第五章 数据复制

第六章 数据分区

6.1 数据分区与数据复制

可以组合使用主从复制模型和分区，分区拓展单机性能，主从模型中从节点作为容灾备份。
每个分区节点，既包含主副本，又包含从副本，副本可以隶属于不同分区。

6.2 键值数据的分区

如果分区不均匀，某些分区节点会承担更多的数据量或者查询负载，成为倾斜，负载严重不成比例的分区即成为系统热点。

基于关键字区间分区

• 为每个分区分配一段连续的关键字，或者关键字区间范围
• 关键字区间不一定非要均匀分布，因为数据本身可能就不均匀
• 每个分区内可以按照关键字进行排序
• 缺点是某些访问模式会导致热点，解决办法是，比如原来关键字是时间戳，对于某些大事的时间戳会发生频次较高的查询，则可以使用时间戳之外的其他内容作为关键字的第一项，可以再时间戳前加上传感器名称作为前缀，这样可以首先由传感器名称，然后再由时间戳分区

基于关键字哈希值分区

• Cassandra和MongoDB使用MD5，Voldemort使用Fowler-Noll-Vo函数，一些编程语言的内置哈希函数，可以会受不同进程的影响，并不可靠
• 找到合适的关键字哈希函数，为每个分区分配一个哈希范围
• 优点：很好的将关键字均匀的分配到多个分区中
• 缺点：丧失了良好的区间查询特性，MongoDB中，区间查询会并行在所有分区查询

一致性哈希

• 可以平均分配负载
• 最初用于CDN等网络缓存系统
• 采用随机选择的分区边界来规避中央控制或者分布式共识
• 对数据库实际效果并不好，目前很少使用

分区策略综合

Cassandra采用了这种的方式，表可以声明为由多个列组成的符合主键。只有第一部分可以使用哈希分区，其他列则用作组合索引来对SSTable中的数据进行排序。
因此，它不支持再第一列区间查询，但是固定第一列时，则可以对其他列执行高效的区间查询。

负载倾斜与热点

哈希分区的极端情况是，所有读写操作针对一个关键字，即所有请求都被路由到同一个分区。
解决办法：
在应用层来减轻倾斜程度，比如某个关键字被确认为热点，可以在关键字开头或者结尾增加随机数，这样写请求会被分配到多个分区节点上。
问题就是任何读取都需要额外的工作，必须从所有分区读取数据再合并，所以通常只会对少量的热点关键字附加随机数才有意义。

6.3 分区与二级索引

二级索引：通常不能唯一标识一条记录，一般用来加速特定值的查询
前面的分区方案无法很好地适应二级索引存在的场景，主要挑战是二级索引不能规整的映射到分区中，主要有两种方案，基于文档分区和基于词条的分区。

基于文档的分区

• 每个分区完全独立，各自维护自己的二级索引，且只负责自己分区内的文档
• 文档分区也被称为本地索引，而非全局索引
• 查询时需要查询所有分区，即“分散/聚集”，查询代价高昂，且即使并行查询，仍然容易导致读延迟显著放大
• 目前实践：MongoDB，Riak ，Cassandra ，Elasticsearch，SolrCloud 和VoltDB

基于词条的分区

• 对所有的数据构建全局索引，而非每个分区维护自己的本地索引
• 以待查找的关键字本身作为索引
• 索引产生：可以直接用关键词来全局划分索引，或者取哈希值。直接分区可以高效区间查询，哈希则可以更均匀划分分区。
• 相比于文档分区
  • 优点：读取更为高效，不需要采用“分散/聚集”来对所有的分区执行一遍查询，只要确定索引所在分区一次请求即可完成
  • 缺点：写入速度较慢且非常负责，单个文
    档更新时，可能会涉及到多个二级索引多个分区节点的更新；针对于此，对全局二级索引的更新一般都是异步更新

6.4 分区再平衡

查询压力增加、数据规模增加、单节点故障，都有可能需要我们进行分区再平衡，即将数据和请求从一个节点转移到另外一个节点。

不能直接取模

• 如果节点N发生变化，会导致很多关键字进行迁移，涉及到多个分区的调整，大大增加了再平衡的成本

固定数量分区

• 创建远超实际节点数的分区，然后为每个节点分配多个分区
• 如果集群增删节点，从已分配的分区进行选中一部分进行迁移即可
• 注意：需要调整分区与节点的对应关系，可以逐步完成
• 分区数量不要太大，不要太小，很那确定最佳取舍点
• 实践：Riak，Elasticsearch，Couchbase和Voldemort

动态分区

• 当分区数据增长超过一个可配置的参数阈值时，拆分为两个分区，每个分区承担一半
• 当大量数据被删除，且分区缩小到某个阈值，将其与相邻分区合并
• 与B树的分裂操作类似
• 优点：分区数量可以自动适配数据总量
• 缺点：对于空数据库，刚开始直到达到第一个分裂点之前，所有写入操作由单节点处理。缓解办法是，HBase和MongoDB允许再空数据库配置一组初始分区。

按节点比例分区

• 使分区节点和集群节点成正比例关系，即每个节点具有固定数量的分区
• 新节点加入时，随机选择固定数量的现有分区进行分裂，可能会导致不公平的分裂（Cassandra在3.0推出改进算法）
• 实践：Cassandra和Ketama

自动 or 手动

让管理员介入到再平衡是个更好的选择，比全自动响应慢一点，但是可以有效防止意外发生

6.5 请求路由

服务发现

典型的服务发现问题，任何通过网络访问的系统都有这样的需求，尤其是当服务目标支持高可用时。
主要有三种策略，
1.允许客户端链接任意节点，如果节点不包含数据，则转发给下一个合适的节点
2.客户端请求全部发送到路由层，路由层充当分区感知的负载均衡器，不处理请求
3.客户端感知分区和节点分配关系，直连目标节点
许多分布式数据系统依赖独立的协调服务（ZooKeeper/Etcd/Consul）跟踪集群范围内的元数据，每个节点向协调服务注册自己，协调服务维护了最终的映射关系。
其他数据系统，有的使用了Helix，也有的使用gossip协议来同步集群状态，由节点负责转发请求到真正的节点。这种方式增加了数据库节点的复杂性，但是避免了对外部协调服务的依赖。

并行查询执行

对于大规模并行处理（Massively Paallel Processing, 主要用于数据分析的关系数据库），查询复杂得多，可能会包含多个联合、过滤、分组和聚合操作，MPP查询优化器会将复杂查询分解为许多执行阶段和分区，以便在集群的不同节点并行执行。

第七章 事务

7.1 深入理解事务

7.2 弱隔离级别

7.3 串行化

第八章 分布式系统的挑战

8.1 故障与部分失效

8.2 不可靠的网络

8.3 不可靠的时钟

8.4 知识，真相与谎言

参考文献

1.ddia中文翻译

标签：索引,第二,查询,关键字,哈希,数据系统,分布式,节点,分区
来源： https://www.cnblogs.com/boqianliu/p/15408490.html