嘉宾介绍

姚维，现PingCAP TiDB内核专家，曾就职于360基础架构部门、UC。

为什么我会加入PingCAP呢？

在360的时候，我负责Atlas的Sharding(切片技术)的实现。在这个过程中，我发现中间件这个数据库方案存在了诸多限制。比如说数据迁移的场景，当槽位需要在原有设定值的基础上再增加，整个操作过程需要人工介入而且极其复杂，同时也避免不了系统停机。比如说分布式事务，这在跨Sharding的节点上几乎不可能支持的。

为什么要做一个新的数据库?

关于数据库发展的历史，如图一所示在早期，大家主要是使用单机数据库，如Mysql等。这些数据库的性能完全可以满足当时业务的需求。但是自2005年开始，也就是互联网浪潮到来的时候，这些早期的单机数据库就慢慢开始力不从心了。当时Google发表了几篇论文，谈论了其内部使用的Bigtable Mapreduce。然后就有了Redis、HBase 等非关系型数据库，这些数据库实际上已经足以满足当时业务的需求。

图 1

直到最近的五六年，我们发现尽管各种NoSQL产品大行其道，但是Mysql依然是不可或缺的。即使是Google，在某一些不能丢数据的场景中，对一些数据的处理依然需要用到ACID，需要用到跨行事务。因此Google在12年的时候发表了一篇名为《Google Spanner》的论文(注：Spanner是在Bigtable之上，用2PC实现了分布式事务)。然后基于Spanner，Google的团队做了F1(注：F1实际上是一个SQL层，支持SQL的语法)，F1用了一些中间状态来屏蔽了单机Mysql可能碰到的阻塞的场景。

在PingCAP成立之前，当时还在豌豆荚的PingCAP的创始人，在接触数据库的中间件方案过程中也是深受其害。因此在受到Google上述的两篇论文的启发后，就成立了PingCAP，开始TiDB的研发。

TiDB的架构

图 2

TiDB的架构如图2所示。TiDB主要分为三个部分：负责对接SQL语句的SQL Layer、负责底层存储的TiKV和负责元数据管理的Placement Driver(PD，下文以此简称)。

其中TiDB和PD是用Go实现的，TiKV是用Rust实现的。它们的具体功能在后文会提到。

TiKV的概述

图 3

首先是Region的概念，它是指一段连续key的key-value对的集合。所有的数据都是以Region为一个基本单位来组织调度的。

Region是高度分层的。最底层的是RocksDB，这一层负责键值对的存储。之上是Raft状态机，每一个Region都是是通过Raft协议来保证数据的外部一致性的(我们的设计保证了即使在写数据的过程中宕机也不会丢数据)，足以支持金融级别的场景。然后是数据库中比较常用的MVCC层，它可以实现隔离级别等很多功能。再之上，就是事务，这里的事务是用2PC的变种的方式实现的。(可能大家觉得2PC做分布式事务会出现阻塞的情况。但是我们也知道，2PC只会在键发生冲突时阻塞从而引起时延。但是这是一种极端情况，实际的业务场景，比如用户ID，只要我们将key均匀分布，这种冲突情况是几乎很少发生甚至可以完全避免的)。

现在一个Region的大小是96MB，当Region快要填满时，Region会发生分裂，整个分裂的过程都是由PD来调度，完全不需要人为干预。

PD的概述

PD主要负责元数据的管理。PD的主要作用：1、管理TiKV(一段范围key的数据)，通过PD,可以获取每一段数据具体的位置；2、F1中提到的授时，即用于保证分布式数据库的外部一致性。

图 4

TiKV中的Multi-Raft

如图五所示，每一个Region都是一组Raft状态机。

假设节点一中出现Region的阻塞，这种设计能够保证其它节点并不会因此而受影响发生阻塞。

图 5

TiKV的水平扩容

TiKV的扩容，唯一需要人工操作的就是把机器加入到这个集群即可。剩下的完全会由PD来实现整个扩容的流程，同时PD还保证Region会均匀地分布在各个节点上。

图 6

实际上，在新节点刚刚加入集群时，存在一种潜在的可能发生阻塞的情况，即在该节点还没有任何数据加入时就需要进行"Raft"中的投票环节。我们给出的解决方案是，在该节点还没有获取到数据时，不让其参与投票的过程，然后直到数据迁移完成后再让其加入投票的过程。

SQL Layer

整个这一层都是用Go语言开发的。

在我看来，任何的键值对系统，只要是和SQL有关，那么其复杂度会以指数级上升。因为数据库中最难的就是查询优化器。大家有没有想过，为什么Mysql问题很多，但是这么多年却依旧没有人对其进行改进和优化。实际上就是因为这一块的实现难度太大了。

图 7

SQL本身实际上就是一串字符串，所以我们首先会有一个解析器。语法解析器(Parser)的实现本身不难，但是却极其繁琐。这主要是因为Mysql比较奇葩的语法，Mysql在SQL标准的基础上增加了很多自己的语法，因此这一模块的实现耗时极长，有一两个月之久。

但由于Parser只做语法规则的检查，SQL语句本身的逻辑却没法保证，因此在Parser后紧跟了Validate模块来检查SQL语句的逻辑意义。

在Validate模块后是一个类型推断。之所以有这个模块，主要是因为同一个SQL语句在不同的上下文环境有不同的语义，因此我们不得不根据上下文来进行类型推断。

接下来是优化器，这个模块我们有一个专门的团队来负责。优化器主要分为逻辑优化器和物理优化器。逻辑优化器主要是基于关系代数，比如子查询去关联等。然后是和底层的物理存储层打交道的物理优化器，索引等就是在这一块实现的。

后面还有一个分布式执行器，它主要是利用MPP模型来实现的，这也是分布式数据库比单机数据库要快的主要原因。

为什么选用go？

如图七 图八所示，主要是基于分布式数据库所带来的挑战以及Go语言在这一块所拥有的优势等考量，因而我们采用Go语言来实现TiDB。

首先是分布式数据库的实现本身确实极其复杂；TiDB底层通讯涉及大量RPC过程，如果是用诸如c++语言来实现的话，不是说不能，而是太过复杂了，Go语言和c++相比，它封装了底层的很多细节，而且Go语言本身也易学容易上手，生成效率高，更何况我们整个团队都是以Go语言为主；同时Go语言也足以满足性能方面的需求，尤其是在高并发、数据量大和OLTP查询等场景，甚至有时用户输入的不合理复杂的OLAP查询也不是问题；外部一致性，即Spanner中提到的全局一致性的保证；SQL带来的复杂度；易于Bug的发现，以及Profile等工具以及够用的GC性能。

图 8

图 9

Go在TiDB中的作用

图 10

由图九所示，TiDB中Golang的语言实现占得比例相当大，以及包括谢大在内的138个开源贡献者。

Go的调优

实际上主要是涉及内存方面的。

图 11

对象重用

图 12

OLTP和OLAP的融合

图 13

一些大型公司在做大数据分析时，基本是在晚上把数据从数据库通过ETL导入到Hive、ODPS等，也就是说要到第二天才能完成对这部分数据的查询。

因此我们团队考虑，是否可以直接在OLTP上跑一个大数据查询的引擎，这样就可以避免上述提到的这个过程，而且数据本身也可以比较实时地出现在报表中。TiSpark项目就是来实现这个功能的。

图 14

TiSpark是用的Spark的引擎，然后用Scala语言写了一个CoProcessor来实现Spark相关的一些操作。

这样子的话，和提供分布式事务功能的TiDB不同，TiSpark主要是用于需要分析和跑得快的场景。

2018 Gopher China 大会，将于今年4月在上海举办，今年也是第一次增加了会前的 workshop 。本届的大会无论从规模，内容都将有更多值得大家期待的！

点击阅读原文报名2018 Gopher China 大会，早鸟票倒计时最后1天！