关系型数据库架构介绍

数据库架构特点对比

数据库架构发展

单机架构

• 早期互联网的LAMP（Linux，Apache，MySQL，PHP）架构的服务器就是最典型的单机架构的使用

• 为了避免应用服务和数据库服务对资源的竞争，单机架构也从早期的单主机模式发展到数据库独立主机模式，把应用和数据服务分开。

• 优点

  • 部署集中，运维方便。

• 缺点

  • 可扩展性：数据库单机架构扩展性只有纵向扩展 (Scale-up)。通过增加硬件配置来提升性能，但单台主机的硬件可配置的资源会遇到上限。
  • 存在单点故障:扩容的时候往往需要停机扩容，服务停止。硬件故障导致整个服务不可用，甚至数据丢失。
  • 性能瓶颈。

分组架构 - 主备

• 数据库部署在两台服务器，其中承担数据读写服务的服务器称为“主机”。
• 另外一台服务器利用数据同步机制把主机的数据复制过来，称为“备机”。
• 同一时刻，只有一台服务器对外提供数据服务。
• 优点

  • 应用不需要针对数据库故障来增加开发量。
  • 相对单机架构提升了数据容错性。
• 缺点

  • 资源浪费，备机和主机同等配置，但长期范围内基本上资源限制，无法利用。
  • 性能压力还是集中在单机上，无法解决性能瓶颈问题。
  • 当出现故障时候，主备机切换需要一定的人工干预或者监控。

分组架构 - 主从

• 部署模式和主备机模式相似，备机(Backup)上升为从机(Slave)，对外提供一定的数据服务。
• 通过读写分离方式分散压力：

  • 写入、修改、删除操作，在写库（主机）上完成；
  • 把查询请求，分配到读库（从机）。
• 优点

  • 提升资源利用率，适合读多写少的应用场景。
  • 在大并发读的使用场景，可以使用负载均衡在多个从机间进行平衡。
  • 从机的扩展性比较灵活，扩容操作不会影响到业务进行。
• 缺点

  • 延迟问题，数据同步到从机数据库时会有延迟，所以应用必须能够容忍短暂的不一致性。对于一致性要求非常高的场景是不适合的。
  • 写操作的性能压力还是集中在主机上。
  • 主机出现故障，需要实现主从切换，人工干预需要响应时间，自动切换复杂度较高。

分组架构 - 多主

• 多主架构(双活，多活架构)

  • 数据库服务器互为主从，同时对外提供完整的数据服务。
• 优点

  • 资源利用率较高的同时降低了单点故障的风险。
• 缺点

  • 双主机都接受写数据，要实现数据双向同步。双向复制同样会带来延迟问题，极端情况下有可能数据丢失。
  • 数据库数量增加会导致数据同步问题变得极为复杂，实际应用中多见双机模式。

共享存储多活架构(特殊的多主架构)

• 共享存储的多活架构(Shared-Disk)

  • 一种特殊的多主架构。解决了主从设备之间数据同步带来的数据一致性问题
  • 数据库服务器共享数据存储，而多个服务器实现均衡负载。

• 优点

  • 多个计算服务器提供高可用服务，提供了高级别的可用性。可伸缩性，避免了服务器集群的单点故障问题。
  • 比较方便的横向扩展能够增加整体系统并行处理能力。

• 缺点

  • 实现技术难度大。
  • 当存储器接口带宽达到饱和的时候，增加节点并不能获得更高的性能，存储IO容易成为整个系统的性能瓶颈。

• 较为成功的案例:Oracle的RAC（Real Application Cluster）， 微软的SQL Server Failover Cluster。

• GaussDB(for MySQL)采用多节点集群的架构，集群中有一个写节点（主节点）和多个读节点（只读节点），各节点共享底层的存储（DFV）

• Sharding是Shared-Nothing架构的基础，只有对数据进行分片才可能对实现集群的Shared-Nothing。

• Shared-Nothing概念是从资源独立性角度来描述架构
• Sharding则是从数据的独立性角度来描述架构
• MPP是并行计算的角度来描述架构，是并行计算技术在分布式数据库上的应用和体现。

分片(Sharding)架构

• 分片架构主要表现形式就是水平数据分片架构

  • 把数据分散在多个节点上的分片方案，每一个分片包括数据库的一部分，称为一个shard。
  • 多个节点都拥有相同的数据库结构，但不同分片的数据之间没有交集，所有分区数据的并集构成数据总体。
  • 常见的分片算法有：根据列表值，范围取值和Hash值进行数据分片。
• 优点

  • 数据分散在集群内的各个节点上，所有节点可以独立性工作。

无共享(Shared-Nothing)架构

• 集群中每一个节点（处理单元）都完全拥有自己独立的CPU/内存/存储，不存在共享资源。
• 各节点（处理单元）处理自己本地的数据，处理结果可以向上层汇总或者通过通信协议在节点间流转。
• 节点是相互独立的，扩展能力强。整个集群拥有强大的并行处理能力。

MPP架构 (Massively Parallel Processing)

• MPP:大规模并行处理(Massively Parallel Processing)
• MPP是将任务并行的分散到多个服务器和节点上，在每个节点上计算完成后，将各自部分的结果汇总在一起得到最终的结果。
• 特征

  • 任务并行执行，分布式计算。
• 常见的MPP产品

  • 无共享Master：Vertica，Teradata。
  • 共享Master：Greenplum，Netezza。

Teradata，Netezza是软硬件一体机。GaussDB(DWS)，Greeplum，Vertica是软件版MPP数据库