴展性的理想狀態！
架構的演變
V1.0 簡單網站架構
一個簡單的小型網站或者應用背後的架構可以非常簡單，數據存儲只需要一個Mysql Instance就能滿足數據讀取和寫入需求（這裏忽略掉了數據備份的實例），處於這個時間段的網站，一般會把所有的信息存到一個Database Instance裏面。
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
- 數據量的總大小 一個機器放不下
- 數據的索引（B+ Tree）一個機器的內存放不下
- 訪問量（讀寫混合）一個實例不能承受
只有當以上3件事情任何一件或多件滿足時，我們才需要考慮往下一級演變。 從此我們可以看出，事實上對於很多小公司小應用，這種架構已經足夠滿足他們的需求了，初期數據量準確評估是杜絕過度設計很重要的一環，畢竟沒有人願意爲不可能發生的事情而浪費自己的精力。
這裏簡單舉個我的例子，對於用戶信息這類表 （3個索引），16G內存能放下，大概2000萬行數據的索引，簡單的讀和寫混合訪問量3000/s左右沒有問題，你的應用場景是否？
V2.0 垂直拆分
一般當V1.0 遇到瓶頸時，首先最簡便的拆分方法就是垂直拆分，何謂垂直？就是從業務角度來看，將關聯性不強的數據拆分到不同的Instance上，從而達到消除瓶頸的目標。以圖中的爲例，將用戶信息數據，和業務數據拆分到不同的三個實例上。對於重複讀類型比較多的場景，我們還可以加一層Cache，來減少對DB的壓力。
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
單實例單業務依然存在V1.0所述瓶頸：遇到瓶頸時可以考慮往本文更高V版本升級，若是讀請求導致達到性能瓶頸可以考慮往V3.0升級， 其他瓶頸考慮往V4.0升級。
V3.0 主從架構
此類架構主要解決V2.0架構下的讀問題，通過給Instance掛數據實時備份的思路來遷移讀取的壓力，在MySQL的場景下就是通過主從結構，主庫抗寫壓力，通過從庫來分擔讀壓力，對於寫少讀多的應用，V3.0主從架構完全能夠勝任。
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？很明瞭，寫入量主庫不能承受。
V4.0 水平拆分
對於V2.0、V3.0方案遇到瓶頸時，都可以通過水平拆分來解決，水平拆分和垂直拆分有較大區別，垂直拆分拆完的結果，在一個實例上是擁有全量數據的，而水平拆分之後，任何實例都只有全量的1/n的數據，以下圖UserInfo的拆分爲例，將UserInfo拆分爲3個Cluster，每個Cluster持有總量的1/3數據，3個Cluster數據的總和等於一份完整數據。
注：這裏不再叫單個實例 而是叫一個Cluster 代表包含主從的一個小MySQL集羣。
那麼，這樣架構中的數據該如何路由？
1. Range拆分
sharding key按連續區間段路由，一般用在有嚴格自增ID需求的場景上，如UserId、UserId Range的小例子，以UserId 3000萬爲Range進行拆分：1號Cluster的UserId是1-3000萬，2號Cluster UserId是 3001萬-6000萬。
2. List拆分
List拆分與Range拆分思路一樣，都是通過給不同的sharding key來路由到不同的Cluster，但是具體方法有些不同。List主要用來做sharding key不是連續區間的序列落到一個Cluster的情況，如以下場景：
假定有20個音像店，分佈在4個有經銷權的地區，如下表所示：
| 地區 | 商店ID 號 |
| 北區 | 3, 5, 6, 9, 17 |
| 東區 | 1, 2, 10, 11, 19, 20 |
| 西區 | 4, 12, 13, 14, 18 |
| 中心區 | 7, 8, 15, 16 |
3. Hash拆分
通過對sharding key 進行哈希的方式來進行拆分，常用的哈希方法有除餘，字符串哈希等等，除餘如按UserId%n的值來決定數據讀寫哪個Cluster，其他哈希類算法這裏就不細展開講了。
4. 數據拆分後引入的問題
數據水平拆分引入的問題主要是隻能通過sharding key來讀寫操作，例如以UserId爲sharding key的切分例子，讀UserId的詳細信息時，一定需要先知道UserId，這樣才能推算出在哪個Cluster進而進行查詢，假設我需要按UserName進行檢索用戶信息，需要引入額外的反向索引機制（類似HBase二級索引），如在Redis上存儲username->userid的映射，以UserName查詢的例子變成了先通過查詢username->userid，再通過userid查詢相應的信息。
實際上這個做法很簡單，但是我們不要忽略了一個額外的隱患，那就是數據不一致的隱患。存儲在Redis裏的username->userid和存儲在MySQL裏的userid->username必須需要是一致的，這個保證起來很多時候是一件比較困難的事情，舉個例子來說，對於修改用戶名這個場景，你需要同時修改Redis和Mysql。這兩個東西是很難做到事務保證的，如MySQL操作成功，但是Redis卻操作失敗了（分佈式事務引入成本較高）。對於互聯網應用來說，可用性是最重要的，一致性是其次，所以能夠容忍小量的不一致出現. 畢竟從佔比來說，這類的不一致的比例可以微乎其微到忽略不計。（一般寫更新也會採用mq來保證直到成功爲止才停止重試操作）
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
在這個拆分理念上搭建起來的架構，理論上不存在瓶頸（sharding key能確保各Cluster流量相對均衡的前提下)。不過確有一件噁心的事情，那就是Cluster擴容的時候重做數據的成本，如我原來有3個Cluster，但是現在我的數據增長比較快，我需要6個Cluster，那麼我們需要將每個Cluster 一拆爲二，一般的做法是：
- 摘下一個slave，停同步
- 對寫記錄增量log（實現上可以業務方對寫操作多一次寫持久化mq或者MySQL主創建trigger記錄寫等等方式）
- 開始對靜態slave做數據一拆爲二
- 回放增量寫入，直到追上的所有增量，與原Cluster基本保持同步
- 寫入切換，由原3 Cluster 切換爲6 Cluster
有沒有類似飛機空中加油的感覺，這是一個髒活，累活，容易出問題的活，爲了避免這個，我們一般在最開始的時候，設計足夠多的sharding cluster來防止可能的Cluster擴容這件事情。
V5.0 雲計算 騰飛（雲數據庫）
雲計算現在是各大IT公司內部作爲節約成本的一個突破口，對於數據存儲的MySQL來說，如何讓其成爲一個SaaS是關鍵點。在MS的官方文檔中，把構建一個足夠成熟的SaaS（MS簡單列出了SAAS應用的4級成熟度）所面臨的3個主要挑戰：可配置性，可擴展性，多用戶存儲結構設計稱爲"three headed monster"。可配置性和多用戶存儲結構設計在MySQL SaaS這個問題中並不是特別難辦的一件事情，所以這裏重點說一下可擴展性。
MySQL作爲一個SaaS服務，在架構演變爲V4.0之後，依賴良好的sharding key設計，已經不再存在擴展性問題，只是他在面對擴容縮容時，有一些髒活需要幹，而作爲SaaS，並不能避免擴容縮容這個問題，所以只要能把V4.0的髒活變成：第1，擴容縮容對前端APP透明（業務代碼不需要任何改動）；第2，擴容縮容全自動化且對在線服務無影響。如果實現了這兩點，那麼他就拿到了作爲SaaS的門票。
對於架構實現的關鍵點，需要滿足對業務透明，擴容縮容對業務不需要任何改動，那麼就必須eat our own dog food，在你MySQL SaaS內部解決這個問題，一般的做法是我們需要引入一個Proxy，Proxy來解析SQL協議，按sharding key來尋找Cluster，判斷是讀操作還是寫操作來請求Master或者Slave，這一切內部的細節都由Proxy來屏蔽。
這裏借淘寶的圖來列舉一下Proxy需要幹哪些事情
對於架構實現的關鍵點，擴容縮容全自動化且對在線服務無影響； 擴容縮容對應到的數據操作即爲數據拆分和數據合併，要做到完全自動化有非常多不同的實現方式，總體思路和V4.0介紹的瓶頸部分有關，目前來看這個問題比較好的方案就是實現一個僞裝Slave的Sync Slave，解析MySQL同步協議，然後實現數據拆分邏輯，把全量數據進行拆分。具體架構見下圖：
其中Sync Slave對於Original Master來說，和一個普通的Mysql Slave沒有任何區別，也不需要任何額外的區分對待。需要擴容/縮容時，掛上一個Sync slave，開始全量同步+增量同步，等待一段時間追數據。以擴容爲例，若擴容後的服務和擴容前數據已經基本同步了，這時候如何做到切換對業務無影響？ 其實關鍵點還是在引入的Proxy，這個問題轉換爲了如何讓Proxy做熱切換後端的問題。這已經變成一個非常好處理的問題了。
另外值得關注的是：2014年5月28日——爲了滿足當下對Web及雲應用需求，甲骨文宣佈推出MySQL Fabric，在對應的資料部分我也放了很多Fabric的資料，有興趣的可以看看，說不定會是以後的一個解決雲數據庫擴容縮容的手段
