Hunter的大杂烩 技术学习笔记

January 8, 2009

优化使用BigTable的原则与方针

Filed under: 架构 — hunter @ 8:53 pm

BigTable的使用原则处处透着Web 2.0的设计原则,也是BASE原则的体现(牺牲一致性),BASE原则是Web 2.0设计的高度抽象

 ================================================

从围绕着Google App Engine的大量讨论中,Todd Hoff总结出了一组优化使用分布式及高可伸缩性存储系统——如BigTable——的指导原则Todd从定义BigTable的适用范围开始论述。由于BigTable引入的各种代价,只有在以下情况下使用BigTable才能带来益处:a)需要伸缩到巨量的用户数,b)更新与读取操作相比比例很小。Todd还着重强调为了“优化读取速度和可伸缩性”,所采取的理论路线与关系数据库中的做法存在根本的分歧,很可能初看起来是违背直觉甚至相当冒险的。关系数据库的世界是以防止错误为根基的;以正规化(normalization)为工具消除重复和防止更新异常。为了提高可伸缩性,数据应该重复而非正规化。Flickr久悬着了这种路线,决定让“评论重复出现于评论者和被评论者两个用户数据分片中,而非单独建立一个评论关系”(hunter:绝!),因为“如果把用户数据分片作为可伸缩性的单元,就没有地方放置这种关系”。因此,虽然去正规化(denormalization)违背了“关系数据的伦理”,但它是BigTable数据范式不可缺少的组成部分。

在以上论述的基础上,Todd针对优化使用BigTable存储系统总结了若干必须牢记的原则:

  • 如果你的目的不是创建一个百万级用户访问的网站,那请不要使用BigTable(Hunter:译文好像漏了这条)。

      Bigtable不是为了做OLAP或者其他传统关系数据模型下的使用而设计的;

  • 假定数据访问是较慢的随机访问而非较快的连续访问。

因为“在BigTable里数据可能放在任何地方[……],平均读取时间可能相对较高”。

    (Hunter补: 在BigTable里面遍历数据是非常昂贵的,因为每次读取下一条记录都会涉及到一个远程某台机器的磁盘读写)

  • 为并发读取对数据进行分组

为了最大程度提高并发读取,应该去正规化。也就是说,“应该改变实体的存储方式,使得一次读取操作即可读出整个实体,避免执行会导致多次读取的join操作”,并且“将属性复制到需要使用它们的地方。”

  • 磁盘和CPU都很便宜,不要再为它们操心,尽力提高可伸缩性吧

“[……]你的应用可以任意地扩大规模,只要简单地增加新机器就可以了。所有可伸缩性瓶颈都已消除。”

  • 围绕数据的用途来决定数据的结构

要提高查询速度,数据的格式应该尽可能与数据被使用时的格式接近。因此Hoff主张用“以应用为出发点的实体取代SQL集合”。必须强调“这种方式不同于面向对象的数据库”。行为不是绑定到实体上的,而是由应用提供的,“多个应用可以读取相同的实体,却实现截然不同的行为”。 

  • Compute attributes at write time.

这样可以“最小化读取时的工作量”,并能防止“应用程序遍历大量的数据”,因为这种操作是低效的。 

    (Hunter补: 由于遍历大量数据是昂贵的操作,因此如果要跟踪总数据或者平均值这类状态数据,建议在写的时候预先计算好,而不是每次通过读一批数据来计算)

  • 创建大型的实体,允许可选的字段

放弃正规化和建立大量小实体的旧做法,应该“创建大型的实体,允许可选的字段,以便一次操作即可读取出全部需要的数据,运行时再确定存在那些字段”。 

  • 在模型中定义Schema

为了在去正规化的条件下,保证数据跨多个实体的一致性,schema必须“在代码中定义,因为那是唯一能跟踪所有关系和保证数据正确性的地方。”

   (Hunter补:所有数据库访问必须通过model去读写,否则数据一致性会有很大问题) — key!

  • 用Ajax隐藏更新操作。

以小的增量更新数据库是有利的。

   (Hunter:由于更新是比较慢的,因此用Ajax将大量数据的更新由一个大的调用变为一批小量的调用,在用户体验上和系统承受能力上,可以取得较好的平衡)

  • Put是昂贵的

由于“在一次查询中能执行的根新数量十分有限”,Todd建议“执行小批量的更新,并且由外部CPU来驱动。”  — 跟上条比较类似

  • 按显式费用模型设计

“点击查询表单的OK按钮,表示你确定准备为GAE的数据库操作而付费。” 

  • 将many-to-many关系包含到实体中,但减少关联元素的数量

由于“维护一个较大的列表相对低效”,所以应该“尽量将列表中元素的数量减到最小。” 

  • 避免无限制条件的查询

Todd建议只显示某字段最新的少量记录,因为“大的查询伸缩性不佳”。 

  • 避免出现对数据存储实体的争用

应该“避免全局计数器,即跟踪记录数量,且每次请求都要更新或读取的实体。” 

  • 避免庞大的实体组

“对实体组的写入是顺序执行的”,因此最好“使用小的、局部的组”。

  • 共享计数器

     将计数器分为N个,每次根据hash算法计算出偏移x,然后更新 x/N  计数器;读的时候,将N个计数器累加;这样的做法可以有效的避免写瓶颈。

     — bingo,这个方法我们现在也在用啊….

 

Todd Hoff对上面的每一条原则都给出了深入的解释,对其中一些原则还引用了来自GQL讨论组的例子进行详细解说。

 

——  原文这句话很有意思

Designing to scale for reads and taking the pain on writes takes some getting used to. It’s a massive change to standard relational tactics. But this is what it takes to scale web applications, even if it feels a little strange at first.

——-

No Comments

No comments yet.

RSS feed for comments on this post.

Sorry, the comment form is closed at this time.

Powered by WordPress