Google Spanner簡介

Spanner 是Google的全球級的分布式數(shù)據庫 (Globally-Distributed Database) 。Spanner的擴展性達到了令人咋舌的全球級，可以擴展到數(shù)百萬的機器，數(shù)已百計的數(shù)據中心，上萬億的行。更給力的是，除了夸張的擴展性之外，他還能同時通過同步復制和多版本來滿足外部一致性，可用性也是很好的。沖破CAP的枷鎖，在三者之間完美平衡。

Spanner是個可擴展，多版本，全球分布式還支持同步復制的數(shù)據庫。他是Google的第一個可以全球擴展并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(xiàn)的時間API。這個API能將數(shù)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(shù)據無block。

EMC中國研究院實時緊盯業(yè)界動態(tài)，Google最近發(fā)布的一篇論文《Spanner: Google’s Globally-Distributed Database》, 筆者非常感興趣，對Spanner進行了一些調研，并在這里分享。由于Spanner并不是開源產品，筆者的知識主要來源于Google的公開資料，通過現(xiàn)有公開資料僅僅只能窺得Spanner的滄海一粟，Spanner背后還依賴有大量Google的專有技術。

下文主要是Spanner的背景，設計和并發(fā)控制。

Spanner背景

要搞清楚Spanner原理，先得了解Spanner在Google的定位。

從上圖可以看到。Spanner位于F1和GFS之間，承上啟下。所以先提一提F1和GFS。

F1

和眾多互聯(lián)網公司一樣，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(qū)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(fā)了一個可容錯可擴展的RDBMS——F1。和一般的分布式數(shù)據庫不同，F(xiàn)1對應RDMS應有的功能，毫不妥協(xié)。起初F1是基于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(shù)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Google BigTable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。為什么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應用無法使用。同時BigTable還是NoSql，而大量的應用場景需要有關系模型。就像現(xiàn)在大量的互聯(lián)網企業(yè)都使用Mysql而不愿意使用HBase，因此Google才有這個可擴展數(shù)據庫的F1。而Spanner就是F1的至關重要的底層存儲技術。

Colossus（GFS II）

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是著名的分布式文件系統(tǒng)。

初代GFS是為批處理設計的。對于大文件很友好，吞吐量很大，但是延遲較高。所以使用他的系統(tǒng)不得不對GFS做各種優(yōu)化，才能獲得良好的性能。那為什么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(xiàn)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(xiàn)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應用對FS的要求。Colossus的重要改進有：

· 優(yōu)雅Master容錯處理 (不再有2s的停止服務時間)

· Chunk大小只有1MB (對小文件很友好)

· Master可以存儲更多的Metadata(當Chunk從64MB變?yōu)?MB后，Metadata會擴大64倍，但是Google也解決了)

Colossus可以自動分區(qū)Metadata。使用Reed-Solomon算法來復制，可以將原先的3份減小到1.5份，提高寫的性能，降低延遲。客戶端來復制數(shù)據。具體細節(jié)筆者也猜不出。

與BigTable， Megastore對比

Spanner主要致力于跨數(shù)據中心的數(shù)據復制上，同時也能提供數(shù)據庫功能。在Google類似的系統(tǒng)有BigTable和Megastore。和這兩者相比，Spanner又有什么優(yōu)勢呢。

BigTable在Google得到了廣泛的使用，但是他不能提供較為復雜的Schema，還有在跨數(shù)據中心環(huán)境下的強一致性。Megastore有類RDBMS的數(shù)據模型，同時也支持同步復制，但是他的吞吐量太差，不能適應應用要求。Spanner不再是類似BigTable的版本化 key-value存儲，而是一個“臨時多版本”的數(shù)據庫。何為“臨時多版本”，數(shù)據是存儲在一個版本化的關系表里面，存儲的時間數(shù)據會根據其提交的時間打上時間戳，應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。

Google Spanner設計

功能

從高層看Spanner是通過Paxos狀態(tài)機將分區(qū)好的數(shù)據分布在全球的。數(shù)據復制全球化的，用戶可以指定數(shù)據復制的份數(shù)和存儲的地點。Spanner可以在集群或者數(shù)據發(fā)生變化的時候將數(shù)據遷移到合適的地點，做負載均衡。用戶可以指定將數(shù)據分布在多個數(shù)據中心，不過更多的數(shù)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，一般來說復制1，2個數(shù)據中心足以保證可靠性。

作為一個全球化分布式系統(tǒng)，Spanner提供一些有趣的特性。

· 應用可以細粒度的指定數(shù)據分布的位置。精確的指定數(shù)據離用戶有多遠，可以有效的控制讀延遲(讀延遲取決于最近的拷貝)。指定數(shù)據拷貝之間有多遠，可以控制寫的延遲(寫延遲取決于最遠的拷貝)。還要數(shù)據的復制份數(shù)，可以控制數(shù)據的可靠性和讀性能。(多寫幾份，可以抵御更大的事故)

· Spanner還有兩個一般分布式數(shù)據庫不具備的特性：讀寫的外部一致性，基于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(shù)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TrueTime API提供了。這個TrueTime API能夠將不同數(shù)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，同時給出誤差范圍。Google已經有了一個TrueTime API的實現(xiàn)。筆者覺得這個TrueTimeAPI 非常有意義，如果能單獨開源這部分的話，很多數(shù)據庫如MongoDB都可以從中受益。

體系結構

Spanner由于是全球化的，所以有兩個其他分布式數(shù)據庫沒有的概念。

· 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(fā)，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相當于一個數(shù)據中心，一個Zone內部物理上必須在一起。而一個數(shù)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。

如圖所示。一個Spanner有上面一些組件。實際的組件肯定不止這些，比如TrueTime API Server。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(jiān)控這個universe里zone級別的狀態(tài)信息

· Placement driver：提供跨區(qū)數(shù)據遷移時管理功能

· Zonemaster：相當于BigTable的Master。管理Spanserver上的數(shù)據。

· Location proxy：存儲數(shù)據的Location信息。客戶端要先訪問他才知道數(shù)據在那個Spanserver上。

· Spanserver：相當于BigTable的ThunkServer。用于存儲數(shù)據。

可以看出來這里每個組件都很有料，但是Google的論文里只具體介紹了Spanserver的設計，筆者也只能介紹到這里。下面詳細闡述Spanserver的設計。

Spanserver

本章詳細介紹Spanserver的設計實現(xiàn)。Spanserver的設計和BigTable非常的相似。參照下圖:

從下往上看。每個數(shù)據中心會運行一套Colossus (GFS II) 。每個機器有100-1000個tablet。Tablet概念上將相當于數(shù)據庫一張表里的一些行，物理上是數(shù)據文件。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里面的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在文件系統(tǒng)中是一個B-tree-like的文件和一個write-ahead日志。

每個Tablet上會有一個Paxos狀態(tài)機。Paxos是一個分布式一致性協(xié)議。Table的元數(shù)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后重選。Leader就相當于復制數(shù)據的master，其他replica的數(shù)據都是從他那里復制的。讀請求可以走任意的replica，但是寫請求只有去leader。這些replica統(tǒng)稱為一個paxos group。

每個leader replica的spanserver上會實現(xiàn)一個lock table還管理并發(fā)。Lock table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，但遇到沖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lock table，其他的操作可以繞開lock table。

每個leader replica的spanserver上還有一個transaction manager。如果事務在一個paxos group里面，可以繞過transaction manager。但是一旦事務跨多個paxos group，就需要transaction manager來協(xié)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。

Directories and Placement

之所以Spanner比BigTable有更強的擴展性，在于Spanner還有一層抽象的概念directory, directory是一些key-value的集合，一個directory里面的key有一樣的前綴。更妥當?shù)慕蟹ㄊ莃ucketing。Directory是應用控制數(shù)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(tǒng)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(xiàn)太復雜被摒棄了。

Directory作為數(shù)據放置的最小單元，可以在paxos group里面移來移去。Spanner移動一個directory一般出于如下幾個原因：

· 一個paxos group的負載太大，需要切分

· 將數(shù)據移動到access更近的地方

· 將經常同時訪問的directory放到一個paxos group里面

Directory可以在不影響client的前提下，在后臺移動。移動一個50MB的directory大概需要的幾秒鐘。

那么directory和tablet又是什么關系呢。可以理解為Directory是一個抽象的概念，管理數(shù)據的單元；而tablet是物理的東西，數(shù)據文件。由于一個Paxos group可能會有多個directory，所以spanner的tablet實現(xiàn)和BigTable的tablet實現(xiàn)有些不同。BigTable的tablet是單個順序文件。Google有個項目，名為Level DB，是BigTable的底層，可以看到其實現(xiàn)細節(jié)。而Spanner的tablet可以理解是一些基于行的分區(qū)的容器。這樣就可以將一些經常同時訪問的directory放在一個tablet里面，而不用太在意順序關系。

在paxos group之間移動directory是后臺任務。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(shù)據移動到指定位置，然后再用一個原子的操作更新元數(shù)據，完成整個移動過程。

Directory還是記錄地理位置的最小單元。數(shù)據的地理位置是由應用決定的，配置的時候需要指定復制數(shù)目和類型，還有地理的位置。比如(上海，復制2份；南京復制1分) 。這樣應用就可以根據用戶指定終端用戶實際情況決定的數(shù)據存儲位置。比如中國隊的數(shù)據在亞洲有3份拷貝, 日本隊的數(shù)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(shù)據模型

Spanner的數(shù)據模型來自于Google內部的實踐。在設計之初，Spanner就決心有以下的特性：

· 支持類似關系數(shù)據庫的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，盡管要忍受性能不夠的折磨，但是在Google有300多個應用在用它，因為Megastore支持一個類似關系數(shù)據庫的schema，而且支持同步復制 (BigTable只支持最終一致的復制) 。使用Megastore的應用有大名鼎鼎的Gmail, Picasa, Calendar, Android Market和AppEngine。 而必須對Query語句的支持，來自于廣受歡迎的Dremel，筆者不久前寫了篇文章來介紹他。 最后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(fā)者認為，過度使用事務造成的性能下降的惡果，應該由應用的開發(fā)者承擔。應用開發(fā)者在使用事務的時候，必須考慮到性能問題。而數(shù)據庫必須提供事務機制，而不是因為性能問題，就干脆不提供事務支持。

數(shù)據模型是建立在directory和key-value模型的抽象之上的。一個應用可以在一個universe中建立一個或多個database，在每個database中建立任意的table。Table看起來就像關系型數(shù)據庫的表。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(shù)據模型也不是純正的關系模型，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。但這樣的設計對應用也是很有裨益的，應用可以通過主鍵來定位到某一行。

上圖是一個例子。對于一個典型的相冊應用，需要存儲其用戶和相冊。可以用上面的兩個SQL來創(chuàng)建表。Spanner的表是層次化的，最頂層的表是directory table。其他的表創(chuàng)建的時候，可以用interleave in parent來什么層次關系。這樣的結構，在實現(xiàn)的時候，Spanner可以將嵌套的數(shù)據放在一起，這樣在分區(qū)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系。

TrueTime

TrueTime API 是一個非常有創(chuàng)意的東西，可以同步全球的時間。上表就是TrueTime API。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)是基于TT.now()實現(xiàn)的。

那這個TrueTime API實現(xiàn)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(wěn)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(xiàn)偏差。

實際部署的時候。每個數(shù)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(xiàn)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。另外原子鐘不是并很貴。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，并獲得一個保守的結果。最終GPS master提供時間精確度很高，誤差接近于0。

每個Slave后臺進程會每個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。這里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。

Google Spanner并發(fā)控制

Spanner使用TrueTime來控制并發(fā)，實現(xiàn)外部一致性。支持以下幾種事務。

· 讀寫事務

· 只讀事務

· 快照讀，客戶端提供時間戳

· 快照讀，客戶端提供時間范圍

例如一個讀寫事務發(fā)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(xiàn)在支持的事務。單獨的寫操作都被實現(xiàn)為讀寫事務 ； 單獨的非快照被實現(xiàn)為只讀事務。事務總有失敗的時候，如果失敗，對于這兩種操作會自己重試，無需應用自己實現(xiàn)重試循環(huán)。

時間戳的設計大大提高了只讀事務的性能。事務開始的時候，要聲明這個事務里沒有寫操作，只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(tǒng)時間戳去讀，所以對于同時的其他的寫操作是沒有Block的。而且只讀事務可以在任意一臺已經更新過的replica上面讀。

對于快照讀操作，可以讀取以前的數(shù)據，需要客戶端指定一個時間戳或者一個時間范圍。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，對于只讀事務，如果執(zhí)行到一半，該replica出現(xiàn)了錯誤。客戶端沒有必要在本地緩存剛剛讀過的時間，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緩存起來，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(shù)據了。不過這沒有關系，因為Spanner的數(shù)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(fā)起一個讀寫事務的時候，首先是讀操作，他先找到相關數(shù)據的leader replica，然后加上讀鎖，讀取最近的數(shù)據。在客戶端事務存活的時候會不斷的向leader發(fā)心跳，防止超時。當客戶端完成了所有的讀操作，并且緩存了所有的寫操作，就開始了兩階段提交。客戶端閑置一個coordinator group，并給每一個leader發(fā)送coordinator的id和緩存的寫數(shù)據。

leader首先會上一個寫鎖，他要找一個比現(xiàn)有事務晚的時間戳。通過Paxos記錄。每一個相關的都要給coordinator發(fā)送他自己準備的那個時間戳。

Coordinatorleader一開始也會上個寫鎖，當大家發(fā)送時間戳給他之后，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(shù)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。因為等待之后，在任意機器上發(fā)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。然后coordinator將提交時間戳發(fā)送給客戶端還有其他的replica。他們記錄日志，寫入生效，釋放鎖。

只讀事務

對于只讀事務，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的范圍。

如果Key的范圍在一個Paxos group內。客戶端可以發(fā)起一個只讀請求給group leader。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。然后讀取相應的數(shù)據。這個事務可以滿足外部一致性，讀出的結果是最后一次寫的結果，并且不會有不一致的數(shù)據。

如果Key的范圍在多個Paxos group內，就相對復雜一些。其中一個比較復雜的例子是，可以遍歷所有的group leaders，尋找最近的事務發(fā)生的時間，并讀取。客戶端只要時間戳在TT.now().latest之后就可以滿足要求了。