@Rays
2018-01-31T17:37:23.000000Z
字数 5049
阅读 1731
规模化时序数据存储（第一部分）
架构&设计
摘要： Netflix使用会员的视频观看记录实时准确地记录用户的观看情况，并为会员提供个性化推荐。Netflix的发展，对视频观看记录时序数据存储的规模化提出了挑战，原有的单表存储架构无法适应会员的大规模增长。本文介绍了Netflix团队在规模化时序存储中的做法，包括数据存储方式的改进，以及在存储架构中添加缓存层。存储架构在Netflix的实际应用验证了该时序数据存储的有效性。
作者： Ketan Duvedi，Jinhua Li，Dhruv Garg，Philip Fisher-Ogden
正文：
引言
因特网互联设备的发展，提供了大量易于访问的时序数据。越来越多的公司有兴趣去挖掘这类数据，意图从中获取一些有意义的洞悉，并据此做出决策。技术的最新进展提高了时序数据的收集、存储和分析效率，激发了人们对如何处理此类数据的考量。然而，大多数现有时序数据体系结构的处理能力，可能无法跟上时序数据的爆发性增长。
作为一家根植于数据的公司，Netflix已习惯于面对这样的挑战，多年来一直在推进应对此类增长的解决方案。该系列博客文章分为两部分发表，我们将分享Netflix在改进时序数据存储架构上的做法，如何很好地应对数据规模的成倍增长。
时序数据：会员视频观看记录
每天，Netflix的全部会员会观看合计超过1.4亿小时的视频内容。观看一个视频时，每位会员会生成多个数据点，存储为视频观看记录。Netflix会分析这些视频观看数据，实时准确地记录观看书签，并为会员提供个性化推荐。具体实现可参考如下帖子：
视频观看的历史数据将会在以下三个维度上取得增长：
- 随时间的推进，每位会员会生成更多需要存储的视频观看数据。
- 随会员数量的增长，需要存储更多会员的视频观看数据。
- 随会员每月观看视频时间的增加，需要为每位会员存储更多的视频观看数据。
Netflix经过近十年的发展，全球用户数已经超过一亿，视频观看历史数据也在大规模增长。这篇博客帖子将聚焦于其中的一个重大挑战，就是我们的团队是如何解决视频观看历史数据的规模化存储的。
基本架构的初始设计
最初，Netflix的云原生存储架构使用了Cassandra存储观看历史数据。团队是出于如下方面的考虑：
Cassandra对时序数据的建模提供了很好的支持，支持一行中的列数动态可变。
在观看历史数据上，读操作和写操作的数量比大约为1:9。因为Cassandra提供了非常高效的写操作，特别适用于此类写密集的工作负载。
从CAP定理方面考虑，相对于可用性而言，团队更侧重于实现最终一致性。Cassandra支持可调整的一致性，有助于实现CAP上的权衡。
在最初的架构中，使用Cassandra存储所有会员的观看历史记录。其中，每位会员的观看记录存储为一行，使用CustomerId标识。这种水平分区设计支持数据存储随会员数量的增长而有效扩展，并支持简单并高效地读取会员的完整观看历史数据。这一读取操作是历史数据存储上最频繁发生的操作。然而，随着会员数量的持续增长，尤其是每位会员观看的视频流越来越多，存储的数据行数和整体数据量也日益膨胀。随着时间的推移，这将导致存储和操作的成本增大。而且对于观看了大量视频的会员而言，性能会严重降低。
下图展示了最初使用的数据模型中的读操作和写操作流。
图1：单表数据模型
写操作流
当一位会员开始播放视频时，一条观看记录会以一个新列的方式插入。当会员暂停或停止观看视频流时，观看记录会做更新。在Cassandra中，对单一列值的写操作是快速和高效的。
读操作流
为检索一位会员的所有观看记录，需要读取整行记录。如果每位会员的观看记录数量不大，这时读操作是高效的。如果一位会员观看了大量的视频，那么他的观看记录数量将会增加，即记录的列数增加。读取一个具有大量列的数据行，会对Cassandra造成了额外压力，进而对读操作延迟产生负面影响。
要读取一段时间内的会员数据，需要做一次时间范围查询。这同样会导致上面介绍的性能不一致问题。因为查询性能依赖于给定时间范围内的观看记录数量。
如果要查看的历史数据规模很大，需要做分页才能进行整行读操作。分页对Cassandra更好，因为查询不需要等待所有数据都就绪，就能返回给用户。分页也避免了客户超时问题。但是，随着观看记录的增长，分页增加了读取整行的整体延迟。
延迟的原因
下面介绍一些Cassandra的内部机制，进而理解为什么我们最初的简单设计会产生性能下降。随着数据的增长，SSTable的数量也随之增加。因为只有最近的数据是维护在内存中的，因此在很多情况下，检索观看历史记录时需要同时读取内存表和SSTable。这对于读取延迟具有负面影响。同样，随着数据的增长，合并（Compaction）操作将占用更多的IO和时间。此外，随着一行记录越来越宽，读修复（Read repair）和全列修复（Full column repair）也会变慢。
缓存层
Cassandra可以很好地对观看数据执行写操作，但是需要改进读操作上的延迟。为优化读操作延迟，我们考虑以增加写路径上的工作为代价，在Cassandra存储前增加了一个内存中的分片缓存层（即EVCache）。缓存实现为一种基本的键-值存储，键是CustomerId，值是观看历史数据的二进制压缩表示。每次Cassandra的写操作，将额外生成一次缓存查找操作。一旦缓存命中，直接给出缓存中的已有值。对于观看历史记录的读操作，首先使用缓存提供的服务。一旦缓存没有命中，再从Cassandra读取条目，压缩后插入到缓存中。
在添加了缓存层后，多年来Cassandra单表存储方法一直工作很好。在Cassandra集群上,基于CustomerId的分区提供了很好的扩展。到2012年，查看历史记录的Cassandra集群成为了Netflix的最大专用Cassandra集群之一。为进一步实现存储的规模化，团队需要实现集群的规模翻番。这意味着，团队需要冒险进入Netflix在使用Cassandra上尚未涉足的领域。同时，Netflix业务也在持续快速增长，其中包括国际会员的增长，以及企业即将推出的自制节目业务。
重新设计：实时存储和压缩存储
很明显，为适应未来五年中企业的发展，团队需要尝试多种不同的方法去实现存储的规模化。团队分析了数据的特征和使用模式，重新定义了观看历史存储。团队给出了两个主要目标：
- 更小的存储空间；
- 考虑每位会员观看视频的增长情况，提供一致的读写性能。
团队将每位会员的观看历史数据划分为两个数据集：
- 实时/近期观看历史记录（LiveVH）：一小部分频繁更新的近期观看记录。LiveVH数据以非压缩形式存储，详细设计随后介绍。
- 压缩/归档观看历史记录（CompressedVH）：大部分很少更新的历史观看记录。该部分数据将做压缩，以降低存储空间。压缩观看历史作为一列，按键值存储在一行中。
为提供更好的性能，LiveVH和CompressedVH存储在不同的数据库表中，并做了不同的优化。考虑到LiveVH更新频繁，并且涉及的观看记录数量不大，因此可对LiveVH做频繁的Compaction操作。并且为了降低SSTable数量和数据规模，可以设置很小的gc_grace_seconds。为改进数据的一致性，也可以频繁执行读修复和全列族修复（full column family repair）。而对于CompressedVH，由于该部分数据很少做更新操作，因此为了降低SSTable的数量，偶尔手工做完全Compaction即可。在偶尔执行的更新操作中，会检查数据一致性，因此也不必再做读修复以及全列族修复。
写操作流
对于新的观看记录，使用同上的方法写入到LiveVH。
读操作流
为有效地利用新设计的优点，团队更新了观看历史API，提供了读取近期数据和读取全部数据的选项。
- 读取近期观看历史：在大多数情况下，近期观看历史仅需从LiveVH读取。这限制了数据的规模，进而给出了更低的延迟。
- 读取完整观看历史：实现为对LiveVH和CompressVH的并行读操作。
考虑到数据是压缩的，并且CompressedVH具有更少的列，因此读取操作涉及更少的数据，这显著地加速了读操作。
CompressedVH更新流
在从LiveVH读取观看历史记录时，如果记录数量超过了一个预设的阈值，那么最近观看记录将由后台任务打包（roll up）、压缩并存储在CompressedVH中。打包数据存储在一个行标识为CustomerId的新行中。新打包的数据在写入后会给出一个版本，用于读操作检查数据的一致性。只有验证了新版本的一致性后，才会删除旧版本的打包数据。出于简化的考虑，在打包中没有考虑加锁，由Cassandra负责处理非常罕见的重复写问题（即以最后写入的数据为准）。
图2：实时数据和压缩数据的操作模型
如图2所示，CompressedVH的打包行中还存储了元数据信息，其中包括最新版本信息、对象规模和分块信息，细节稍后介绍。记录中具有一个版本列，指向最新版本的打包数据。这样，读取CustomerId总是会返回最新打包的数据。为降低存储的压力，我们使用一个列存储打包数据。为最小化具有频繁观看模式的会员的打包频率，LiveVH中仅存储最近几天的观看历史记录。打包后，其余的记录在打包期间会与CompressedVH中的记录归并。
通过分块实现自动扩展
通常情况是，对于大部分的会员而言，全部的观看历史记录可存储在一行压缩数据中，这时读操作流会给出相当不错的性能。罕见情况是，对于一小部分具有大量观看历史的会员，由于最初架构中的同一问题，从一行中读取CompressedVH的性能会逐渐降低。对于这类罕见情况，我们需要对读写延迟设置一个上限，以避免对通常情况下的读写延迟产生负面影响。
为解决这个问题，如果数据规模大于一个预先设定的阈值，我们会将打包的压缩数据切分为多个分块，并存储在不同的Cassandra节点中。即使某一会员的观看记录非常大，对分块做并行读写也会将读写延迟控制在设定的上限内。
图3：通过数据分块实现自动扩展
写操作流
如图3所示，打包压缩数据基于一个预先设定的分块大小切分为多个分块。各个分块使用标识CustomerId$Version$ChunkNumber并行写入到不同的行中。在成功写入分块数据后，元数据会写入一个标识为CustomerId的单独行中。对非常大的打包观看数据，这一做法将写延迟限制为两次写操作。这时，元数据行实现为一个不具有数据列的行。这种实现支持对元数据的快速读操作。
为加快对通常情况（即经压缩的观看数据规模小于预定的阈值）的处理，我们将元数据与观看数据合并为一行，消除查找元数据的开销，如图2所示。
读操作流
在读取时，首先会使用行标识CustomerId读取元数据行。对于通常情况，分块数是1，元数据行中包括了打包压缩观看数据的最新版本。对于罕见情况，存在多个压缩观看数据的分块。我们使用元数据信息（例如版本和分块数）对不同分块生成不同的行标识，并行读取所有的分块。这将读延迟限制为两次读操作。
改进缓存层
为了支持对大型条目的分块，我们还改进了内存中的缓存层。对于存在大量观看历史的会员，整个压缩的观看历史可能无法置于单个EVCache条目中。因此，我们采用类似于对CompressedVH模型的做法，将每个大型缓存条目分割为多个分块，并将元数据存储在首个分块中。
结果
在引入了并行读写、数据压缩和数据模型改进后，团队达成了如下目标：
- 通过数据压缩，实现了占用更少的存储空间；
- 通过分块和并行读写，给出了一致的读写性能；
- 对于通常情况，延迟限制为一次读写。对于罕见情况，延迟限制为两次读写。
图4：运行结果
团队实现了数据规模缩减约6倍，Cassandra维护时间降低约13倍，平均读延迟降低约5倍，平均写时间降低约1.5倍。更为重要的是，团队实现了一种可扩展的架构和存储空间，可适应Netflix观看数据的快速增长。
在该博客系列文章的第二部分中，我们将介绍存储规模化中的一些最新挑战。这些挑战推动了会员观看历史数据存储架构的下一轮更新。如果读者对解决类似问题感兴趣，可加入到我们的团队中。
