GaussDB(DWS)的容灾应该如何设计

本文接 [数据仓库]双集群系统方案探讨 展开讨论一下GaussDB(DWS)的容灾应该如何设计。

对于方案探讨中涉及到几种形态，从数仓内核的角度去分析一下各个方案的问题：

•  日志同步技术： 
  

1. 列存数据不记日志无法通过日志来同步

2. 支持列存xlog后会导致导入性能劣化，xlog数据量大，同时会影响日志同步效率

•  备份增量同步技术：

1. 无法达到 RPO = 0

2. 备集群只能读，无法支持写操作

•  逻辑数据同步技术：

1. 列存数据需要支持逻辑解码，需要从列存XLog的方向进行演进

2. 分布式事务，DDL等处理难度较大

•  备份/恢复

1. 不能马上提供服务，RTO时间较长

2. 需要较大空间保存备份集

GaussDB(DWS) 当前在备份增量同步和备份/恢复两个方向进行演进，他们都是基于备份/恢复工具Roach

(详情参见Roach备份恢复GaussDB(DWS))

• 备份/恢复

备份/恢复的原理图如下，在各个结点将实例备份到相应的介质上，并从介质上恢复到新集群或老集群中。详细的功能不在此处展开描述，大家可以参考(详情参见Roach备份恢复GaussDB(DWS)) 来了解细节。

对于实现容灾要求，需要解决的问题大体分三类：

1. 快速的备份恢复

   高性能备份、恢复操作保证在较短的时间内将数据迁移到另一个集群，对于RPO/RTO要求不大的系统来说实现和使用非常简单。

2. 备份恢复在集群可用的情况下即可进行，不受单点故障的影响

   备份恢复在集群可用的情况下就可以进行，集群只需要保证有可用副本就可以持续的进行备份，并且可以正常恢复。

3. 备份集的可靠性

   备份集需要存储在可靠的存储上，类似 OBS/NBU, 由于磁盘故障率相对比较高，类似备份集保存在磁盘上是非可靠的方案。

• 双集群备份增量同步技术

当前GaussDB(DWS)使用在备份/恢复的双集群架构来实现容灾，将生产集群的数据使用增量的方式同步到容灾的集群。

在这种架构下需要解决如下问题：

1.  减少RPO

   备份恢复无法达到与流式的同步方式的RPO， 做不到RPO=0的程度。

2.  备集群的可用性问题

1. 备集群支持持续读/写

   备集群是物理恢复的方式，无法支持写的操作的；但是在恢复过程中是可以支持持续读的，当前在恢复过程中需要停集群后将备份集中文件覆盖。

2. 备集群集群恢复失败可回退到一致性状态

   在恢复过程中会出结点故障，备份集损坏等等问题，会造成当前的恢复过程无法执行过去，此时需要回退到恢复前的状态，保证备集群的可用性。

3. 备集群恢复不受单点故障影响

   对于备集群来说，也会出现各种单点故障的情况，实例故障，结点故障，CN剔除等情况下，仍然可以把集群恢复成可用的状态。

4. 备集群支持备份

   备集群可以支持备份，用于扩展一些其它功能，实现类似多AZ，异地的容灾。

   3. 备份集管理

        1. 备份集生命周期管理

            容灾是实现数据同步的功能，并非一个备份恢复场景，并不需要保存大量备份集以及周期的去做全量备份，因此需要有一个机制实现备份集及时清理，保证占用资源可按。

        2. 备份集的可靠性

            在容灾过程中，同样考虑备份集的可靠性，防止备份集损坏情况，可以通过可靠的介质来保存备份集，又能保证可靠的读写性能。

        3. 持续增量数据同步

            保持持续的增量备份，类似升级前后，扩容前后，都要保持增量备份来保证同步的性能。这里隐含着一个显而易见的原因，如果全量备份的话，备份时间长，并且恢复进会将集群清空，此时容灾集群不可用，这个严重影响可用性。可以说避免全量备份是基于Roach的双集群容灾一个重要工作。

   4. 双集群切换及Failover

        1. 快速切换

             双集群的应用场景中，类似滚动升级，故障演练，此时需要切换两个集群，切换时要保证快速将两边数据拉平，尽快提供服务并保证可用性。

        2. Failover及之后的加回操作

            由于RPO != 0，所以在生产集群无法提供服务时,容灾集群在Failover操作后会提供读写服务，此时会有一部分数据丢失，并在两个集群的数据产生了“分叉”，那么在生产集群恢复后，加回之后中要将“分叉”的数据进行回退，以保证两边数据一致。

   5. 异构的支持

       此处异构是指逻辑结构DN数量一致，而CN数、结点数可以不相同的情况，众所周知是由于当前方案是物理备份方式，因此如果DN数量发生变化，无法从物理层进行重分布操作。

以上说明的几点都是基于可靠性的角度来分析，还有一个重要的因素是基于数仓的数据量和集群规模，不论备份/恢复方案还是在此基础上的双集群备份增量同步的方案，对于网络带宽，介质的读写性能有较高的要求，因此需要根据集群规模和数据增量来选择合适的组网方式和介质。