Google Spanner

簡介

Spanner是Google的全球級的分散式資料庫(Globally-DistributedDatabase)。Spanner的擴展性達到了令人咋舌的全球級，可以擴展到數百萬的機器，數已百計的數據中心，上萬億的行。更給力的是，除了誇張的擴展性之外，他還能同時通過同步複製和多版本來滿足外部一致性，可用性也是很好的。衝破CAP的枷鎖，在三者之間完美平衡。

Spanner是個可擴展，多版本，全球分散式還支持同步複製的資料庫。他是Google的第一個可以全球擴展並且支持外部一致的事務。Spanner能做到這些，離不開一個用GPS和原子鐘實現的時間API。這個API能將數據中心之間的時間同步精確到10ms以內。因此有幾個給力的功能：無鎖讀事務，原子schema修改，讀歷史數據無block。

EMC中國研究院實時緊盯業界動態，Google最近發布的一篇論文《Spanner:Google’sGlobally-DistributedDatabase》,筆者非常感興趣，對Spanner進行了一些調研，並在這裡分享。由於Spanner並不是開源產品，筆者的知識主要來源於Google的公開資料，通過現有公開資料僅僅只能窺得Spanner的滄海一粟，Spanner背後還依賴有大量Google的專有技術。

Spanner背景

要搞清楚Spanner原理，先得了解Spanner在Google的定位。
Spanner位於F1和GFS之間，承上啟下。所以先提一提F1和GFS。

F1

和眾多網際網路公司一樣，在早期Google大量使用了Mysql。Mysql是單機的，可以用Master-Slave來容錯，分區來擴展。但是需要大量的手工運維工作，有很多的限制。因此Google開發了一個可容錯可擴展的RDBMS——F1。和一般的分散式資料庫不同，F1對應RDMS應有的功能，毫不妥協。起初F1是基於Mysql的，不過會逐漸遷移到Spanner。
F1有如下特點：
·7×24高可用。哪怕某一個數據中心停止運轉，仍然可用。
·可以同時提供強一致性和弱一致。
·可擴展
·支持SQL
·事務提交延遲50-100ms，讀延遲5-10ms，高吞吐
眾所周知GoogleBigTable是重要的NoSql產品，提供很好的擴展性，開源世界有HBase與之對應。為什麼Google還需要F1，而不是都使用BigTable呢？因為BigTable提供的最終一致性，一些需要事務級別的套用無法使用。同時BigTable還是NoSql，而大量的套用場景需要有關係模型。就像現在大量的網際網路企業都使用Mysql而不願意使用HBase，因此Google才有這個可擴展資料庫的F1。而Spanner就是F1的至關重要的底層存儲技術。

colossus（GFSII）

Colossus也是一個不得不提起的技術。他是第二代GFS，對應開源世界的新hdfs。GFS是著名的分散式檔案系統。
初代GFS是為批處理設計的。對於大檔案很友好，吞吐量很大，但是延遲較高。所以使用他的系統不得不對GFS做各種最佳化，才能獲得良好的性能。那為什麼Google沒有考慮到這些問題，設計出更完美的GFS?因為那個時候是2001年，hadoop出生是在2007年。如果Hadoop是世界領先水平的話，GFS比世界領先水平還領先了6年。同樣的Spanner出生大概是2009年，現在我們看到了論文，估計Spanner在Google已經很完善，同時Google內部已經有更先進的替代技術在醞釀了。筆者預測，最早在2015年才會出現Spanner和F1的山寨開源產品。
Colossus是第二代GFS。Colossus是Google重要的基礎設施，因為他可以滿足主流套用對FS的要求。Colossus的重要改進有：
·優雅Master容錯處理(不再有2s的停止服務時間)
·Chunk大小只有1MB(對小檔案很友好)
·Master可以存儲更多的Metadata(當Chunk從64MB變為1MB後，Metadata會擴大64倍，但是Google也解決了)
Colossus可以自動分區Metadata。使用Reed-Solomon算法來複製，可以將原先的3份減小到1.5份，提高寫的性能，降低延遲。
與BigTable，Megastore對比
Spanner主要致力於跨數據中心的數據複製上，同時也能提供資料庫功能。在Google類似的系統有BigTable和Megastore。和這兩者相比，Spanner又有什麼優勢呢。
BigTable在Google得到了廣泛的使用，但是他不能提供較為複雜的Schema，還有在跨數據中心環境下的強一致性。Megastore有類RDBMS的數據模型，同時也支持同步複製，但是他的吞吐量太差，不能適應套用要求。Spanner不再是類似BigTable的版本化key-value存儲，而是一個“臨時多版本”的資料庫。何為“臨時多版本”，數據是存儲在一個版本化的關係表裡面，存儲的時間數據會根據其提交的時間打上時間戳，套用可以訪問到較老的版本，另外老的版本也會被垃圾回收掉。
Google官方認為Spanner是下一代BigTable，也是Megastore的繼任者。

設計

功能

從高層看Spanner是通過Paxos狀態機將分區好的數據分布在全球的。數據複製全球化的，用戶可以指定數據複製的份數和存儲的地點。Spanner可以在集群或者數據發生變化的時候將數據遷移到合適的地點，做負載均衡。用戶可以指定將數據分布在多個數據中心，不過更多的數據中心將造成更多的延遲。用戶需要在可靠性和延遲之間做權衡，一般來說複製1，2個數據中心足以保證可靠性。
作為一個全球化分散式系統，Spanner提供一些有趣的特性。
·套用可以細粒度的指定數據分布的位置。精確的指定數據離用戶有多遠，可以有效的控制讀延遲(讀延遲取決於最近的拷貝)。指定數據拷貝之間有多遠，可以控制寫的延遲(寫延遲取決於最遠的拷貝)。還要數據的複製份數，可以控制數據的可靠性和讀性能。(多寫幾份，可以抵禦更大的事故)
·Spanner還有兩個一般分散式資料庫不具備的特性：讀寫的外部一致性，基於時間戳的全局的讀一致。這兩個特性可以讓Spanner支持一致的備份，一致的MapReduce，還有原子的Schema修改。
這寫特性都得益有Spanner有一個全球時間同步機制，可以在數據提交的時候給出一個時間戳。因為時間是系列化的，所以才有外部一致性。這個很容易理解，如果有兩個提交，一個在T1,一個在T2。那有更晚的時間戳那個提交是正確的。
這個全球時間同步機制是用一個具有GPS和原子鐘的TrueTimeAPI提供了。這個TrueTimeAPI能夠將不同數據中心的時間偏差縮短在10ms內。這個API可以提供一個精確的時間，同時給出誤差範圍。Google已經有了一個TrueTimeAPI的實現。筆者覺得這個TrueTimeAPI非常有意義，如果能單獨開源這部分的話，很多資料庫如MongoDB都可以從中受益。

體系結構

Spanner由於是全球化的，所以有兩個其他分散式資料庫沒有的概念。
·Universe。一個Spanner部署實例稱之為一個Universe。目前全世界有3個。一個開發，一個測試，一個線上。因為一個Universe就能覆蓋全球，不需要多個。
·Zones.每個Zone相當於一個數據中心，一個Zone內部物理上必須在一起。而一個數據中心可能有多個Zone。可以在運行時添加移除Zone。一個Zone可以理解為一個BigTable部署實例。
一個Spanner有上面一些組件。實際的組件肯定不止這些，比如TrueTimeAPIServer。如果僅僅知道這些知識，來構建Spanner是遠遠不夠的。但Google都略去了。那筆者就簡要介紹一下。
·Universemaster:監控這個universe里zone級別的狀態信息
·Placementdriver：提供跨區數據遷移時管理功能
·Zonemaster：相當於BigTable的Master。管理Spanserver上的數據。
·Locationproxy：存儲數據的Location信息。客戶端要先訪問他才知道數據在那個Spanserver上。
·Spanserver：相當於BigTable的ThunkServer。用於存儲數據。
可以看出來這裡每個組件都很有料，但是Google的論文裡只具體介紹了Spanserver的設計，筆者也只能介紹到這裡。下面詳細闡述Spanserver的設計。

Spanserver

從下往上看。每個數據中心會運行一套Colossus(GFSII)。每個機器有100-1000個tablet。Tablet概念上將相當於資料庫一張表里的一些行，物理上是數據檔案。打個比方，一張1000行的表，有10個tablet，第1-100行是一個tablet，第101-200是一個tablet。但和BigTable不同的是BigTable裡面的tablet存儲的是Key-Value都是string，Spanner存儲的Key多了一個時間戳：
(Key:string,timestamp:int64)->string。
因此spanner天生就支持多版本，tablet在檔案系統中是一個B-tree-like的檔案和一個write-ahead日誌。
每個Tablet上會有一個Paxos狀態機。Paxos是一個分散式一致性協定。Table的元數據和log都存儲在上面。Paxos會選出一個replica做leader，這個leader的壽命默認是10s,10s後重選。Leader就相當於複製數據的master，其他replica的數據都是從他那裡複製的。讀請求可以走任意的replica，但是寫請求只有去leader。這些replica統稱為一個paxosgroup。
每個leaderreplica的spanserver上會實現一個locktable還管理並發。Locktable記錄了兩階段提交需要的鎖信息。但是不論是在Spanner還是在BigTable上，但遇到衝突的時候長時間事務會將性能很差。所以有一些操作，如事務讀可以走locktable，其他的操作可以繞開locktable。
每個leaderreplica的spanserver上還有一個transactionmanager。如果事務在一個paxosgroup裡面，可以繞過transactionmanager。但是一旦事務跨多個paxosgroup，就需要transactionmanager來協調。其中一個Transactionmanager被選為leader，其他的是slave聽他指揮。這樣可以保證事務。

DirectoriesandPlacement

之所以Spanner比BigTable有更強的擴展性，在於Spanner還有一層抽象的概念directory,directory是一些key-value的集合，一個directory裡面的key有一樣的前綴。更妥當的叫法是bucketing。Directory是套用控制數據位置的最小單元，可以通過謹慎的選擇Key的前綴來控制。據此筆者可以猜出，在設計初期，Spanner是作為F1的存儲系統而設立，甚至還設計有類似directory的層次結構，這樣的層次有很多好處，但是實現太複雜被摒棄了。
Directory作為數據放置的最小單元，可以在paxosgroup裡面移來移去。Spanner移動一個directory一般出於如下幾個原因：
·一個paxosgroup的負載太大，需要切分
·將數據移動到access更近的地方
·將經常同時訪問的directory放到一個paxosgroup裡面
Directory可以在不影響client的前提下，在後台移動。移動一個50MB的directory大概需要的幾秒鐘。
那么directory和tablet又是什麼關係呢。可以理解為Directory是一個抽象的概念，管理數據的單元；而tablet是物理的東西，數據檔案。由於一個Paxosgroup可能會有多個directory，所以spanner的tablet實現和BigTable的tablet實現有些不同。BigTable的tablet是單個順序檔案。Google有個項目，名為LevelDB，是BigTable的底層，可以看到其實現細節。而Spanner的tablet可以理解是一些基於行的分區的容器。這樣就可以將一些經常同時訪問的directory放在一個tablet裡面，而不用太在意順序關係。
在paxosgroup之間移動directory是後台任務。這個操作還被用來移動replicas。移動操作設計的時候不是事務的，因為這樣會造成大量的讀寫block。操作的時候是先將實際數據移動到指定位置，然後再用一個原子的操作更新元數據，完成整個移動過程。
Directory還是記錄地理位置的最小單元。數據的地理位置是由套用決定的，配置的時候需要指定複製數目和類型，還有地理的位置。比如(上海，複製2份；南京複製1分)。這樣套用就可以根據用戶指定終端用戶實際情況決定的數據存儲位置。比如中國隊的數據在亞洲有3份拷貝,日本隊的數據全球都有拷貝。
前面對directory還是被簡化過的，還有很多無法詳述。

數據模型

Spanner的數據模型來自於Google內部的實踐。在設計之初，Spanner就決心有以下的特性：
·支持類似關係資料庫的schema
·Query語句
·支持廣義上的事務
為何會這樣決定呢？在Google內部還有一個Megastore，儘管要忍受性能不夠的折磨，但是在Google有300多個套用在用它，因為Megastore支持一個類似關係資料庫的schema，而且支持同步複製(BigTable只支持最終一致的複製)。使用Megastore的套用有大名鼎鼎的Gmail,Picasa,Calendar,AndroidMarket和AppEngine。而必須對Query語句的支持，來自於廣受歡迎的Dremel，筆者不久前寫了篇文章來介紹他。最後對事務的支持是比不可少了，BigTable在Google內部被抱怨的最多的就是其只能支持行事務，再大粒度的事務就無能為力了。Spanner的開發者認為，過度使用事務造成的性能下降的惡果，應該由套用的開發者承擔。套用開發者在使用事務的時候，必須考慮到性能問題。而資料庫必須提供事務機制，而不是因為性能問題，就乾脆不提供事務支持。
數據模型是建立在directory和key-value模型的抽象之上的。一個套用可以在一個universe中建立一個或多個database，在每個database中建立任意的table。Table看起來就像關係型資料庫的表。有行，有列，還有版本。Query語句看起來是多了一些擴展的SQL語句。
Spanner的數據模型也不是純正的關係模型，每一行都必須有一列或多列組件。看起來還是Key-value。主鍵組成Key,其他的列是Value。但這樣的設計對套用也是很有裨益的，套用可以通過主鍵來定位到某一行。
上圖是一個例子。對於一個典型的相冊套用，需要存儲其用戶和相冊。可以用上面的兩個SQL來創建表。Spanner的表是層次化的，最頂層的表是directorytable。其他的表創建的時候，可以用interleaveinparent來什麼層次關係。這樣的結構，在實現的時候，Spanner可以將嵌套的數據放在一起，這樣在分區的時候性能會提升很多。否則Spanner無法獲知最重要的表之間的關係。

TrueTime

TrueTimeAPI是一個非常有創意的東西，可以同步全球的時間。上表就是TrueTimeAPI。TT.now()可以獲得一個絕對時間TTinterval，這個值和UnixTime是相同的，同時還能夠得到一個誤差e。TT.after(t)和TT.before(t)是基於TT.now()實現的。
那這個TrueTimeAPI實現靠的是GFS和原子鐘。之所以要用兩種技術來處理，是因為導致這兩個技術的失敗的原因是不同的。GPS會有一個天線，電波干擾會導致其失靈。原子鐘很穩定。當GPS失靈的時候，原子鐘仍然能保證在相當長的時間內，不會出現偏差。
實際部署的時候。每個數據中心需要部署一些Master機器，其他機器上需要有一個slave進程來從Master同步。有的Master用GPS，有的Master用原子鐘。這些Master物理上分布的比較遠，怕出現物理上的干擾。比如如果放在一個機架上，機架被人碰倒了，就全宕了。另外原子鐘不是並很貴。Master自己還會不斷比對，新的時間信息還會和Master自身時鐘的比對，會排除掉偏差比較大的，並獲得一個保守的結果。最終GPSmaster提供時間精確度很高，誤差接近於0。
每個Slave後台進程會每個30秒從若干個Master更新自己的時鐘。為了降低誤差，使用Marzullo算法。每個slave還會計算出自己的誤差。這裡的誤差包括的通信的延遲，機器的負載。如果不能訪問Master，誤差就會越走越大，知道重新可以訪問。

並發控制

Spanner使用TrueTime來控制並發，實現外部一致性。支持以下幾種事務。
·讀寫事務
·唯讀事務
·快照讀，客戶端提供時間戳
·快照讀，客戶端提供時間範圍
例如一個讀寫事務發生在時間t，那么在全世界任何一個地方，指定t快照讀都可以讀到寫入的值。
上表是Spanner現在支持的事務。單獨的寫操作都被實現為讀寫事務；單獨的非快照被實現為唯讀事務。事務總有失敗的時候，如果失敗，對於這兩種操作會自己重試，無需套用自己實現重試循環。
時間戳的設計大大提高了唯讀事務的性能。事務開始的時候，要聲明這個事務里沒有寫操作，唯讀事務可不是一個簡單的沒有寫操作的讀寫事務。它會用一個系統時間戳去讀，所以對於同時的其他的寫操作是沒有Block的。而且唯讀事務可以在任意一台已經更新過的replica上面讀。
對於快照讀操作，可以讀取以前的數據，需要客戶端指定一個時間戳或者一個時間範圍。Spanner會找到一個已經充分更新好的replica上讀取。
還有一個有趣的特性的是，對於唯讀事務，如果執行到一半，該replica出現了錯誤。客戶端沒有必要在本地快取剛剛讀過的時間，因為是根據時間戳讀取的。只要再用剛剛的時間戳讀取，就可以獲得一樣的結果。

讀寫事務

正如BigTable一樣，Spanner的事務是會將所有的寫操作先快取起來，在Commit的時候一次提交。這樣的話，就讀不出在同一個事務中寫的數據了。不過這沒有關係，因為Spanner的數據都是有版本的。
在讀寫事務中使用wound-wait算法來避免死鎖。當客戶端發起一個讀寫事務的時候，首先是讀操作，他先找到相關數據的leaderreplica，然後加上讀鎖，讀取最近的數據。在客戶端事務存活的時候會不斷的向leader發心跳，防止逾時。當客戶端完成了所有的讀操作，並且快取了所有的寫操作，就開始了兩階段提交。客戶端閒置一個coordinatorgroup，並給每一個leader傳送coordinator的id和快取的寫數據。
leader首先會上一個寫鎖，他要找一個比現有事務晚的時間戳。通過Paxos記錄。每一個相關的都要給coordinator傳送他自己準備的那個時間戳。
Coordinatorleader一開始也會上個寫鎖，當大家傳送時間戳給他之後，他就選擇一個提交時間戳。這個提交的時間戳，必須比剛剛的所有時間戳晚，而且還要比TT.now()+誤差時間還有晚。這個Coordinator將這個信息記錄到Paxos。
在讓replica寫入數據生效之前，coordinator還有再等一會。需要等兩倍時間誤差。這段時間也剛好讓Paxos來同步。因為等待之後，在任意機器上發起的下一個事務的開始時間，都比如不會比這個事務的結束時間早了。然後coordinator將提交時間戳傳送給客戶端還有其他的replica。他們記錄日誌，寫入生效，釋放鎖。

唯讀事務

對於唯讀事務，Spanner首先要指定一個讀事務時間戳。還需要了解在這個讀操作中，需要訪問的所有的讀的Key。Spanner可以自動確定Key的範圍。
如果Key的範圍在一個Paxosgroup內。客戶端可以發起一個唯讀請求給groupleader。leader選一個時間戳，這個時間戳要比上一個事務的結束時間要大。然後讀取相應的數據。這個事務可以滿足外部一致性，讀出的結果是最後一次寫的結果，並且不會有不一致的數據。
如果Key的範圍在多個Paxosgroup內，就相對複雜一些。其中一個比較複雜的例子是，可以遍歷所有的groupleaders，尋找最近的事務發生的時間，並讀取。客戶端只要時間戳在TT.now().latest之後就可以滿足要求了。