秒换存储引擎，又多了一种架构方案？

作者 | 沈剑

在做业务架构的过程中，你是否遇到过类似的痛点？

（1）数据量太大，容量复杂性上移到业务层；

（2）并发量太大，性能复杂性上移到业务层；

（3）前台与后台存储异构，满足不同查询需求；

（4）线上与线下存储异构，满足大数据需求；

（5）存储系统迁移成本高，不敢轻易做重构；

（6）…

职业生涯十五年，基本都在使用MySQL做线上业务的存储。最近这几年，遇到的问题慢慢多起来，严重影响了研发效率。TiDB近年甚火，于是最近做了一些调研，与大家分享。

如一贯风格，更多的聊：TiDB究竟解决什么问题，以及为什么这么设计，体现什么架构思想。

问题的引出，MySQL体系结构存在什么问题？

上面这幅MySQL体系结构图，相信很多人都见过：

• 上游：MySQL客户端；
• 下游：MySQL服务端，又包含连接池，语法分析，语义分析，查询优化，缓冲池，存储引擎，物理存储，管理功能… 等诸多模块；

画外音：太复杂了，字都看不清了。

对MySQL体系结构做了一个简化：

如上图所示：

• 上游：MySQL客户端；
• 中间：通过MySQL协议通讯；
• 下游：MySQL服务端；

画外音：对不起，忍一下我画的丑图。

核心的服务端，又主要分为两层：

• 一层，计算层；
• 一层，存储层；

MySQL如此这般，存在什么天然的问题？

【1】计算与存储天然耦合。

计算层和存储层，既然都在一个MySQL进程里，所有的CPU资源，内存资源都是共享的，势必存在资源争抢的耦合。

除了天生的不足，在数据量大，并发量大的典型互联网业务场景里，对于MySQL的使用，还有哪些痛点呢？

我们都知道，当读写量增加的时候，通常会对MySQL做主从分组集群：

如上图所示：主从同步，读写分离，通过线性增加从库来线性扩展系统的读性能。

画外音：大部分业务，读容易成为主要矛盾。

我们也知道，当存储容量增加的时候，通常会对MySQL做水平切分集群：

如上图所示：用一个键值进行数据分片，以实现更大的存储容量。

所以，实际上线上的MySQL集群是这样的：

• 既有水平切分，多个分片；
• 又有主从分组，每个分片有一个主从集群；

而分片和分组，都是调用方微服务需要关注的，这就引出了下一个痛点：

【2】调用方需要关注存储细节，底层存储的复杂性转移到了上层应用。

另外，除了在线应用，绝大部分互联网公司都有各类大数据处理的需求：

• 离线分析：例如，经营日报；
• 在线分析：例如，分析师取数；
• 实时处理：例如，实时报表；

为了满足这类需求，又需要将MySQL中的数据同步到各类大数据体系的集群中：

用一系列大数据的技术体系，去解决各类大数据处理的需求。

这就引出了另一个痛点：

【3】技术侧需要关注数据同步，数据一致性，大数据集群的复杂性。

当然，很多技术管理者也会调研各类替代产品，以解决上述1-3的问题，例如NoSQL的代表之一MongoDB，无奈【4】升级迁移需要大量的系统改造，综合评估之后，往往不得不放弃迁移方案，继续忍受MySQL带来的各种问题。

历史的痛点，往往是创新的机会。

TiDB，它来了！

TiDB是如何设计，以解决：

(1) 计算与存储耦合；

(2) 存储底层的复杂性转移；

(3) 大数据体系复杂性转移；

(4) 系统迁移成本高；

等问题的呢？

首先，TiDB在诞生之初，就确定了：

• 复用MySQL协议；
• 计算与存储分离；

的设计大方向。

如上图所示：

• 上游：不需要做任何改动，可以使用MySQL的各类driver，访问TiDB；
• 中间：通过MySQL协议通讯；
• 下游：将计算层与存储层拆分到两个进程里，解除资源争抢的耦合，而这两层的通讯则使用内部协议，对调用方透明；

如此一来，难题 (1) 和 (4) 就得到了解决。

如何解决读写量扩展，存储量扩展等“底层复杂性转移”等问题呢？

对于计算层，实现连接池，语法分析，语义分析，查询优化等模块，做到无状态，并通过集群的方式扩展，这就是TiDB体系结构中的“计算引擎tidb-server”集群。对于调用方，接入层TiDB集群就是入口，其背后的复杂性对上游不可见。上图中，简记为【接入层（计算层）】。

画外音：微服务架构中，站点应用和微服务层也必须无状态化，以实现轻易的集群扩展，也是一个道理。

对于存储层，实现一致性算法，分布式事务，MVCC并发控制，算子下推等模块，实现原子KV存储，也能通过集群的方式自动扩展，这就是TiDB体系结构中的“存储引擎TiKV-server” 集群。上图中，简记为【存储层】。

画外音：这与GFS中的chunk-server很像，有了它，不再需要手动水平切分扩容了。

除此之外，需要一个拥有全局视野，实现元数据存储，ID分配（key-id，事务ID），时间戳生成，心跳检测，集群信息收集等模块的master，这就是TiDB体系结构中的“PD-server”集群。上图中，简记为【管理层】。

画外音：这与GFS中的master-server很像。

如此一来，难题 (2) 存储底层读写容量与存储容量的复杂性转移问题，也得到了解决。

大数据体系的复杂性，TiDB也将其屏蔽在了内部：

• 扩展接入层，让大数据有独立的接入，如上图中的TiSpark；
• 扩展存储层，匹配以适合大数据的存储，如上图中的TiFlash；

画外音：TiKV和TiFlash分别独立存储，且进行异步数据同步，彼此解耦。

• 扩展管理层，同时管理大数据的部分；

如此一来，难题 (3) 大数据数据同步，数据一致性，大数据集群的复杂性的问题，也得到了解决。

TiDB的架构，无处不体现着这样的设计原则：使用者简单易用，复杂麻烦的地方，都屏蔽到TiDB的内部。

回到开篇，如果你也正经历着类似的痛点？

• 数据量太大，容量复杂性上移到业务层；
• 并发量太大，性能复杂性上移到业务层；
• 前台与后台存储异构；
• 线上与线下存储异构；
• 存储系统迁移成本高；
• …

不妨，试一试TiDB。

最后一个问题，业务架构如何快速迁移至TiDB呢？

从MySQL到TiDB的迁移过程也非常平滑：

(1) 第一步，保持服务读写原有MySQL集群；

(2) 第二步，将原有MySQL集群中的数据，同步到TiDB；

画外音：TiDB的工具集很全，本文没有扩展介绍。

(3) 第三步，服务流量切换至TiDB；

画外音：由于保持MySQL协议，业务代码几乎不用修改，这是TiDB能够成功很重要的一个原因。

今天聊了聊TiDB体系结构的宏观设计原则，希望大家有收获。如果对TiDB的内核感兴趣，未来可以和大家聊聊它的实现细节。

画外音：大家感兴趣吗？

源码：https://github.com/pingcap/tidb