百度BaikalDB在同程艺龙的成功应用实践剖析

导读：文章主要介绍 BaikalDB在同程艺龙的完整落地实践，文章把BaikalDB总结为六个核心特性，分别是《BaikalDB高可用与HTAP特性实践》、《BaikalDB 高性能与扩展性实践》、《BaikalDB 低成本的思考》，希望对大家有帮助。

全文14032字，预计阅读时间 19分钟。

一、BaikalDB高可用与HTAP特性实践

我们从2019年开始调研开源NewSQL数据库BaikalDB，尝试解决工作中遇到的一些实际问题，例如OLAP业务跑在行存数据库上查询速度慢，数据库跨中心部署高可用方案待完善，在近6个月的研究与实践中，我们向社区提交了列存特性，并使用BaikalDB分别部署了基于列存的OLAP类业务，基于行存的OLTP类业务，及基于双中心的高可用部署方案，有效的解决了相关问题，在这里做一个相关使用经验的分享，希望可以给遇到类似问题的同学提供参考。

1、BaikalDB选型考虑

1.1业界纷纷布局NewSQL

1.2 NewSQL数据库核心技术对比

• 注1：ShardingSphere基于MySQL MGR的Paxos复制协议尚未发布。
• 注2：TiDB 3.0起已同时支持乐观事务与悲观事务。
• 注3：由于笔者精力所限，尚有很多NewSQL未参与对比：Amazon Aurora，Aliyun PolarDB， AnalyticDB，Apple FoundationDB， CockroachDB, 华为GaussDB， Yandex ClickHouse等。

1.3 NewSQL技术选型

路径选择：

• 纯自研：能力有限，投入有限
• 纯开源：无法及时满足定制化需求
• 云服务：安全与成本考虑，短期内核心业务自建IDC，k8s化
• 半自研：我们的选择，不重复造轮子，主体功能交由社区完成，集中有限力量满足公司需求，可供选择的NewSQL有：TiDB，BaikalDB，CockRoachDB等。

从以上几款开源DB中，最终选择BaikalDB的原因有：

• 背景相似：BaikalDB来源于百度凤巢广告业务团队，由于广告业务的增长走过了从单机到分库分表到分布式的全过程，而我们面临类似的问题。
• 经受考验：已经有百度广告平台多个业务实际使用经验，千级别集群节点，PB级数据规模，我们跟进使用，风险可控。
• 技术栈匹配：BaikalDB（c++实现， 10万行代码精炼），依赖少而精（brpc，braft，rocksdb），社区友好，部署简单，技术栈匹配。
• 特性比较完善：基本满足我们需求，我们可以专注于满足公司需求。

1.4 BaikalDB简介

BaikalDB是一款百度开源（github.com/baidu/BaikalDB ）分布式关系型HTAP数据库。支持PB级结构化数据的随机实时读写。

架构如下：

其中：

• BaikalStore 负责数据存储，用 region 组织，三个 Store 的 三个region形成一个 Raft group 实现三副本，多实例部署，Store实例宕机可以自动迁移 Region数据。
• BaikalMeta 负责元信息管理，包括分区，容量，权限，均衡等，Raft保障的3副本部署，Meta 宕机只影响数据无法扩容迁移，不影响数据读写。
• BaikalDB 负责前端SQL解析，查询计划生成执行，无状态全同构多实例部署，宕机实例数不超过 qps 承载极限即可。

核心特性：

• 强一致：实现Read Committed 级别的分布式事务，保证数据库的ACID 特性
• 高可用：Multi Raft协议保证数据多副本一致性，少数节点故障自愈， 支持跨机房部署，异地多活，可用性>99.99%， RTO=0， RPO<30s
• 高扩展：Share-nothing架构，存储与计算分离， 在线缩扩容不停服 5分钟内完成，动态变更schema 30s生效
• 高性能：表1000张，单表：10亿行，1千列情况下：QPS >1W 点查 P95 < 100ms
• 易用性：兼容MySQL 5.6协议

2、BaikalDB线上迁移过程

我们在线上已部署了50个存储节点百亿行数据规模的BaikalDB集群，本章将重点讲述业务迁移到BaikalDB的步骤以确保上线过程平稳与业务无缝迁移。整体的上线过程可分为如下几个阶段：

2.1 列存特性开发

由于我们上线的首个业务是分析类业务，适合列式存储，在社区的帮助与指导下，我们开发并提交了列存特性，原理见列式存储引擎

2.2 配套运维工具

• 部署工具：线上暂以自研部署脚本为主，未来会对接公司k8s；
• 监控工具：Prometheus，BaikalDB对接Prometheus非常简单，参见监控指标导出到Prometheus
• 数据同步工具：Canal + 数据同步平台，原理类似不再展开；
• 物理备份工具：SSTBackup，使用说明见基于SST的备份与恢复 ，可以实现全量+增量的物理备份，内部数据格式，仅适用于BaikalDB；
• 逻辑备份工具：BaikalDumper，模拟MySQLDumper，导出的是SQL语句，可以导入到其他数据库，目前只支持全量导出；
• 测试工具：Sysbench 使用说明见BaikalDB Sysbench
• 欠缺的工具：基于MySQL binlog的数据订阅工具，开发中。

2.3 数据迁移

数据同步采用全量+增量同步方式，全量采用批量插入，增量原理类似于MySQL binlog订阅，采用Replace模式同步。共计80亿条数据全量同步约3天，增量同步稳定在10ms以内。

2.4 业务测试

经过数据同步环节，BaikalDB已经具备与线上等价数据集，业务测试阶段重点在于对待上线系统真实SQL的支持能力，我们采用全流量回放的方式进行。

如下图： 

通过实时回放线上真实流量我们主要验证了：

• 业务使用SQL的100%兼容性
• 业务峰值的性能承载能力
• 7*24小时的稳定性

2.5 业务上线

经过以上环节，业务上线需要的唯一操作就是更改数据库连接配置。

2.6 运维与监控

下图是上线后部分指标Prometheus监控截图，可以看到从qps，响应时间，环比变化看均十分平稳。

2.7 注意事项

BaikalDB尚在完善的功能：

• 子查询：开发中
• information\_schema：图形化工具支持与系统变量支持不全，开发中
• 行列并存：一张表可选择行存或列存，但不能并存，开发中
• 分布式时钟：影响事务隔离级别，与Follower一致性读，开发中
• 视图：排期中
• 触发器，存储过程等传统关系型数据库功能，暂无规划

使用BaikalDB需要注意的事项：

• 数据建模：DB并不能取代数据库使用者的角色，好的数据模型，表结构的设计，主键与索引的使用，SQL语句，在我们实际测试中比坏的用法会有10倍以上的提升；
• 写放大：与RocksDB层数有关，建议单store数据大小控制在1T以内；
• 参数调优：默认配置已非常合理，仅有少量参数建议根据实际情况修改：

export TCMALLOC_SAMPLE_PARAMETER=524288 #512kexport TCMALLOC_MAX_TOTAL_THREAD_CACHE_BYTES=209715200 #200M，当大value时，调大可以避免线程竞争，提高性能-bthread_concurrency=200 # 建议（cpu核数- 4）* 10-low_query_timeout_s=60 # 慢查询阈值，建议根据需求设置-peer_balance_by_ip=false # 默认为false，单机多实例时建议开启-max_background_jobs = 24 #建议（cpu核数- 4）-cache_size = 64M #建议不超过单实例内存空间40%

• 大事务限制：行锁限制：per\_txn\_max\_num\_locks 默认100w；DB与Store RPC 包的大小限制：max\_body\_size默认256M；消息体限制：max protobuf size =2G，此为protobuf限制不可修改。一般建议事务影响行数不超过10M；
• 双机房资源预留Buffer：资源使用率建议40%左右，容灾时单机房需要承载double的压力，分配副本时disk\_used\_percent 超过80%的store将被剔除。

3、高可用与HTAP部署方案

我们的BaikalDB一套集群部署在两个城市4个IDC机房，同时支撑基于行存的OLTP业务与基于列存的OLAP业务，本章将说明我们是如何通过设计部署方案来发挥BaikalDB高可用与HTAP能力的。

双中心HTAP部署示意图：

• 注1：图中省去了meta节点部署
• 注2：每个IDC会实际部署了多个store与db节点。

如上图城市 A与城市 B双中心采用完全对称的部署结构，在BaikalDB里Region是存储的基本单位，每张表至少有一个Region组成，每个Region有若干个peer合在一起构成了一组Raft Group。每个store即可创建行存表也可以创建列存表，业务建表时可以根据场景的不同进行选择，另外业务也可以根据地域的不同选择副本的分布，例如城市 A的业务可以选择城市 A 2副本+城市 B 1副本，城市 B的业务可以选择城市 A 1副本+城市 B 2副本。

假设有2家业务在使用BaikalDB集群，业务A是一个部署在城市 A的OLAP类业务创建了表ctable用Region1代表。业务B是一个部署在城市 B的OLTP类业务创建了表rtable用Region2代表。则相关的配置过程如下：

1. 初始化meta机房信息

echo -e "场景：添加逻辑机房bj sz\n"curl -d '{"op_type": "OP_ADD_LOGICAL","logical_rooms": {"logical_rooms" : ["bj", "sz"]}}' http://$1/MetaService/meta_managerecho -e "插入bj物理机房\n"curl -d '{"op_type": "OP_ADD_PHYSICAL","physical_rooms": {"logical_room" : "bj","physical_rooms" : ["bj1","bj2"]}}' http://$1/MetaService/meta_managerecho -e "\n"echo -e "插入sz物理机房\n"curl -d '{"op_type": "OP_ADD_PHYSICAL","physical_rooms": {"logical_room" : "sz","physical_rooms" : ["sz1","sz2"]}}' http://$1/MetaService/meta_manager

2. 设置每个baikalstore的物理机房信息

#IDC1 store的机房信息配置#vim store/conf/gflag-default_physical_room=bj1

3. 设置每个baikaldb的物理机房信息

#IDC1 db的机房信息配置#vim db/conf/gflag-default_physical_room=bj1

4. 创建表时根据需要指定副本策略与存储类型

--业务A是一家部署在城市 A的OLAP类型请求采用列存表，建表语句如下：CREATE TABLE `TestDB`.`ctable` (`N_NATIONKEY` INTEGER NOT NULL,`N_NAME` CHAR(25) NOT NULL,`N_REGIONKEY` INTEGER NOT NULL,`N_COMMENT` VARCHAR(152),PRIMARY KEY (`N_NATIONKEY`))ENGINE=Rocksdb_cstore COMMENT='{"comment":"这是一张列存表", "resource_tag":"bizA", "namespace":"TEST_NAMESPACE","dists": [ {"logical_room":"bj", "count":2}, {"logical_room":"sz", "count":1}] }';--业务B是一家部署在城市 B的OLTP类型请求采用行存表，建表语句如下：CREATE TABLE `TestDB`.`rtable` (`N_NATIONKEY` INTEGER NOT NULL,`N_NAME` CHAR(25) NOT NULL,`N_REGIONKEY` INTEGER NOT NULL,`N_COMMENT` VARCHAR(152),PRIMARY KEY (`N_NATIONKEY`))ENGINE=Rocksdb COMMENT='{"comment":"这是一张行存表", "resource_tag":"bizB", "namespace":"TEST_NAMESPACE","dists": [ {"logical_room":"bj", "count":1}, {"logical_room":"sz", "count":2}] }';

优点：

• 容灾能力：任何少数节点故障，无论是机器级，机房级还是城市级故障，均可做到RPO(数据丢失时长) = 0s，RTO（数据恢复时长）< 30s。
• Async Write：由于Raft多数Peer写成功即可返回，虽然3peer会有1个peer分布在另一个城市存在延迟，但写操作一般写完同城的2个peer即可，异地的peer在进行异步写，写性能接近同城写性能。
• Follower Read：由于每个城市至少有一个副本，对于读业务需要分别部署在两个城市的场景，BaikalDB提供了就近读功能，路由选择时会优先选择与DB同在一个逻辑机房的Region进行读操作，所以读性能可以在两地均得到保证。
• HTAP能力：业务可以根据业务场景分别选择行存表与列存表，每个store可以同时支持这两种表。
• 资源隔离：如果担心HTAP的业务workload会互相影响，业务可以通过resource\_tag字段对store进行分组，例如store1的resource\_tag = bizA， 那么store1只会给建表时指定resource\_tag = bizA的表分配Region。

待完善：

• 容灾能力：多数节点故障RPO最大可到3s，BaikalDB副本的分配策略后续可以增加降级策略，如果多数机房故障，降级到在少数机房分配副本，从而保证RPO依旧为0。
• Async Write：当写发生在少数城市时依旧会存在延迟，但这种情况实际业务很少发生；如确有需要例如两地业务均需对同一张表发生写操作，必然有一个处于异地写状态，这种情况建议写时拆成两张表，读时用Union或视图。
• Follower Read：可以增强为Follower一致性读。就是对Follower可能落后与Leader的请求进行补偿，需要分布式时钟特性（开发中）的支持。

二、BaikalDB 高性能和扩展性实践

![图片](https://p3-juejin.byteimg.com... "核心
特性")核心特性

这也是我们在业务推广中的关注次序，即

• 首先必须（Must to）业务场景匹配精 准（1一致性）和运行平稳（2高可用）
• 其次最好（Had better）是数据多（3扩展性）与跑的快（4高性能）
• 最后应该是（Should）使用友好（5高兼容性）与 成本节省（6低成本）

简称：稳准多快好省。

本文将会通过介绍业务落地前的两个实际测试案例，来分享总结BaikalDB在性能与扩展性方面的数据。

1、基于行存OLTP场景的基准测试

1.1测试目标

如果把BaikalDB看成一款产品，基准测试的目的就是加上一份产品规格说明书，在性能测试同学的参与下，我们进行了为期2个月的基准测试，并给BaikalDB这款产品的外包装上写下如下关于规格的信息：

• 设计的集群最大规模，在 1000 个节点情况下，能支持 18 种数据类型，单节点 1T 数据容量，集群整体1P容量。
• 在基准数据测试下，集群单点性能达到，write不低于2000 QPS，单次write不超过 50 ms， read性能达到不低于4000 QPS,单次read不超过 20 ms。
• 对外接口基本兼容MySQL 5.6版本协议。
• 基于Multi Raft 协议保障数据副本一致性，少数节点故障不影响正常使用。
• Share-Nothing架构，存储与计算分离，在线缩扩容对性能影响仅限于内部的数据自动均衡，而对外部透明，新增字段30s生效对集群无影响。

1.2测试范围

• 性能测试（行式存储，大表104字段，小表63字段，集群总基础数据1TB，2TB，3TB）
• 与mysql基准对比测试
• 表结构字段个数影响（大表104字段，小表63字段）
• 集群总基础数据大小影响（1TB，2TB，3TB）
• 表结构影响（"自增主键"，"片键做全局索引"，"片键做主键"）
• 带压力的扩展性测试
• 加节点（store）
• 减节点（store）
• 动态加列

1.3测试环境

五台机器混合部署3 meta, 5 db, 5 store获取基准，另有一台机器作为增减节点机动（centos 7.4 32核 2.4GHZ，128G内存 1.5TSSD硬盘）

测试部署

1.4主要指标说明

• 最佳容量（KTPS）：
• 5台机器配置的集群（3 meta, 5 db, 5 store）
• 连续两分钟可以稳定支撑的最大吞吐能力
• 平均读响应时间小于20ms，平均写响应时间小于50ms
• 系统最大吞吐能力: 每秒dml操作请求数
• 单位为KTPS（千次操作请求/秒）
• 定义
• 前置条件：
• 响应时间：dml操作从发送到收到返回结果所经过的时间，单位为毫秒
• diskIOUtil 磁盘使用率: 一秒中有百分之多少的时间用于 I/O 操作,或者说一秒中有多少时间 I/O 队列是非空的
• 如果接近 100%，说明产生的I/O请求太多，I/O系统已经满负荷，该磁盘可能存在瓶颈。
• 大于30%说明I/O压力就较大了，读写会有较多的wait
• 最佳容量判定方法

绘制系统的性能指标随着并发用户数增加而出现下降趋势的曲线，分析并识别性能区间和拐点并确定性能阈值。

1.5测试结论

• 性能测试
• 读：片键做主键模式，5节点读容量为72K+TPS，性能比mysql高85%+，瓶颈为CPU
• 写：片键做主键模式，5节点写性能为9.6K+TPS，与mysql相当，为mysql的85%~120%之间，瓶颈为DiskIO
• 扩展性测试
• 加节点：前端吞吐平稳
• 减节点：减节点操作需要确保集群能力有足够的余量，能承载被减掉节点转移的压力
• 加列：22秒新列生效（1.25亿基础数据）

1.6性能测试详情

与mysql基准对比测试：

表结构字段个数影响：

集群总基础数据大小的影响：

表结构影响：

扩展性测试详情

不停服增减节点：

不停服增加列：

不停服加列测试过程曲线图（22秒后所有的带新列的insert语句全部成功，红色曲线代表失败数降为0）

2、基于列存OLAP场景测试

2.1测试背景

指标监控系统用于实时（定时）监控线上某实时业务数据，生成关于健康状态的相关指标，如果指标超出阈值，则触发报警功能。数据表约50列20亿行，查询sql10余种均为聚合类查询，检索列数不超过4列，查询条件为一定时间区间的范围查询，之前是跑在一款行存的分布式数据库之上，这是一个典型的olap类场景，我们采用baikaldb的列存模式与线上进行了对比测试，测试对象均为线上真实数据，两款DB集群配置相当，测试查询性能的同时，均承担等同的写负载。

2.2测试结果：

从测试结果可以看出，在宽表少列与聚合查询的sql查询，使用baikaldb的列式存储，可以有效减少磁盘IO，提高扫表及计算速度，进而提高查询性能，这类查询也是olap场景sql的常见写法。

3、性能与扩展性总结与思考

3.1性能分析的几个角度

• 资源瓶颈视角
• 查询及事务大小建议控制在10M以内，数据量过大会触发事务及RPC包大小限制；
• 若需全量导出，用 /*{"full_export":true}*/ select * from tb where id > x limit 1000; 语法。
• io.util满可导致rocksdb的L0层文件压缩不过来，出现快速的空间放大，进而导致磁盘快速被写满。相关参数：max_background_jobs=24
• rocksdb数据文件不建议超过1T，按照默认配置，超过1T后rocksdb将增加1层，写放大增大10，写放大会导致io.util出现瓶颈。若服务器磁盘远大于1T，建议单机多实例部署。
• io.util满可导致内存刷盘不及时进而引起内存满（store）；
• 慢查询过多时，会导致查询积压于store，进而引起内存满（store）；相关参数db：slow_query_timeout_s=60s ；
• store内存建议配置为所在实例的40%以上，因为内存直接影响cache命中率，cache miss过多的话，会增大io.util及sql用时；相关参数：cache_size=64M
• export TCMALLOC_MAX_TOTAL_THREAD_CACHE_BYTES=209715200 #200M，当大value时，调大可以避免线程竞争，提高性能 。
• CPU : 多发生在读qps过大时（db，store），可监控vars/bthread\_count指标
• IO：多发生在写qps过大时（store），可监控io.util指标，及store/rocksdb/LOG日志。
• Mem：
• Disk：
• NetWork：

3.1.1用户视角

• 联合主键 vs 自增主键
• BaikalDB是按主键进行分片的，主键的选择影响了数据的物理分布，好的做法是把查询条件落在尽量少的分片上，查询时基于前缀匹配，一般建议按范围从左到右建立联合主键，例如：class表主键可设置为schoolid，collegeid，classid # 学校，学院，班级;
• BaikalDB实现自增主键主要是为了与MySQL兼容，由于全局自增是通过meta单raft group完成，会存在rpc开销及扩展性问题；另外全局自增主键也容易导致数据批量插入时请求集中于最后一个Region节点，容易出现瓶颈。
• 全局索引 vs 局部索引
• 全局索引与主表不在一起，有自己的分片规则，好处是有路由发现功能，坏处是多了与全局索引的RPC开销，局部索引与主表一起，需要通过主键确定分片，否则需要广播，好处是RPC开销。
• 小表建议用局部索引；
• 大表（1亿以上），查询条件带主键前缀，用局部索引，否则用全局索引。
• 行存 vs 列存
• 宽表少列（查询列/总列数 小于 20%）， 聚合查询的olap请求用列存
• 其他情况用行存

3.1.2实现视角

• Balance：BaikalDB会周期性的进行Leader均衡与Peer均衡，负载均衡过程中若数据迁移量较大，可能是影响性能，一般发生在：
• 增删节点时
• 批量导入数据时
• 机器故障时
• SQL Optimizer：目前主要基于RBO，实现了部分CBO，若性能与执行计划有关，可以使用explain，及 index hint功能调优。

3.1.3扩展性考虑因素

• 稳定性
• meta，尤其是主meta挂了情况下，将不能提供ddl， 主auto incr 挂了情况下，将不能提供自增主键表的insert功能。
• store读正常，但瞬间一半store leader挂了情况下，写功能需要等到所有leader迁移至健康中心为止。
• 扩容：从实测情况看，扩容情况下比较平稳
• 缩容：缩容较少发生，但在双中心单中心故障的情况下，相当于缩容一半，此时稳定性还是值得注意与优化的，主要包括：
• 极限容量：
• 计算逻辑如下
• 理论上Meta 20G， Store 1T磁盘情况下，预计可管理 10k个store节点， 10P大小数据。
• 实际上百度最大的集群管理了1000个store节点，每store 1T磁盘， 共计约1P的集群总空间。

1. Region元数据=0.2k， Meta20G内存共计可管理的 Region总数 = 20G/0.2k = 100M
2. Region数据量 = 100M，Store 1T磁盘共可管理的 Region个数每store = 1T/100M = 10k
3. 共计可以管理的数据量 = Region总数 * Region数据量 = 100M * 100M = 10P
4. 共计可以管理的store个数 = Region总数 / Region个数每store = 100M/10k = 10k

• 线性
• 固定范围：O（1）
• 可以下推store全量：O(n/db并发度)
• 不可下推store全量：O（n）
• JOIN查询：O（n^2）

4、后记

• 本文的性能与扩展性分析数据均来源于实际项目，而非TPCC，TPCH标准化测试，但测试项目具有一定的代表性。
• BaikalDB测试数据基于V1.0.1版，最新发布的V1.1.2版又有了较多优化：
• 优化seek性能，实测range scan速度提高1倍；
• rocksdb升级6.8.1，使用Partitioned Index Filters，进一步提高了内存使用效率；
• 增加利用统计信息计算代价选择索引功能（部分）；
• 事务多语句Raft复制拆分执行，提高了Follower的并发度。

三、BaikalDB 低成本思考

这也是我们在业务推广中的关注次序，即

1、首先必须（Must to）业务场景匹配精 准（1一致性）和运行平稳（2高可用）；

2、其次最好（had better）是数据多（3扩展性）与跑的快（4高性能）；

3、最后应该是（should）使用友好（5高兼容性）与 成本节省（6低成本）。

简称：稳准多快好省。

作为系列文章的最后一篇，是关于成本的思考，如果说强一致与高可用是用户关心的在功能上是否满足需求，扩展性与高性能是老板关心的在规格上是否值得投入，那么兼容性与成本则是项目实施者应该关心的问题，因为它关系到项目推进难度。

如果你认可NewSQL的发展趋势，也发现了公司的实际业务场景需求，本文将会讨论在项目实施中需要克服的问题，并建议用成本的角度进行评估，这样有助于对项目的工作量进行计算。例如如果调研发现公司的潜在目标用户均跑在mysql数据库上，那么是否兼容mysql协议直接决定了用户的意愿，用户的学习成本，业务代码的改造成本，生态的配套成本，如果潜在用户超过10个以上则成本将会放大10倍；如果大部分潜在业务使用的是PostgreSQL，那么最好在选型时选择兼容pg的NewSQL。这也是本文将兼容性归类到低成本一并讨论的原因。

1、成本的分类

狭义的成本：指数据库软件的开发，授权，运维及硬件成本，特点是可量化，例如：1、开发投入：24人月

2、License授权：10万/年

3、运维投入：DBA 2人

4、硬件成本：服务器10台

广义的成本：泛指在组织实施数据库应用工程实践过程中，所产生费用总和，特点是与项目管理与实施有关，包括：

1、学习开发成本

2、测试验证成本

3、业务迁移成本

4、用户习惯

5、运维配套工具

6、软件成熟度

7、技术前瞻性

狭义的成本可以理解为这件事值不值得做，广义的成本可以理解为把事情做成需要做的工作，截止到本文发表为止，BaikalDB已在公司10余家业务上进行了落地应用，这些应用实际产生的成本与收益如何评估（狭义）？项目落地过程中需要落实哪些工作(广义）？下面将就这两个问题展开讨论。

2、狭义的成本理论上可减低100倍

由于BaikalDB是开源的，开发成本可以忽略，部署简单，其狭义成本主要集中在硬件成本上。结合公司的双中心建设与Kubernetes云原生平台战略，我们给出了BaikalDB两地四中心三副本行列混存的方案，理论上有望使硬件成本降低100倍，方案如下图：

1、注1：图中省去了meta节点部署

2、注2：每个IDC会实际部署了多个store与db节点。

3、注3：行列混存的特性还在开发中

上图采用了完全对称的双中心部署方案，每个数据中心又存在2个对等IDC机房，基于BaikalDB的逻辑机房与物理机房概念，可以完成以上部署，并提供城市级别的容灾能力，通过Raft Group层面的行列混存技术实现仅需3副本即可提供HTAP的能力，配置细节已经在第一篇文章HTAP部署有所描述，本文在之前基础上增加了行列混存（功能尚未实现）的方式，进一步合并了应用场景，减少副本个数，从而达到节约成本的目的。以上方案具体成本节约主要体现在三个方面：

2.1 HTAP带来的成本降低为5倍

为了满足不同的应用场景，通过同步工具，数据会被分发到ETL，ES，HBASE，kafka，TiDB等不同数据组件中去，核心业务的存储资源存在5倍以上的放大。依据数据库使用现状情况，核心业务一般1套OLTP主库+数据同步平台+5套OLAP数据库，采用此方案后能同时满足以上全部场景，并且省去了异构数据源之间数据同步延迟问题，因为异构数据源超过了5个，合并为1个后，预计收益增大5倍。

2.2 单位资源效能带来的成本减低为4倍

• 行存OLTP类场景性能提升85%

BaikalDB存储层使用RocksDB的LSM-Tree存储，相较于innodb的B+树，通过平衡读，写，空间放大使得读写性能更加均衡，通过out-of-place update及一定的空间放大来优化写性能（对比innodb相当于牺牲全局有序性及存储空间换取写性能），能充分发挥SSD硬盘的随机读优势及利用高效缓存来加速点查询，对于范围查则主要通过data reorganization（merge/compaction）及SSD的并发读来优化速度。参考第二篇性能测试文章的基准性能测试结果，适用于OLTP场景的行存BaikalDB综合性能可提升85%。

• 列存OLAP类场景性能提升10倍

OLAP类场景下的SQL查询语句一般是宽表少列，以聚合函数为主，数据比较适合按列存放在一起，一个例子如下：

cstore vs rstore

Demo

#统计每个广告平台的记录数量SELECT CounterID, count() FROM hits GROUP BY CounterID ORDER BY count() DESC LIMIT 20;

行式

列式

使用BaikalDB的列存引擎，使我们第一家接入OLAP业务（约100亿数据量的聚合查询）查询速度提升10倍。

业务一般会有1个OLTP场景加n个OLAP场景组成，平均来看BaikalDB可以使单位资源效能提升4倍左右。

2.3 云原生弹性能力带来的成本减低为5倍

以mysql为例，由于缩扩容升降配困难，为了应对少数发生的业务高峰时段（例如双11一年只有一次）而不得不一直留够Buffer，导致硬件资源的投入不能随着流量的变化而动态变化，弹性不足，资源利用率普遍较低约8%的水平。公司也意识到相关问题，在积极构建基于kubernetes云原生平台（见下图），具体文章参见同程艺龙云原生 K8s 落地实践[4] 。

BaikalDB的share –nothing云原生特性能完美的k8s的调度能力进行结合，预计可以把资源利用率提升到40%，因此弹性收益为5倍。之所以没有提升到80%以上是为了满足双中心容灾互备的需要，以应对城市级故障带来的单中心双倍压力。

综上所述，总收益  =  HTAP收益  * 单位资源能效收益 * 资源利用率收益 =  5 * 4 * 5 = 100倍

3、实际上广义的成本难以量化但不能有短板

在狭义成本评估值得做的情况下，需要从项目管理或项目实施的角度思考如何把项目顺利推进，由于每家公司每个项目的实际情况均不一样，项目的评估很难统一量化，但我们在进行项目实施时必须要慎重考虑这些因素，并且任何一个环节不达标均可能导致项目的失败，在这里把项目推进中要完成的工作量称为广义的成本，以我们实践经验进行总结评分，满分为10分，分值越高越好，评价不同于以往的性能测试，具有很强的主观性，仅供参考。

3.1 学习开发成本：9分

BaikalDB的学习主要包括依赖与BaikalDB代码本身。

BaikalDB的依赖少而精，主要有三个：

1、brpc：Apache项目，百度内最常使用的工业级RPC框架；

2、braft：百度开源的Raft一致性与复制状态机工业级实现库；

3、RocksDB：kv存储引擎，集成了Google与Facebook双方大牛的力作；

以上三款开源项目，社区都比较成熟，每一款都值得好好学习。

BaikalDB本身作为一款纯开源的分布式数据库，代码10万行，以C++语言为主，代码架构简洁，组织清晰。虽然目前文档不是很多还在完善中，但项目保持了良好编码风格，代码可读性强，大部分实现原理可以通过直接阅读代码掌握，少部分需要结合数据库及分布式领域的理论知识与论文学习。在模块化抽象与分层上保持清晰保持简洁，在一些核心对象例如逻辑计划：LogicalPlanner，表达式：ExprNode，执行算子：ExecNode 仅有一层继承关系，具有薄胶合层显著特点，有效的减低了软件的学习成本，体现了Unix开源文化的KISS原则（Keep It Simple， Stupid！）

总之，BaikalDB是一款非常值得学习的DB，给9分。

3.2 测试验证成本：7分

BaikalDB的测试验证工作量与其它DB差不多，中规中矩给7分。

3.3 业务迁移成本：8分

业务的迁移成本主要包括数据迁移与SQL改写两个部分，由于BaikalDB兼容MySQL协议，公司已研发了基于MySQL生态的数据同步平台，数据迁移成本不大。使用MySQL开发的业务代码，大部分情况不需要改写SQL，改写主要发生在BaikalDB尚未支持的MySQL语法例如（子查询，一些系统函数上）和慢查询改写上面，业务迁移成本给8分。

3.4 用户习惯：7分

1、图像化工具：能使用Navicat， IDEA自带MySQL UI， DataGrip进行简单的表浏览，SQL执行功能，不能进行复杂管理操作；

2、公司已有系统对接（例如工单，权限，一站式查询等）：尚未打通；

3、对新概念的接受过程（例如新的数据文件，部署方式，资源隔离，多租户等）。

3.5 运维配套工具：7分

• 备份工具：

热备：基于SST的备份恢复

冷备：通过SQL语句逻辑备份。

/_{"full\_export":true}_/ select * from tb where id > x limit 1000;

• 监控工具：Prometheus
• 运维脚本：script[5]
• 部署工具：Ansible
• 压测工具：sysbench
• 订阅工具：Binlog功能开发中
• 同步工具：Canal

3.6 软件成熟度：7分

3.7 技术前瞻性：9分

BaikalDB提供的PB级分布式扩展能力，动态变更Schema能力，分布式事务，异地多活，资源隔离，云原生K8s，HTAP能力均与公司未来的需求或规划匹配，因此给9分。

4、后记

至此BaikalDB在同程艺龙的应用实践系列文章就结束了，BaikalDB作为一款开源两岁的NewSQL数据库还非常年轻，存在很大完善空间。同时作为后浪也借鉴很多前浪的设计思想，有一定的后发优势。BaikalDB实现简洁，功能强大，社区专业友好，无论是用来代码学习还是业务应用均有很大成长空间，欢迎感兴趣的朋友一起参与。由于笔者水平有限，文中如有不妥之处，还望理解指正。

招聘信息：

百度商业平台研发部主要负责百度商业产品的平台建设，包括广告投放、落地页托管、全域数据洞察等核心业务方向，致力于用平台化的技术服务让客户及生态伙伴持续成长，成为客户最为依赖的商业服务平台。

无论你是后端，前端，还是算法，这里有若干职位在等你，欢迎投递简历， 百度商业平台研发部期待你的加入！

简历投递邮箱：[e-mail] （投递备注【百度商业】）

推荐阅读：

｜面向大规模商业系统的数据库设计和实践

｜百度爱番番移动端网页秒开实践

｜解密百TB数据分析如何跑进45秒

---------- END ----------

百度Geek说

百度官方技术公众号上线啦！

技术干货 · 行业资讯 · 线上沙龙 · 行业大会

招聘信息 · 内推信息 · 技术书籍 · 百度周边

欢迎各位同学关注