本文根据徐春明老师在2018年5月11日【第九届中国数据库技术大会(DTCC)】现场演讲内容整理而成。
讲师简介：
徐春明——腾讯金融与支付数据库平台组负责人，在数据库行业有超过10年的工作经验，擅长MySQL数据库运维、内核开发。近期深入研究HBase相关技术，负责HBase技术在腾讯支付场景的落地。
摘要：
本次分享讲述的是关系型数据库在腾讯金融支付场景下遇到的挑战，选择HBase背后的主要原因以及我们是如何打造高性能、高可靠、高可用的HBase数据中心。最后是关于HBase在互联网金融业务方面遇到的挑战和解决之道。
分享大纲：
1、关系数据库挑战—扩展性、可维护性、易用性
2、如何打造HBase中心—高性能、可靠、高可用
3、HBase挑战和应对—业务局限、二级索引、集群复制
正文：
一．关系数据库挑战—扩展性、可维护性、易用性
财付通是腾讯在2005年成立的， 2013年逐渐淡出用户视野，之前负责解决在PC端的支付业务。现阶段财付通主要是为微信红包提供中后端业务以及服务金融业务。2005年，腾讯的数据库还比较单一，基本上都是MySQL，每秒的峰值交易量只有几百，当时我们着重解决数据安全、可容性以及跨城容灾等问题。但2015年因微信红包的出现，交易量峰值一年之内涨了100倍，我们遇到了性能、容灾以及可用性等方面的诸多问题，团队为解决这些问题做了非常多的工作，最终建立了一个交易系统+历史数据的基本系统架构。
以上这个架构主要运用了MySQL的一些组件，包括三种引擎，左边是实时库集群，这个集群使用的是InnoDB引擎，集群中的设备性能很好，IO能力强，内存大，CPU也很好，里面有几百套的分组，因为微信支付的交易很复杂，涉及到分布式事务、同城容灾、跨城容灾等等很多方面。当时我们使用的是MySQL和InnoDB数据库，使用过程中发现只要出现一个节日，我们线上的容量就会不够，因为高性能的服务器容量是有限的。
而且节日的出现导致交易峰值很高，所以我们出现了锯齿形的峰值图。除此之外，数据库容量也在飞快的增长，基于这些问题我们的解决办法是进行删除不重要字段、优化索引、减少数据内容等操作，将历史数据迁移到历史库集群中，2015年之前我们还不是实时迁移，一般是第二天低峰期批量导出导入然后再删除。
这样的方式虽然能解决我们线上交易的高并发海量数据问题，但是在遇到需要历史数据的情况时依旧会出现很多问题。
我们遇到的挑战主要是上图的几个方面，第一个水平扩展，因为国家要求金融机构保存交易数据，随着交易数据与日俱增，单机性能存储很容易达到瓶颈，架构难以适应目前数据存储规模，需要考虑数据拆分，但传统DB拆分困难，工作量很大周期又长。
第二个是数据迁移，我们设置数据迁移策略，定期从交易DB里将数据写入到历史DB中，但其中分库分表的迁移策略很复杂，造成了上一层Spider的配置非常复杂，容易出错，所以在业务使用的时候就出现了好几次查不出数据，导致业务数据不完整。
再一个问题历史DB一般是廉价的设备，容量很大也很容易出故障，虽然我们有多个历史库备机，直接通过复制同步数据来解决系统问题，但数据量实在太大，运行过程中发现备机总是追不上主机，一旦主机出现故障，备机由于延迟不能对外作为主机使用，只能去修复故障的主机，存在比较大的风险。
在批量查询上，传统历史DB采用TokuDB引擎，数据高度压缩，磁盘IO、内存性能比较差，大批量的数据扫面对单机性能影响很大，容易拖垮历史库。业务查询方面也出现了查询数据不准、数据错乱等等问题。
总的来说，业务开始运行之后，数据库总是出现问题，导致了很多数据库口碑的负面影响。
我们当时解决方案就是对比数据库来选择性能更好的数据库，我们对比了Redis、MongoDB还有 HBase，但最终选择了HBase，主要是看中了它写高读低的特点，这个对我们其实影响不大，我们对历史数据的查询比较少，也没有像对在线交易业务的要求那么高。第二是它的扩展性灵活，只要HBase的集群稳定，它的扩容就非常容易，HBase的安全性也高，这样团队需要做的事情就少了很多，我们可以有更多的精力放在其他方面的工作。
二、如何打造HBase中心—高性能、可靠、高可用
选择HBase数据中心之后，接下来就是如何打造的问题，当时团队确定了100万+每秒输入，可用率99.9%、0条记录丢失、错误的目标，具体实施步骤分两步走：
首先要将数据录入到HBase中，我们的数据源是MySQL，数据经过日志解析系统DBSync之后缓存再写入HBase。中间过程本来没有这么复杂，当时是负责数据挖掘的leader找到我，因为他们每次数据统计不准确，接到的投诉比较多。正好我们从成本角度考虑，不用申请这部分服务器，可以快速将数据写入到自己的HBase。数据录入后该如何查询呢？我们交易业务基本用c++实现，HBase用的是Java语言，HBase的thrift可用于跨语言的数据传输，所以我们就基于thrift做了一个API来解决跨语言问题。
对于业务流程该如何使用呢？我们不仅仅把HBase当做存历史数据的平台，业务流程除开账务DB外，还有其他交易相关的DB，它们都有同一个问题，容量很容易爆满，为了将HBase发挥更大的用处，在特定的场景下，比如一个月前的历史退款，线上数据不可能保存这么久，如果时间有一个月以上的退款，我们从HBase查退款，将其写入MySQL，核心的退款流程和金融流程直接在MySQL做，这样一来对业务的改动最小，方便业务操作。
HBase的写入原理是基于LSM思想，先把数据写入内存之后返回，通过异步方式再落盘，但是这样在磁盘就有很多小文件，查询的性能就会非常差。所以，还需要将磁盘上的小文件compaction，减少文件个数。考虑之前积压的很多compaction任务，我们把small compact线程条加大。再一个是调整WAL日志的参数，做过关系型数据库的人可能清楚，HBase里有四种方式，第一种是直接写内存不写硬盘，第二种是异步的落盘，第三种就是写入操作系统不落盘，第四种是实时写盘。结合性能与数据可靠性，我们采用写入操作系统不落盘的方式，考虑有三个副本同时出现三连级故障的可能性比较低，降低IO压力和时延。再有就是减小regionserver堆栈内存大小，因为我们业务写入量实在太频繁，而cache查询命中率真非常低，大概只有10%到15%，所以我们将内存全部分给写入，来提高写入的量。因为是批量写入型业务，我们可以根据需求调整客户端批量写入记录数来提高写的性能。
优化之后，压测时达到了每秒150万+次写入，达到了很不错的效果。
之后是读的优化，我们用的服务器硬件很差，运作率很低，所有的查询基本全靠磁盘的IO硬能力去抗。LSM思想有个缺点，就是文件数太多影响查询性能，假如要查询rowkey=100的数据，文件数有100个，由于每个文件里可能都有rowkey=100的记录，那么我们就要扫描100个文件，耗费时间很长。我们的解决方法是减少在region下的文件数，定期合并文件，把小文件整合成大文件。第二个就是重点隔离，我们把一些表单独隔离，做一个组，去减小耦合，而且组内机器只允许制定表读写请求，避免不同表之间的相互影响。还有参数优化，我们一开始建了很多region表，这样对整个集群压力太大，所以就减少小表，控制其数量。再有一个就是业务按照优先级分等级，不同的级别的业务不同处理，有些索引表可以按年建，有些表可以按月建。最后是硬件升级，重点组配置更高性能的服务器。
优化之后，查询时耗从开始的260毫秒下降到60毫秒，查询时耗曲线也逐渐平缓。
在高可用方面，第一个HBase本身必须保证可用，这是最基础的点，避免Full GC，避免Region Server单个Region阻塞不可用。第二当机器出现故障，怎么做才不会影响整个集群的读写？我们使用快速剔除机制，避免单台服务器负载高影响集群，第三考虑网络不可用、机房故障情况，为此建立主、备集群，一个集群里有三个副本，那么就共有六个副本，成本很高，我们考虑隔三个月时间就减少到两个副本，以此来节约成本。第四避免雪崩，无论是Thrift Server还是RPC的调用，操作时间都是比较长的， 这就需要缩短Thrift Server超时时间，减少重试次数。最后按业务重要级别分组，减少和其他机器的耦合。
上图是高可用单点保障的流程图：从客户端写入一个数据，查阅Meta表获取RS位置,把数据写到RegionServer中，然后异步写到Hadoop层去同步数据。可以看到在集群内只有Region Server是单点，其它组件都有高可用方案。当Region Server故障时，集群内迁移恢复一般需要几分钟，对于OLTP业务来说是不可接受的。可选择的方案是业务快速迁移到备集群，或者使用region replica。
我们通过三种方法来保证数据的准确性，第一种是数据对账，在金融系统中都会有数据对账，我相信无论什么系统都会有bug，对账十分关键不能出错，我们有10分钟增量对账，有冗余数据对账，要求数据写入来源IP与核对IP分开，来源DB于对账DB分开。第二个从流程规范来降低人为失误，通过一些系统化的方法来运维。第三个是提高监控效率，加了秒级监控，如果出现问题能快速发现马上解决，出现对账异常立刻上报神盾安全系统。这样通过上面的三种方法，我们把数据的准确性提高了一个量级。
这里单独讲下update的特殊处理，金融业务对数据的处理分两种，第一种是直接映射的，像用户资金流失这种比较简单。比较困难的是第二种时间批量对账，比如像一些余额和某些订单的状态，我们一天的数据量有几百亿，该如何应对平均一秒几十万的对账呢，为此系统加了修改时间，使得对账更加准确，但同时会造成数据的冗余，比如一个单号对应我们交易系统里的一条记录，但在HBase中没有update，全部是映射，这样就会有两条记录，这样状态下退款是不能成功的，为解决这个问题，我们将MySQL binlog中update拆分成delete + insert两条消息，使得HBase中保留一条记录。
但这样还有一个问题，有可能在同一秒钟有两次记录，就是说同一个单号在一秒钟内完成交易，拆分数据时，有可能导致两条数据记录都删掉，如果没有一定的并发量，这个问题是不会出现的。我们在处理这个问题时采取在拆分时加个序号，并且保证insert在delete的后面，这样就能确保留下一条记录。
我们在实际运用HBase过程中，也遇到了很多其他问题。第一个是遇到HBase读写线程队列分开，因为我们写入量远远多于读的量，比如退款业务只有写没有读，我们调整了hbase.ipc.server.callqueue.read.share=0.3的参数，来保证一定的读写线程。还遇到某一台DataNode负载高导致整个集群写入量下降非常明显，我们增加了秒级监控可以快速发现，快速迁移region解决。
之后还有可维护性方面的问题，HBase有些配置不能动态修改配置、不支持命令查看HBase集群运营情况、缺少汇总统计功能。还有就是容量均衡，我们的数据量在不断增加，我们有几十台服务器磁盘容量已经用了99%，有的服务器容量使用还不到1%。所以需要在服务器间迁移数据。可以不在HBase层操作，而是从hdfs层停datanode节点，让namenode迁移。
总的来说，虽然HBase有一些缺点，但HBase的优势更加明显，它性能稳定有利于更好地解放人力，节约成本。
三、HBase挑战和应对—业务局限、二级索引、集群复制
下面是我对于HBase的想法， 现阶段HBase的应用场景只有两种，有比较大的局限性，因为它不支持SQL，不支持跨行跨表事务，不支持二级索引，而且读时延大。它不能用在OLTP（On-Line Transaction Processing联机事务处理过程）业务，比如支付业务的核心流程，但适合存放历史数据，处理历史数据的对账、历史数据的回溯等需求。
那如何来解决事务问题呢？第一个，HBase虽然不支持跨行跨表事务，但可以多表变单表，实施单表设计与HBase单行事务。所以在处理数据表的事务时，尽量多表换单表，避免分布式事务。
第二个事务是业务分布式事务，如果做金融业务，在HBase中改动难度太大，可以在业务层进行改动，采用两阶段提交协议，分成P,C,F阶段。事务管理器控制事务的提交或者回滚。资源管理器对应表，一张表拆分多个资源管理器，采用有锁方案。事务管理器无状态，高可用方案比较成熟。资源管理器有状态，可以是M-S方案，但也可以设计成M-M方案，无论是分布式还是单机，把HBase进行重组，利用HBase的单行事务功能来控制并发。
下面是具体的例子
第三个是开源分布式事务框架。主要是两种OMID和Percolator，共同点是两阶段分布式。不同点是OMID有个全局事务，通过它来控制并发，控制哪个事务该回滚。Percolator主要是运用Hbase协处理器的技术，实践起来比较困难。
上图是协处理器的应用，第一个是Phoenix，它支持sql、二级索引，通过Coprocessor实现，但它不稳定，数据量大的情况容易造成HBase崩溃。第二个Coprocessor实现，使用Observer实现在写主表前先写索引表，最后是时间库表，表设计成按月或者按日分表，新建索引时不用copy历史数据。
HBase有复制的功能，但在使用过程中发现它不稳定，我们后来通过应用来实现双写功能。
上图是HBase和Hadoop支持的隔离方案，虽然能在一定程度上做到了隔离，但这种隔离不彻底，耦合比较强，定位问题比较复杂，依旧不能实现业务上隔离。
最后，谈一下数据库的目标和方向。无论是传统的关系型数据库还是分布式数据库，努力的方向就是提供高可用、高性能、高并发、好用、易扩展的数据服务。目前市面上的数据库非常多，但所有的数据库或多或少总有几个特性实现得差强人意，所以也没有出现“一统江湖”的数据库，导致数据库应用出现百花齐放的局面，这也是各个数据库团队努力的方向和动力。
