大數據時代數據庫-雲HBase架構&生態&實踐
2018第九屆中國數據庫技術大會，阿裏雲高級技術專家、架構師封神（曹龍）帶來題為大數據時代數據庫-雲HBase架構&生態&實踐的演講。主要內容有三個方面：首先介紹了業務挑戰帶來的架構演進，其次分析了ApsaraDB HBase及生態，最後分享了大數據數據庫的實際案例。
直播視頻回顧
PPT下載請點擊
業務的挑戰
存儲量量/並發計算增大
現如今大量的中小型公司並沒有大規模的數據，如果一家公司的數據量超過100T，且能通過數據產生新的價值，基本可以說是大數據公司了 。起初，一個創業公司的基本思路就是首先架構一個或者幾個ECS，後面加入MySQL,如果有圖片需求還可加入磁盤，該架構的基本能力包括事務、存儲、索引和計算力。隨著公司的慢慢發展，數據量在不斷地增大，其通過MySQL及磁盤基本無法滿足需求，只有分布式化。 這個時候MySQL變成了HBase,檢索變成了Solr/ES，再ECS提供的計算力變成了Spark。但這也會面臨存儲量大且存儲成本高等問題。
另外一個趨勢就是非結構化的數據越來越多，數據結構的模式不僅僅是SQL，時序、時空、graph模式也越來越多，需要一些新的存儲結構或新的算法去解決這類問題，也意味著所需要做的工程量就會相對較高。
引入更多的數據
對於數據處理大致可歸類為四個方面，分別是復雜性、靈活性、延遲<讀,寫>和分布式，其中分布式肯定是不可少的，一旦缺少分布式就無法解決大規模問題 。靈活性的意思是業務可以任意改變的；復雜性就是運行一條SQL能夠訪問多少數據或者說SQL是否復雜；延遲也可分為讀與寫的延遲。Hadoop & Spark可以解決計算復雜性和靈活性，但是解決不了延遲的問題；HBase&分布式索引、分布式數據庫可以解決靈活性與延遲的問題，但由於它沒有很多計算節點，所以解決不了計算復雜性的問題。Kylin(滿足讀延遲)在計算復雜性與延遲之間找了一個平衡點，這個平衡點就是怎樣快速出報表，但對於這個結果的輸入時間我們並不關心，對於大部分的報表類的需求就是這樣的。每個引擎都是一定的側重，沒有銀彈！
ApsaraDB HBase產品架構及改進
應對的辦法
我們也不能解決所有的問題，我們只是解決其中大部分的問題。如何找到一個在工程上能夠解決大部分問題的方案至關重要，應對辦法：
分布式：提供擴展性
計算力延伸：算子+SQL，從ECS到Spark其本質其實就是一種計算力的延伸
分層設計：降低復雜性，提供多模式的存儲模型
雲化：復用資源&彈性，降低成本
基本構架
首先包含了兩個分離
分別是HDFS與分布式Region分布式檢索分離
SQL時空圖時序Cube與分布式Region檢索分離
大致的分層機構如下：第一層：介質層，熱SSD介質、溫SSD&SATA 混合、冷純SATA(做EC)
第二層：分布式文件系統，也就是盤古。事實上越是底層越容易做封裝優化。
第三層：分布式安全隔離保障層QOS，如果我們做存儲計算分離，就意味著底層的三個集群需要布三套，這樣每個集群就會有幾十臺甚至幾百臺的節點，此時存儲力是由大家來均攤的，這就意味著分布式安全隔離保障層要做好隔離性，引入QOS就意味著會增加延遲，此時會引入一些新的硬件(比如RDMA)去盡可能的減小延遲。
第四層：分布式文件接口：HDFS & API(此層看情況可有可無)
第五層：我們提供了兩個組件，分布式Region-HBase與分布式檢索-Solr，在研究分布索引的時候發現單機索引是相對簡單的，我們提供針對二級索引采取內置的分布式Region的分布式架構，針對全文索引采取外置Solr分布式索引方案
第六層：建設在分布式KV之上，有NewSQL套件、時空套件、時序套件、圖套件及Cube套件
另外，可以引入spark來分析，這個也是社區目前通用的方案
解決成本的方案
對於解決成本的方案簡單介紹如下：
分級存儲：SSD與SATA的價格相差很多，在冷數據上，我們建議直接采取冷存儲的方式 ，可以節約500%的成本
高壓縮比：在分級存儲上有一個較好的壓縮，尤其是在冷數據，我們可以提高壓縮比例，另外分布式文件系統可以采取EC進一步降低存儲成本，節約100%的成本
基礎設施共享：庫存壓力分擔，雲平臺可以釋放紅利給客戶
存儲與計算分離：按需計費
優化性能：再把性能提升1倍左右
雲數據庫基本部署結構
假設在北京有三個機房可用區A、B和C,我們會在可用區A中部署一個熱的存儲集群，在北京整體區域部一個冷的存儲集群，實際上有幾個可用區就可以有幾個熱集群，主要是保障延遲的；冷集群對延遲相對不敏感，可以地域單獨部署，只要交換機滿足冷集群所需的帶寬即可。這樣的好處是三個區共享一個冷集群，就意味著可以共享庫存。
ApsaraDB HBase產品能力
我們提供兩個版本，一是單節點版，其特點是給開發測試用或者可用性不高，數據量不大的場景。二是集群版本其特點是高至5000w QPS，多達10P存儲與高可靠低延遲等。
數據可靠性：99.99999999%：之所以可靠性可以達到如此之高，其核心的原因就是存儲集群是單獨部署的，其會根據機架等進行副本放置優化
服務可用性：單集群99.9% 雙集群99.99%。
服務保障：服務未滿足SLA賠付。
數據備份及恢復。
數據熱冷分離分級存儲。
企業級安全：認證授權及加密。
提供檢索及二級索引及NewSQL能力。
提供時序/圖/時空/Cube相關能力。
與Spark無縫集成，提供AP能力。
數據備份及恢復
備份分為全量備份HFile與 增量量備份HLog；恢復分為HLog轉化為HFile和BulkLoad加載。阿裏雲集團迄今為止已經有一萬兩千多臺的HBase,大部分都是主備集群的，在雲上由於客戶成本的原因，大部分不選擇主備，所以需要對數據進行備份。其難點在於備份需要引入計算資源，我們需要引入彈性的計算資源來處理備份的相關計算任務
Compaction 離線Compaction(研究中)
我們在內部研究如何通FPGA對Compaction進行加速，這會使得集群運行比較平緩，特別是對計算資源少，存儲量大的情況下，可以通過離線的作業處理Compaction。
組件層
我們有5中組件，NewSQL(Phoenix)、時序OpenTSDB、時空GeoMesa、圖JanusGraph及Cube的Kylin，及提供HTAP能力的Spark。這裏簡單描述幾個，如下：
NewSQL-Phoenix
客戶還是比較喜歡用SQL的,Phoenix會支持SQL及二級索引，在超過1T的數據量的情況下，對事務的需求就很少（所以我們並沒有支持事務）；二級索引是通過再新建一張HBase表來實現的。在命中索引的情況下，萬億級別的訪問基本在毫秒級別，但由於Phoenix聚合點在一個節點，所以不能做Shuffle類似的事情，同時也就不能處理復雜的計算，所以任何說我是HTAP架構的，如果不能做Shuffle，就基本不能做復雜的計算。
HTAP-Spark
在HTAP-Spark這部分主要介紹一下RDD API、 SQL、直接訪問HFile，它們的特點如下：
RDD API具有簡單方便，默認支持的特點，但高並發scan大表會影響穩定性；
SQL支持算子下推、schema映射、各種參數調優，高並發scan大表會影響穩定性；
直接訪問HFile，直接訪問存儲不經過計算，大批量量訪問性能最好，需要snapshot對齊數據。
時序-OpenTSDB & HiTSDB
TSD沒有狀態，可以動態加減節點，並按照時序數據的特點設計表結構，其內置針對浮點的高壓縮比的算法，我們雲上專業版的HiTSDB增加倒排等能力，並能夠針對時序增加插值、降精度等優化。
大數據數據庫的實際案例
以下簡單介紹幾個客戶的案例，目前已經在雲上ApsaraDB HBase運行，數據量基本在10T以上：
某車聯網公司
這是一個車聯網的客戶，有100萬車，每輛車每10秒上傳一次，每次1KB，這樣一年就有300T數據，六個月以上是數據低頻訪問，所以他要做分級存儲，把冷數據放到低介質上
某大數據控公司
這是一個大數據控公司，它大約有200T+的數據量，將HBase數據 (在線實時大數據存儲)作為主數據庫，先用HBase做算法訓練，再用HBase SQL出報表，另外做了一套ECS進行實時查以便與客戶之間進行數據交換。
某社交公司
社交會有大量的推薦，所以SLA要求高達99.99，並采用雙集群保障，單集群讀寫高峰QPS 可以達到1000w+，數據量在30T左右。
某基金公司
這是一個金融公司，它有10000億以上的交易數據，目前用多個二級索引支持毫秒級別的查詢，數據量在100T左右
某公司報表系統
先離線建好Cube再把數據同步到HBase中，實時數據通過Blink對接進行更新，數據量在可達20T左右。
原文鏈接
摘要： 2018第九屆中國數據庫技術大會，阿裏雲高級技術專家、架構師封神（曹龍）帶來題為大數據時代數據庫-雲HBase架構&生態&實踐的演講。主要內容有三個方面：首先介紹了業務挑戰帶來的架構演進，其次分析了ApsaraDB HBase及生態，最後分享了大數據數據庫的實際案例。
2018第九屆中國數據庫技術大會，阿裏雲高級技術專家、架構師封神（曹龍）帶來題為大數據時代數據庫-雲HBase架構&生態&實踐的演講。主要內容有三個方面：首先介紹了業務挑戰帶來的架構演進，其次分析了ApsaraDB HBase及生態，最後分享了大數據數據庫的實際案例。
直播視頻回顧
PPT下載請點擊
以下是精彩視頻內容整理：
業務的挑戰
存儲量量/並發計算增大
現如今大量的中小型公司並沒有大規模的數據，如果一家公司的數據量超過100T，且能通過數據產生新的價值，基本可以說是大數據公司了 。起初，一個創業公司的基本思路就是首先架構一個或者幾個ECS，後面加入MySQL,如果有圖片需求還可加入磁盤，該架構的基本能力包括事務、存儲、索引和計算力。隨著公司的慢慢發展，數據量在不斷地增大，其通過MySQL及磁盤基本無法滿足需求，只有分布式化。 這個時候MySQL變成了HBase,檢索變成了Solr/ES，再ECS提供的計算力變成了Spark。但這也會面臨存儲量大且存儲成本高等問題。
另外一個趨勢就是非結構化的數據越來越多，數據結構的模式不僅僅是SQL，時序、時空、graph模式也越來越多，需要一些新的存儲結構或新的算法去解決這類問題，也意味著所需要做的工程量就會相對較高。
引入更多的數據
對於數據處理大致可歸類為四個方面，分別是復雜性、靈活性、延遲<讀,寫>和分布式，其中分布式肯定是不可少的，一旦缺少分布式就無法解決大規模問題 。靈活性的意思是業務可以任意改變的；復雜性就是運行一條SQL能夠訪問多少數據或者說SQL是否復雜；延遲也可分為讀與寫的延遲。Hadoop & Spark可以解決計算復雜性和靈活性，但是解決不了延遲的問題；HBase&分布式索引、分布式數據庫可以解決靈活性與延遲的問題，但由於它沒有很多計算節點，所以解決不了計算復雜性的問題。Kylin(滿足讀延遲)在計算復雜性與延遲之間找了一個平衡點，這個平衡點就是怎樣快速出報表，但對於這個結果的輸入時間我們並不關心，對於大部分的報表類的需求就是這樣的。每個引擎都是一定的側重，沒有銀彈！
ApsaraDB HBase產品架構及改進
應對的辦法
我們也不能解決所有的問題，我們只是解決其中大部分的問題。如何找到一個在工程上能夠解決大部分問題的方案至關重要，應對辦法：
分布式：提供擴展性
計算力延伸：算子+SQL，從ECS到Spark其本質其實就是一種計算力的延伸
分層設計：降低復雜性，提供多模式的存儲模型
雲化：復用資源&彈性，降低成本
基本構架
首先包含了兩個分離
分別是HDFS與分布式Region分布式檢索分離
SQL時空圖時序Cube與分布式Region檢索分離
大致的分層機構如下：第一層：介質層，熱SSD介質、溫SSD&SATA 混合、冷純SATA(做EC)
第二層：分布式文件系統，也就是盤古。事實上越是底層越容易做封裝優化。
第三層：分布式安全隔離保障層QOS，如果我們做存儲計算分離，就意味著底層的三個集群需要布三套，這樣每個集群就會有幾十臺甚至幾百臺的節點，此時存儲力是由大家來均攤的，這就意味著分布式安全隔離保障層要做好隔離性，引入QOS就意味著會增加延遲，此時會引入一些新的硬件(比如RDMA)去盡可能的減小延遲。
第四層：分布式文件接口：HDFS & API(此層看情況可有可無)
第五層：我們提供了兩個組件，分布式Region-HBase與分布式檢索-Solr，在研究分布索引的時候發現單機索引是相對簡單的，我們提供針對二級索引采取內置的分布式Region的分布式架構，針對全文索引采取外置Solr分布式索引方案
第六層：建設在分布式KV之上，有NewSQL套件、時空套件、時序套件、圖套件及Cube套件
另外，可以引入spark來分析，這個也是社區目前通用的方案
解決成本的方案
對於解決成本的方案簡單介紹如下：
分級存儲：SSD與SATA的價格相差很多，在冷數據上，我們建議直接采取冷存儲的方式 ，可以節約500%的成本
高壓縮比：在分級存儲上有一個較好的壓縮，尤其是在冷數據，我們可以提高壓縮比例，另外分布式文件系統可以采取EC進一步降低存儲成本，節約100%的成本
基礎設施共享：庫存壓力分擔，雲平臺可以釋放紅利給客戶
存儲與計算分離：按需計費
優化性能：再把性能提升1倍左右
雲數據庫基本部署結構
假設在北京有三個機房可用區A、B和C,我們會在可用區A中部署一個熱的存儲集群，在北京整體區域部一個冷的存儲集群，實際上有幾個可用區就可以有幾個熱集群，主要是保障延遲的；冷集群對延遲相對不敏感，可以地域單獨部署，只要交換機滿足冷集群所需的帶寬即可。這樣的好處是三個區共享一個冷集群，就意味著可以共享庫存。
ApsaraDB HBase產品能力
我們提供兩個版本，一是單節點版，其特點是給開發測試用或者可用性不高，數據量不大的場景。二是集群版本其特點是高至5000w QPS，多達10P存儲與高可靠低延遲等。
數據可靠性：99.99999999%：之所以可靠性可以達到如此之高，其核心的原因就是存儲集群是單獨部署的，其會根據機架等進行副本放置優化
服務可用性：單集群99.9% 雙集群99.99%。
服務保障：服務未滿足SLA賠付。
數據備份及恢復。
數據熱冷分離分級存儲。
企業級安全：認證授權及加密。
提供檢索及二級索引及NewSQL能力。
提供時序/圖/時空/Cube相關能力。
與Spark無縫集成，提供AP能力。
數據備份及恢復
備份分為全量備份HFile與 增量量備份HLog；恢復分為HLog轉化為HFile和BulkLoad加載。阿裏雲集團迄今為止已經有一萬兩千多臺的HBase,大部分都是主備集群的，在雲上由於客戶成本的原因，大部分不選擇主備，所以需要對數據進行備份。其難點在於備份需要引入計算資源，我們需要引入彈性的計算資源來處理備份的相關計算任務
Compaction 離線Compaction(研究中)
我們在內部研究如何通FPGA對Compaction進行加速，這會使得集群運行比較平緩，特別是對計算資源少，存儲量大的情況下，可以通過離線的作業處理Compaction。
組件層
我們有5中組件，NewSQL(Phoenix)、時序OpenTSDB、時空GeoMesa、圖JanusGraph及Cube的Kylin，及提供HTAP能力的Spark。這裏簡單描述幾個，如下：
NewSQL-Phoenix
客戶還是比較喜歡用SQL的,Phoenix會支持SQL及二級索引，在超過1T的數據量的情況下，對事務的需求就很少（所以我們並沒有支持事務）；二級索引是通過再新建一張HBase表來實現的。在命中索引的情況下，萬億級別的訪問基本在毫秒級別，但由於Phoenix聚合點在一個節點，所以不能做Shuffle類似的事情，同時也就不能處理復雜的計算，所以任何說我是HTAP架構的，如果不能做Shuffle，就基本不能做復雜的計算。
HTAP-Spark
在HTAP-Spark這部分主要介紹一下RDD API、 SQL、直接訪問HFile，它們的特點如下：
RDD API具有簡單方便，默認支持的特點，但高並發scan大表會影響穩定性；
SQL支持算子下推、schema映射、各種參數調優，高並發scan大表會影響穩定性；
直接訪問HFile，直接訪問存儲不經過計算，大批量量訪問性能最好，需要snapshot對齊數據。
時序-OpenTSDB & HiTSDB
TSD沒有狀態，可以動態加減節點，並按照時序數據的特點設計表結構，其內置針對浮點的高壓縮比的算法，我們雲上專業版的HiTSDB增加倒排等能力，並能夠針對時序增加插值、降精度等優化。
大數據數據庫的實際案例
以下簡單介紹幾個客戶的案例，目前已經在雲上ApsaraDB HBase運行，數據量基本在10T以上：
某車聯網公司
這是一個車聯網的客戶，有100萬車，每輛車每10秒上傳一次，每次1KB，這樣一年就有300T數據，六個月以上是數據低頻訪問，所以他要做分級存儲，把冷數據放到低介質上
某大數據控公司
這是一個大數據控公司，它大約有200T+的數據量，將HBase數據 (在線實時大數據存儲)作為主數據庫，先用HBase做算法訓練，再用HBase SQL出報表，另外做了一套ECS進行實時查以便與客戶之間進行數據交換。
某社交公司
社交會有大量的推薦，所以SLA要求高達99.99，並采用雙集群保障，單集群讀寫高峰QPS 可以達到1000w+，數據量在30T左右。
某基金公司
這是一個金融公司，它有10000億以上的交易數據，目前用多個二級索引支持毫秒級別的查詢，數據量在100T左右
某公司報表系統
先離線建好Cube再把數據同步到HBase中，實時數據通過Blink對接進行更新，數據量在可達20T左右。
原文鏈接
大數據時代數據庫-雲HBase架構&生態&實踐