| 编辑推荐: |
| 本文来自于it168，本文主要介绍快狗打车数据库架构的一致性实践，在一致性实践的过程中，能够体现快狗打车数据库架构的演进历程。 |
|
快狗打车(原58速运)是一个创业型公司，技术架构、技术体系、数据库架构的变迁，和在座很多公司是很相近的，今天和大家聊一聊，我们在快狗打车数据库架构一致性方面碰到一些问题。
不一致的优化历程，也是数据库架构演进的过程
主线是我们的数据库架构变化的过程，在这个过程中，我列出了四个跟一致性相关的节点，主从会不一致、缓存会不一致、冗余数据会不一致、多库多实例会不一致。不一致的优化历程，也是我们数据库架构演进的一个过程。从单库到现在，有哪些坑在等着我们呢？
先看一下，最初的数据库架构，最早是这个样子的。那个时候没有什么微服务分层， web通过DAO访问一个单库数据库，最早我这么玩的。单库，它不具备什么高可用，高并发特性，扩展性也比较差。我相信很多创业公司初期也是这样。
单库最早会遇到什么样的瓶颈呢？在创业的时候，数据量变大了，并发量大了，业务变复杂了，整个系统的瓶颈最先出现在哪里？我的经验是数据库。数据库的瓶颈又会在哪里？我的经验是读。因为绝大部分的业务是读多写少的业务，读，最容易称为系统的瓶颈。
最早在数据库读扛不住的时候，最先想到的优化方式是什么？互联网公司都讲快，今天出问题，能不能明天后天给我搞定？最先想到的方案是什么，如何能快速扩充数据库的读性能呢？
加两个实例，主从同步，读写分离，这是创业型公司，当数据库读成为瓶颈的时候，最先想到的方案，快速扩充读性能。主从同步碰到的问题是什么？这就是本主题要讲的第一个问题，主从一致性的问题。
当数据量越来越多，吞吐量越来越大的时候，写到了主库，主库同步到从库，主从同步存在延时，在延时窗口期内，读写分离去读从库，就有可能读到一个旧数据。这个问题，我相信大家也会碰到。
对于这个问题，不少接业务的解法方案是，忍，有些业务如果对一致性的要求没这么高。但有没有优化方案呢？
这两个图是我们的两个常见的实践。
第一个是中间件，我们的服务层或者站点层不直接调数据库，通过一个中间层，去调数据库。中间层它能够知道哪一个库，哪一个表，哪一个KEY发生了写操作，如果说接下来的这一段时间(假设主从同步一秒钟完成)，有读请求落到从库上，就会读到旧数据。那么此时，中间件就要将读请求，路由到主库上去，读新数据。
第二个是强制读主。第二个图，双主同步，强制读主有什么好处？第一解决了高可用问题，双主使用同一个VIP，一个主库如果挂了，另一个主库能随时顶上，保障高可用。第二避免了主从之间的不一致。
强制读主它带来的新的问题是什么呢？解决了一致性问题，但读性能扩展的问题又来了，主库抗读写，还是没有解决读性的扩大的问题。
除了增加从库，互联网公司还有一种常见的提升系统读性能的方式，缓存加服务化。抽象出服务层，向调用方屏蔽底层数据库的复杂性，屏蔽数据库的高可用的复杂性，屏蔽缓存的复杂性，对业务层提供服务。
服务化加缓存确实是提升系统读容量的架构方案。通过缓存来提升读性，又会遇到什么新的问题呢？用主从架构，有主从不一致问题；用缓存架构，当然也有缓存不一致的问题。只要你把同一份数据放在了多个地方，多个地方的修改有时间差，这个时间差就会有数据访问不一致的问题。
当我们出现数据库与缓存中的数据不一致的时候，我们怎么来解决？
首先来看一下为什么会不一致。缓存的常用玩法是“Cache Aside Pattern”。Cache
Aside Pattern，旁路缓存，一般是怎么玩的？淘汰缓存，而不是更新缓存，这是Cache Aside
Pattern的结论。
读写时序是什么样的？对于读请求有缓存，毫无争议的，先读缓存，如果数据命中我就直接返回，如果数据没有命中，读从库读写分离，把这个数据从从库里拿出，放到缓存里，这是读请求的一个流程。
对于写请求，Cache Aside Pattern的做法是，先写数据库，再淘汰缓存。在什么情况下会出现不一致？当并发量相对会比较高时，对于同一个KEY做了一个写操作，马上又来了一个读操作，会出现什么样的情况？先发生一个写操作，先更新到数据库，淘汰了Cache，马上又来了一个读操作，这个时候主从同步还没同步完成，先读缓存，缓存被刚刚的写操作已经淘汰掉了，又去读从库，把从库的脏数据拿过来放到缓存里去，不一致就出现。
高并发状态下，写后立即读的场景，容易出现脏数据入Cache。
大家发现没有，这里的数据不一致，比主从的数据不一致的情况更严重。主从不一致，只有一个主动同步时间差不一致，同步之后，从库就能读到新数据了。但是缓存与数据库的不一致，它会导致后续一直不一致，一旦脏数据入了缓存，脏数据会延续到下一个写发生的时候才会被淘汰掉，所以它其实更严重。
如何来解决呢？缓存和数据库的数据不一致，我们的两个实践：异步淘汰缓存，确保从库已经同步成功；设定超时时间，极限情况下有机会修正。
第一个，等从库已经完全同步成功，再去异步淘汰缓存？只要监听从库的binlog，从库binlog完成，一定是写操作执行完毕，此时再淘汰缓存，就能避免时间差。
第二个，就是如果允许Cache miss，不要将缓存过期时间设为永久，如果你设置为无限长的过期时间，就没有一个机会去修正不一致了。
随着业务的发展，除了流量的增加，我们要提升系统的读性能，我们要提升系统的数据库高可用，还会面临一个什么问题？对了，数据量会增大。我们业务数据量越来越大了，通常采用什么样的方式去解决？创业型公司，这两个方案应该是大家用得最多的。
第一个，分库。降低每个库，降低每个实例的数据量，这样就能够承载更多的数据。分库又带来什么新的问题？举了个例子，订单一个库，它有多个维度的查询，有订单ID的查询，有用户ID的查询，有司机ID的查询，一个库没有任何问题。
但分库以后，变成多个库以后，一旦用了一个维度分库，你会发现其他的维度的查询就要变成多个库了，是不是？
一般来说是通过用户的ID去分库，在订单ID里去放上分库因子，这样通过用户ID以及订单ID都能够定位到相关数据。但是对于司机ID就不同了，司机ID和用户ID是一个多对多的关系。一个用户他可能下了多个司机的单，一个司机接了多个用户的单，通过司机ID去查询，并不能一次性查询到所有的数据，同一个司机的订单一定是分布在多个库里。怎么办呢？此时最常用解决方案是，数据冗余。
我用一个存储元数据，用一个存储关系数据，元数据通过用户ID来分库，保证同一个用户的所有订单在一个库里。关系数据用司机ID来分库，保证同一个司机的所有订单在一个库里。同一份数据，由于它存在两个维度的查询，这两个维度查询都可以不夸库，而通过数据冗余来实现，这个在业内属于很常见的方案。
数据冗余，又会出现什么问题？一起来看一下。上面是应用，中间是服务，一个数据存在两个库里，一个库是通过用户ID分库，一个库是通过司机ID去分库，调用方来了一个请求，先要往第一份数据里写一个数据，再往另外一个库里写一个冗余数据。能保证冗余数据的一致性么？是不能够保证，这两个库同时写成功的，那怎么办呢？
这就是冗余数据的一致性问题。数据冗余数据的不一致优化，今天介绍三种方法，其实本质的方法论都是最终一致性。
第一个方案是扫全量。怎么发现冗余数据不一致？写个脚本，每天晚上跑，理论上A库里有的B库里面也有，一旦扫库发现怎么A库有B库里没有，就是出现不一致了，就要根据业务特性来做补偿。到底是将后一半补进去，还是把前一半删掉，跟业务特性相关，不过思路大致是这样的，一个异步的方式，最终来保证一致性。
第二个方案是扫增量。通过服务操作两个库，写成功第一个库写一条日志，写成功第二个库再写一条日志。这些日志里的就是每天改变的数据，每天不用扫描全量，只要扫描每天改变的数据就行了。如果扫描日志不匹配，就通过异步的方式修复，保证最终一致性。
第三个方式，比前两种方式更加实时。不写日志了，而是发消息。用一个消息组件，数据库正向表操作成功了，发一个消息，冗余表操作成功了，发另一个消息。用一个异步的服务去监听这两个消息，如果只有一条消息到达，就去数据库检测一致性，并用异步的方式来补偿。
最后是多实例多库，这也是解决数据量大的一个常见方案。它会带来什么样的不一致呢？这里有一个案例，下单的一个操作，可能有三个数据要修改，一个是余额的数据，我可能要扣减一些余额；一个是订单的数据，要新增一条订单；一个是流水的数据，要新增一条流水。原来是单库事务来保证一致性，现在数据量大了，变成多个库，余额是一个单独的实例，订单是一个单独的实例，流水是一个单独的实例，所以原来的一个事务，在多库状态下，就变成三个事务。
多实例，多库事务，不一致，怎么办？这一块我们有两个优化实践。
第一个是补偿事务，业内应该也经常用到补偿事务。
余额操作，正向的操作是扣减余额，补偿事务就是把余额加回来。
订单操作，正向的操作是新增订单，补偿事务就是把订单删除掉。
流水操作，正向的操作是新增流水，补偿事务就是把流水删除。
总之，补偿事务就是当你发现前面的事务执行失败的时候，要执行一个应用层的事务，回滚一个动作。
另外一种方式，伪分布式事务的解决方案，是后置提交。
先细化的看一下三个事务是怎么执行的？第一个事务先执行再提交，第二个事务执行再提交，第三个事务执行再提交。事务的执行过程很慢，事务的提交过程很快。上图这个例子，可能执行时间200毫秒，提交时间几毫秒，什么时候会出现不一致呢？第一个事务提交成功之后，最后一个事务提交成功之前的中间，任何一个地方出现异常都会导致不一致。
优化其实也很简单，后置提交。第一个事务执行，第二个事务执行，第三个事务执行;第一个事务提交，第二个事务提交，第三个事务提交。什么时候会出现不一致呢？仍然是第一个事务提交成功之后，第三个事务提交成功之前的时间间隔，如果出现了，网络异常，服务器挂了，就会不一致。但是这个间隔就只有后面的两毫秒，所以整个不一致的概率是降低了百倍左右。
最后做一个简单的总结。根据我的经验，40分钟50分钟的一个技术分享，第二天能够记住的只有10%。如果只记住10%，那我希望大家能够记住这一页的内容，并希望自己的逻辑是清晰的。
数据库架构最初是单库，单库会碰到什么问题？会碰到读性能瓶颈的问题。读性能瓶颈最早用什么样的方式去解决？主从同步读写分离，它会带来什么问题？主从的不一致，用什么方案解决？我们的实践是中间件，以及强制读主。
提升读性能，服务化加缓存也是常见方案，带来什么新的问题？缓存和数据库的不一致。在Cache Aside
Pattern的情况下，有写后立即读的问题，旧数据可能入缓存。我们的实践，可以通过异步淘汰的方式，当写操作在从库上真正完成的时候再去淘汰缓存。同时，我们建议为所有允许Cache
miss的数据设置超时时间。
数据库架构，数据量大的问题，怎么解决？常用的解决方案是分库，多实例。分库带来什么新的问题？记得我的例子么，分了库之后，可以保证同一个用户的数据在同一个库里，不能够保证同一个司机数据也在同一个库里，怎么解决？使用数据冗余。冗余带来什么问题？冗余数据的不一致问题，方向是最终一致性。怎么最终保证一致性？扫全量，扫增量，实时消息对。除了多库，多实例也可以扩展数据存储量，会遇到什么问题？多库的事务不能在保证原则性，补偿事务，后置提交，都是我们的优化实践。
| 
