鍵值存儲 ( key-value store ),也稱爲 K/V 存儲或鍵值數據庫,這是一種非關係型數據庫。每個值都有一個唯一的 key 關聯,也就是我們常說的 鍵值對。
常見的鍵值存儲有 Redis, Amazon DynamoDB,Microsoft Azure Cosmos DB,Memcached,etcd 等。
你可以在 DB-Engines 網站上看到鍵值存儲的排行。
設計要求
在這個面試的系統設計環節中,我們需要設計一個鍵值存儲, 要滿足下面的幾個要求
- 每個鍵值的數據小於 10kB。
- 有存儲大數據的能力。
- 高可用,高擴展性,低延遲。
單機版 - 鍵值存儲
對於單個服務器來說,開發一個鍵值存儲相對來說會比較簡單,一種簡單的做法是,把鍵值都存儲在內存中的哈希表中,這樣查詢速度非常快。但是,由於內存的限制,把所有的數據放到內存中明顯是行不通的。
所以,對於熱點數據(經常訪問的數據)可以加載到內存中,而其他的數據可以存儲在磁盤。但是,當數據量比較大時,單個服務器仍然會很快達到容量瓶頸。
分佈式 - 鍵值存儲
分佈式鍵值存儲也叫分佈式哈希表,把鍵值分佈在多臺服務器上。在設計分佈式系統時,理解 CAP(一致性,可用性,分區容錯性) 定理很重要。
CAP 定理
CAP 定理指出,在分佈式系統中,不可能同時滿足一致性、可用性和分區容錯性。讓我們認識一下這三個定義:
- 一致性: 無論連接到哪一個節點,所有的客戶端在同一時間都會看到相同的數據。
- 可用性:可用性意味着任何請求數據的客戶端都會得到響應,即使某些節點因故障下線。
- 分區容錯性:分區表示兩個節點之間的網絡通信中斷。分區容錯性意味着,當存在網絡分區時,系統仍然可以繼續運行。
通常可以用 CAP 的兩個特性對鍵值存儲進行分類:
CP(一致性和分區容錯性)系統:犧牲可用性的同時支持一致性和分區容錯。
AP(可用性和分區容錯性)系統:犧牲一致性的同時支持可用性和分區容錯。
CA(一致性和可用性)系統:犧牲分區容錯性的同時支持一致性和可用性。
由於網絡故障是不可避免的,所以在分佈式系統中,必須容忍網絡分區。
讓我們看一些具體的例子,在分佈式系統中,爲了保證高可用,數據通常會在多個系統中進行復制。假設數據在三個節點 n1, n2, n3 進行復制,如下:
理想情況
在理想的情況下,網絡分區永遠不會發生。寫入 n1 的數據會自動複製到 n2 和 n3,實現了一致性和可用性。
現實世界的分佈式系統
在分佈式系統中,網絡分區是無法避免的,當發生分區時,我們必須在一致性和可用性之間做出選擇。
在下圖中,n3 出現了故障,無法和 n1 和 n2 通信,如果客戶端把數據寫入 n1 或 n2,就沒辦法複製到 n3,就會出現數據不一致的情況。
如果我們選擇一致性優先(CP系統),當 n3 故障時, 就必須阻止所有對 n1 和 n2 的寫操作,避免三個節點之間的數據不一致。涉及到錢的系統通常有極高的一致性要求。
如果我們選擇可用性優先(AP系統),當 n3 故障時,系統仍然可以正常的寫入讀取,但是可能會返回舊的數據,當網絡分區恢復後,數據再同步到 n3 節點。
選擇合適的 CAP 是構建分佈式鍵值存儲的重要一環。
核心組件和技術
接下來,我們會討論構建鍵值存儲的核心組件和技術:
- 數據分區
- 數據複製
- 一致性
- 不一致時的解決方案
- 故障處理
- 系統架構圖
- 數據寫入和讀取流程
數據分區
在數據量比較大場景中,把數據都存放在單個服務器明顯是不可行的,我們可以進行數據分區,然後保存到多個服務器中。
需要考慮到的是,多個服務器之間的數據應該是均勻分佈的,在添加或者刪除節點時,需要移動的數據應該儘量少。
一致性哈希非常適合在這個場景中使用,下面的例子中,8臺服務器被映射到哈希環上,然後我們把鍵值的 key 也通過哈希算法映射到環上,然後找到順時針方向遇到的第一個服務器,並進行數據存儲。
使用一致性哈希,在添加和刪除節點時,只需要移動很少的一部分數據。
數據複製
爲了實現高可用性和可靠性,一條數據在某個節點寫入後,會複製到其他的節點,也就是我們常說的多副本。
那麼問題來了,如果我們有 8 個節點,一條數據需要在每個節點上都存儲嗎?
並不是,副本數和節點數沒有直接關係。副本數應該是一個可配置的參數,假如副本數爲 3,同樣可以藉助一致性哈希環,按照順時針找到 3 個節點,並進行存儲,如下
一致性
因爲鍵值數據在多個節點上覆制,所以我們必須要考慮到數據一致性問題。
Quorum 共識算法可以保證讀寫操作的一致性,我們先看一下 Quorum 算法中 NWR 的定義。
N = 副本數, 也叫複製因子,在分佈式系統中,表示同一條數據有多少個副本。
W = 寫一致性級別,表示一個寫入操作,需要等待幾個節點的寫入後纔算成功。
R = 讀一致性級別,表示讀取一個數據時,需要同時讀取幾個副本數,然後取最新的數據。
如下圖,N = 3
注意,W = 1 並不意味着數據只寫到一個節點,控制寫入幾個節點的是 N 副本數。
N = 3 表示,一條數據會寫入到 3 個節點,W = 1 表示,只要收到任何節點的第一個寫入成功確認消息(ACK)後,就直接返回寫入成功。
這裏的重點是,對 N、W、R的值進行不同的組合時,會產生不同的一致性效果。
- 當 W + R > N 的時候,通常是 N = 3, W = R = 2,對於客戶端來講,整個系統能保證強一致性,一定能返回更新後的那份數據。
- 當 W + R <= N 的時候,對於客戶端來講,整個系統只能保證最終一致性,所以可能會返回舊數據。
通過 Quorum NWR,可以調節系統一致性的程度。
一致性模型
一致性模型是設計鍵值存儲要考慮的另外一個重要因素,一致性模型定義了數據一致性的程度。
- 強一致性: 任何一個讀取操作都會返回一個最新的數據。
- 弱一致性: 數據更新之後,讀操作可能會返回最新的值,也有可能會返回更新前的值。
- 最終一致性: 這是弱一致性的另外一種形式。可能當前節點的值是不一致的,但是等待一段時間的數據同步之後,所有節點的值最終會保持一致。
強一致性的通常做法是,當有副本節點因爲故障下線時,其他的副本會強制中止寫入操作。一致性程度比較高,但是犧牲了系統的高可用。
而 Dynamo 和 Cassandra 都採用了最終一致性,這也是鍵值存儲推薦使用的一致性模型,當數據不一致時,客戶端讀取多個副本的數據,進行協調並返回數據。
不一致的解決方案:版本控制
多副本數據複製提供了高可用性,但是多副本可能會存在數據不一致的問題。
版本控制和向量時鐘(vector clock )是一個很好的解決方案。向量時鐘是一組 [server,version] 數據,它通過版本來檢查數據是否發生衝突。
假設向量時鐘由 D([S1, v1], [S2, v2], ..., [Sn, vn]) 表示,其中 D 是數據項,v1 是版本計數器,下面是一個例子
- 客戶端把數據 D1 寫入系統,寫入操作由 Sx 處理,服務器 Sx 現在有向量時鐘 D1[(Sx, 1)]。
- 客戶端把 D2 寫入系統,假如這次還是由 Sx 處理,則版本號累加,現在的向量時鐘是 D2([Sx, 2])。
- 客戶端讀取 D2 並更新成 D3,假如這次的寫入由 Sy 處理, 現在的向量時鐘是D3([Sx, 2], [Sy, 1]))。
- 客戶端讀取 D2 並更新成 D4,假如這次的寫入由 Sz 處理,現在的向量時鐘是 D4([Sx, 2], [Sz, 1]))。
- 客戶端讀取到 D3 和 D4,檢查向量時鐘後發現衝突(因爲不能判斷出兩個向量時鐘的順序關係),客戶端自己處理解決衝突,然後再次寫入。假如寫入是 Sx 處理,現在的向量時鐘是 D5([Sx, 3], [Sy, 1], [Sz, 1])。
注意,向量時鐘只能檢測到衝突,如何解決,那就需要客戶端讀取多個副本值自己處理了。
故障處理
在分佈式大型系統中,發生故障是很常見的,接下來,我會介紹常見的故障處理方案。
故障檢測
一種很常見的方案是使用 Gossip 協議,我們看一下它的工作原理:
- 每個節點維護一個節點成員列表,其中包含成員 ID 和心跳計數器。
- 每個節點週期性地增加它的心跳計數器。
- 每個節點週期性地向一組隨機節點發送心跳,這些節點依次傳播到另一組節點。
- 一旦節點收到心跳,成員列表就會更新爲最新信息。
- 如果在定義的週期內,發現心跳計數器的值比較小,則認爲該成員離線。
處理臨時故障
通過 gossip 協議檢測到故障後,爲了保證數據一致性,嚴格的 Quorum 算法會阻止寫入操作。而 sloppy quorum 可以在臨時故障的情況下,保證系統的可用性。
當網絡或者服務器故障導致服務不可用時,會找一個臨時的節點進行數據寫入,當宕機的節點再次啓動後,寫入操作會更新到這個節點上,保持數據一致性。
如下圖所示,當 s2 不可用時,寫入操作暫時由 s3 處理, 在一致性哈希環上順時針查找到下一個節點就是s3,當 s2 重新上線時,s3 會把數據還給 s2。
處理長時間故障
數據會在多個節點進行數據複製,假如節點發生故障下線,並且在一段時間後恢復,那麼,節點之間的數據如何同步? 全量對比?明顯是低效的。我們需要一種高效的方法進行數據對比和驗證。
使用 Merkle 樹是一個很好的解決方案,Merkle 樹也叫做哈希樹,這是一種樹結構,最下面的葉節點包含數據或哈希值,每個中間節點是它的子節點內容的哈希值,根節點也是由它的子節點內容的哈希值組成。
下面的過程,展示了 Merkle 樹是如何構建的。
第 1 步,把鍵值的存儲空間劃分爲多個桶,一個桶可以存放一定數量的鍵值。
第 2 步,創建桶之後,使用哈希算法計算每個鍵的哈希值。
第 3 步,根據桶裏面的鍵的哈希值,計算桶的哈希值。
第 4 步,計算子節點的哈希值,並向上構建樹,直到根節點結束。
如果要比較兩個 Merkle 樹,首先要比較根哈希,如果根哈希一致,表示兩個節點有相同的數據。如果根哈希不一致,就遍歷匹配子節點,這樣可以快速找到不一致的數據,並進行數據同步。
系統架構圖
我們已經討論了設計鍵值存儲要考慮到的技術問題,現在讓我們關注一下整體的架構圖,如下
這個架構主要有下面幾個特點:
- 客戶端通過簡單的 API 和鍵值存儲進行通信,get (key) 和 put (key, value)。
- coordinator 協調器充當了客戶端和鍵值存儲之間的代理節點。
- 所有節點映射到了一致性哈希環上。
- 數據在多個節點上進行復制。
寫入流程
下圖展示了數據寫入到存儲節點的過程,主要基於 Cassandra 的架構設計。
- 寫入請求首先被持久化在提交日誌文件中。
- 然後數據保存在內存緩存中。
- 當內存已滿或者達到閾值時,數據移動到本地磁盤的 SSTable,這是一種高階數據結構,感興趣的讀者自行查閱資料瞭解。
讀取流程
在進行數據讀取時,它首先檢查數據是否在內存緩存中,如果是,就把數據返回給客戶端,如下圖所示:
如果數據不在內存中,就會從磁盤中檢索。我們需要一種高效的方法,找到數據在哪個 SSSTable 中,通常可以使用布隆過濾器來解決這個問題。
- 系統首先檢查數據是否在內存緩存中。
- 如果內存中沒有數據,系統會檢查布隆過濾器。
- 布隆過濾器可以快速找出哪些 SSTables 可能包含密鑰。
- SSTables 返回數據集的結果。
- 結果返回給客戶端。
Reference
[0] System Design Interview Volume 2:
https://www.amazon.com/System-Design-Interview-Insiders-Guide/dp/1736049119
[1] Amazon DynamoDB: https://aws.amazon.com/dynamodb/
[2] memcached: https://memcached.org/
[3] Redis: https://redis.io/
[4] Dynamo: Amazon’s Highly Available Key-value Store:
https://www.allthingsdistributed.com/files/amazon-dynamo-sosp2007.pdf
[5] Cassandra: https://cassandra.apache.org/
[6] Bigtable: A Distributed Storage System for Structured Data:
https://static.googleusercontent.com/media/research.google.com/en//archive/bigtable-osdi06.pdf
[7] Merkle tree: https://en.wikipedia.org/wiki/Merkle_tree
[8] Cassandra architecture: https://cassandra.apache.org/doc/latest/architecture/
[9] SStable: https://www.igvita.com/2012/02/06/sstable-and-log-structured-storage-leveldb/
[10] Bloom filter https://en.wikipedia.org/wiki/Bloom_filter