规模化时间序列数据存储（第一部分）

Posted 2021-05-02 IT技术精选文摘

引言

因特网互联设备的发展，提供了大量易于访问的时序数据。越来越多的公司有兴趣去挖掘这类数据，意图从中获取一些有意义的洞悉，并据此做出决策。技术的最新进展提高了时序数据的收集、存储和分析效率，激发了人们对如何处理此类数据的考量。然而，大多数现有时序数据体系结构的处理能力，可能无法跟上时序数据的爆发性增长。

作为一家根植于数据的公司，Netflix已习惯于面对这样的挑战，多年来一直在推进应对此类增长的解决方案。该系列博客文章分为两部分发表，我们将分享Netflix在改进时序数据存储架构上的做法，如何很好地应对数据规模的成倍增长。

时序数据：会员视频观看记录

每天，Netflix的全部会员会观看合计超过1.4亿小时的视频内容。观看一个视频时，每位会员会生成多个数据点，存储为视频观看记录。Netflix会分析这些视频观看数据，实时准确地记录观看书签，并为会员提供个性化推荐。具体实现可参考如下帖子：

• 我们是如何知道会员观看视频的具体位置的？

• 如何帮助会员在Netflix上发现值得继续观看的视频？

视频观看的历史数据将会在以下三个维度上取得增长：

1. 随时间的推进，每位会员会生成更多需要存储的视频观看数据。

2. 随会员数量的增长，需要存储更多会员的视频观看数据。

3. 随会员每月观看视频时间的增加，需要为每位会员存储更多的视频观看数据。

Netflix经过近十年的发展，全球用户数已经超过一亿，视频观看历史数据也在大规模增长。这篇博客帖子将聚焦于其中的一个重大挑战，就是我们的团队是如何解决视频观看历史数据的规模化存储的。

基本架构的初始设计

下图展示了最初使用的数据模型中的读操作和写操作流。

图1：单表数据模型

写操作流

当一位会员开始播放视频时，一条观看记录会以一个新列的方式插入。当会员暂停或停止观看视频流时，观看记录会做更新。在Cassandra中，对单一列值的写操作是快速和高效的。

读操作流

延迟的原因

下面介绍一些Cassandra的内部机制，进而理解为什么我们最初的简单设计会产生性能下降。随着数据的增长，SSTable的数量也随之增加。因为只有最近的数据是维护在内存中的，因此在很多情况下，检索观看历史记录时需要同时读取内存表和SSTable。这对于读取延迟具有负面影响。同样，随着数据的增长，合并（Compaction）操作将占用更多的IO和时间。此外，随着一行记录越来越宽，读修复（Read repair）和全列修复（Full column repair）也会变慢。

缓存层

Cassandra可以很好地对观看数据执行写操作，但是需要改进读操作上的延迟。为优化读操作延迟，我们考虑以增加写路径上的工作为代价，在Cassandra存储前增加了一个内存中的分片缓存层（即EVCache）。缓存实现为一种基本的键-值存储，键是CustomerId，值是观看历史数据的二进制压缩表示。每次Cassandra的写操作，将额外生成一次缓存查找操作。一旦缓存命中，直接给出缓存中的已有值。对于观看历史记录的读操作，首先使用缓存提供的服务。一旦缓存没有命中，再从Cassandra读取条目，压缩后插入到缓存中。

在添加了缓存层后，多年来Cassandra单表存储方法一直工作很好。在Cassandra集群上,基于CustomerId的分区提供了很好的扩展。到2012年，查看历史记录的Cassandra集群成为了Netflix的最大专用Cassandra集群之一。为进一步实现存储的规模化，团队需要实现集群的规模翻番。这意味着，团队需要冒险进入Netflix在使用Cassandra上尚未涉足的领域。同时，Netflix业务也在持续快速增长，其中包括国际会员的增长，以及企业即将推出的自制节目业务。

重新设计：实时存储和压缩存储

写操作流

对于新的观看记录，使用同上的方法写入到LiveVH。

读操作流

为有效地利用新设计的优点，团队更新了观看历史API，提供了读取近期数据和读取全部数据的选项。

• 读取近期观看历史：在大多数情况下，近期观看历史仅需从LiveVH读取。这限制了数据的规模，进而给出了更低的延迟。

• 读取完整观看历史：实现为对LiveVH和CompressVH的并行读操作。

考虑到数据是压缩的，并且CompressedVH具有更少的列，因此读取操作涉及更少的数据，这显著地加速了读操作。

CompressedVH更新流

在从LiveVH读取观看历史记录时，如果记录数量超过了一个预设的阈值，那么最近观看记录将由后台任务打包（roll up）、压缩并存储在CompressedVH中。打包数据存储在一个行标识为CustomerId的新行中。新打包的数据在写入后会给出一个版本，用于读操作检查数据的一致性。只有验证了新版本的一致性后，才会删除旧版本的打包数据。出于简化的考虑，在打包中没有考虑加锁，由Cassandra负责处理非常罕见的重复写问题（即以最后写入的数据为准）。

图2：实时数据和压缩数据的操作模型

如图2所示，CompressedVH的打包行中还存储了元数据信息，其中包括最新版本信息、对象规模和分块信息，细节稍后介绍。记录中具有一个版本列，指向最新版本的打包数据。这样，读取CustomerId总是会返回最新打包的数据。为降低存储的压力，我们使用一个列存储打包数据。为最小化具有频繁观看模式的会员的打包频率，LiveVH中仅存储最近几天的观看历史记录。打包后，其余的记录在打包期间会与CompressedVH中的记录归并。

通过分块实现自动扩展

通常情况是，对于大部分的会员而言，全部的观看历史记录可存储在一行压缩数据中，这时读操作流会给出相当不错的性能。罕见情况是，对于一小部分具有大量观看历史的会员，由于最初架构中的同一问题，从一行中读取CompressedVH的性能会逐渐降低。对于这类罕见情况，我们需要对读写延迟设置一个上限，以避免对通常情况下的读写延迟产生负面影响。

为解决这个问题，如果数据规模大于一个预先设定的阈值，我们会将打包的压缩数据切分为多个分块，并存储在不同的Cassandra节点中。即使某一会员的观看记录非常大，对分块做并行读写也会将读写延迟控制在设定的上限内。

图3：通过数据分块实现自动扩展

写操作流

如图3所示，打包压缩数据基于一个预先设定的分块大小切分为多个分块。各个分块使用标识CustomerId$Version$ChunkNumber并行写入到不同的行中。在成功写入分块数据后，元数据会写入一个标识为CustomerId的单独行中。对非常大的打包观看数据，这一做法将写延迟限制为两次写操作。这时，元数据行实现为一个不具有数据列的行。这种实现支持对元数据的快速读操作。

为加快对通常情况（即经压缩的观看数据规模小于预定的阈值）的处理，我们将元数据与观看数据合并为一行，消除查找元数据的开销，如图2所示。

读操作流

在读取时，首先会使用行标识CustomerId读取元数据行。对于通常情况，分块数是1，元数据行中包括了打包压缩观看数据的最新版本。对于罕见情况，存在多个压缩观看数据的分块。我们使用元数据信息（例如版本和分块数）对不同分块生成不同的行标识，并行读取所有的分块。这将读延迟限制为两次读操作。

改进缓存层

为了支持对大型条目的分块，我们还改进了内存中的缓存层。对于存在大量观看历史的会员，整个压缩的观看历史可能无法置于单个EVCache条目中。因此，我们采用类似于对CompressedVH模型的做法，将每个大型缓存条目分割为多个分块，并将元数据存储在首个分块中。

结果

在引入了并行读写、数据压缩和数据模型改进后，团队达成了如下目标：

1. 通过数据压缩，实现了占用更少的存储空间；

2. 通过分块和并行读写，给出了一致的读写性能；

3. 对于通常情况，延迟限制为一次读写。对于罕见情况，延迟限制为两次读写。

图4：运行结果

团队实现了数据规模缩减约6倍，Cassandra维护时间降低约13倍，平均读延迟降低约5倍，平均写时间降低约1.5倍。更为重要的是，团队实现了一种可扩展的架构和存储空间，可适应Netflix观看数据的快速增长。

可长按扫码关注，谢谢