實時歷史庫需求背景

在當今的數字化時代，隨著業務的迅速發展，每天產生的數據量會是一個驚人的數量，數據庫存儲的成本將會越來越大，通常的做法是對歷史數據做歸檔，即將長期不使用的數據遷移至以文件形式存儲的廉價存儲設備上，比如阿里云OSS或者阿里云數據庫DBS服務。

然而在部分核心業務的應用場景下，針對幾個月甚至幾年前的“舊”數據依舊存在實時的，低頻的查詢甚至更新需求，比如淘寶/天貓的歷史訂單查詢，企業級辦公軟件釘釘幾年前的聊天信息查詢，菜鳥海量物流的歷史物流訂單詳情等。

? 如果這時從歷史備份中還原后查詢，那么查詢時間將會是以天為單位，可接受度為0

? 如果將這些低頻但實時的查詢需求的歷史數據與近期活躍存儲在同一套分布式數據庫集群下，那么又會帶來以下兩大挑戰

• 存儲成本巨大，進而導致成本遠大于收益，比如釘釘聊天信息數據量在高度壓縮后接近50PB，很難想象這些數據不做壓縮會帶來多大的資金開銷
• 性能挑戰巨大，隨著數據量越來越大，即使針對數據做了分布式存儲，單實例容量超過大概5T以后性能也會急劇下滑，進而影響到近期活躍數據的查詢性能，拖垮整個集群
• 運維難度巨大，比如針對海量數據下發一個表數據結構變更操作，很難想象全部完成需要多長時間

實時歷史庫場景需求分析

通過上面的分析，不管是冷備份還是在線歷史數據混合存儲在同一張物理表上的方法都是不可取的，一般實時查詢歷史數據庫的場景，一般需要有以下幾個關鍵特性

• 成本可控，歷史數據的存儲成本無法接受和在線庫一樣線性增長
• 實時查詢，歷史數據的查詢RT要做到與在線活躍庫幾乎一致
• 查詢頻次較低，一般來說，越“舊”的數據查詢頻率越低
• 統一查詢入口，不管是活躍數據還是歷史數據，查詢入口保持一致
• 改造成本需要盡可能低，最好能做到不做任何應用代碼修改，可以認為歷史庫對程序開發人員來說是完全透明的
• 可能存在歷史數據更新需求
• 數據規模較大，一般在100TB以上

X-Engine引擎介紹

X-Engine簡介

X-Engine是阿里云數據庫產品事業部自研的聯機事務處理OLTP（On-Line Transaction Processing）數據庫存儲引擎。作為自研數據庫POLARDB的存儲引擎之一，已經廣泛應用在阿里集團內部諸多業務系統中，包括交易歷史庫、釘釘歷史庫等核心應用，大幅縮減了業務成本，同時也作為雙十一大促的關鍵數據庫技術，挺過了數百倍平時流量的沖擊。

與傳統的InnoDB引擎不同，X-Engine使用分層存儲架構（LSM-Tree）。分層存儲有兩個比較顯著的優點：

• 需要索引的熱點數據集更小，寫入性能更高。
• 底層持久化的數據頁是只讀的，數據頁采用緊湊存儲格式，同時默認進行壓縮，存儲成本更低。

相比InnoDB引擎，依據數據特征，使用X-Engine存儲空間可降低至10%~50%，我們在著名的Link-Bench和阿里巴巴內部交易業務兩個數據集上測試了X-Engine的存儲空間效率。在測試中，對比開壓縮的InnoDB引擎，X-Engine有著2倍空間優勢，而對比未開壓縮的InnoDB，X-Engine則有著3~5倍的優勢。

實時歷史庫方案，為何不是其他高壓縮引擎

? 通常我們默認MySQL是當今最流行的開源數據庫，大概率是在線核心數據庫集群的首選。相比其他高壓縮的存儲引擎，引入X-Engine完全無需做任何SQL代碼改造，并且支持事務，接入成本最低，學習成本幾乎為0

? 寫入性能更強，X-Engine相比同為LSM-tree架構的Rocksdb，有超過10倍的性能提升。

? 在存儲層引入數據復用技術等，優化Compaction的性能，降低傳統LSM-tree架構中Compaction動作對系統資源的沖擊，保持系統性能平穩

? 引入多個層級Cache，同時結合Cach回填和預取機制，利用精細化訪問機制和緩存技術，彌補傳統LSM-tree引擎的讀性能短板，X-Engine的點查詢能力幾乎與Innodb持平

下圖是X-Engine與主流歷史數據存儲方案對比

歷史數據存儲選型備份至OSS開源HBaseX-Engine

壓縮率	高	高	高
是否支持查詢	支持解析歷史備份文件查詢	高	高
實時性	N/A	較高	非常高
應用代碼改造代價	N/A	很高	幾乎不用修改
事務支持	N/A	僅支持單行事務	強
主要場景	冷備份	大數據生態	OLTP

實時歷史數據庫架構設計和實現

總體架構思路

基于上文對實時歷史庫和X-Engine的介紹，阿里云數據庫團隊推出以X-Engine引擎為歷史數據存儲核心，同時生態工具DTS作為在線/歷史數據流轉通道，DMS作為歷史數據無風險刪除的完整“實時在線-歷史庫”方案，針對不同的業務場景和客戶需求，在具體實現上可能會有所不同，我們提供了多種實時歷史庫方案的具體實現。主體架構圖如下，核心思路為：

• 久經考驗的Innodb引擎作為OLTP在線庫核心引擎，主要處理高頻查詢/更新請求，滿足在線活躍數據高并發，高性能，強范圍查詢的業務需求
• 阿里巴巴數據庫團隊自研的高壓測存儲引擎X-Engine作為歷史庫核心引擎，主要響應歷史數據入庫/查詢/更新請求，滿足歷史數據冷熱數據頻次不一，低存儲成本，高性能的業務需求(范圍查詢可能性能受限)
• 統一DB接入層，根據設置的業務時間屬性將請求分別轉發至不同的存儲引擎。針對特殊場景下的跨引擎訪問，在應用層做聚合展示
• 在線-歷史數據通過阿里云提供的生態體系工具做歷史數據遷移和過期數據刪除，確保鏈路更為穩定可靠

在線庫/歷史庫拆分方案

一般來說，需要使用到實時歷史庫的場景，數據量都足夠大到單臺宿主機存放不了。在線數據庫可能是根據業務水平或垂直拆分的多個RDS，也可能是一個規模較大的DRDS集群。為了盡可能地保證在線庫的性能，推薦將在線庫/歷史庫完全拆分解耦
? 歷史庫集群存儲全量數據
? 通過DTS鏈路打通在線庫和歷史庫，實時同步
? DTS鏈路過濾Delete操作
? 可直接使用新版DMS配置歷史數據定期刪除

源端為DRDS集群

數據同步鏈路走RDS

? 多條DTS鏈路打通底層RDS節點，同步性能強
? RDS數量較多可支持API批量創建和配置
? 鏈路穩定性更好
? 需要保證源端目標端庫表數量一致，數據路由規則一致

數據同步鏈路走DRDS

? 只需要配置一條DTS鏈路，方便省錢
? 數據同步性能較差
? 源端DRDS擴容會影響到DTS同步鏈路
? 源端目標端的實例數量和數據路由規則可自由配置

源端為多個RDS

目標端為多個RDS

? 業務代碼無需任何改造
? 運行后期歷史庫節點磁盤容量存在風險

目標端為DRDS集群

• 可能涉及到業務代碼輕量改造，目標端不走分庫分表鍵性能無法保證
• 可將多個在線庫業務合并至一套歷史庫集群，架構更加簡潔
• DTS鏈路也分為走RDS和DRDS兩種

數據同步鏈路走RDS

同實例混用存儲引擎方案

在線庫/歷史庫拆分方案相對較為復雜，RDS支持同一實例混用存儲引擎。針對總數據量不是特別大的場景，可以考慮同一實例下Innodb&X-Engine引擎混合使用

使用DMS-->數據工廠-->數據編排功能可以輕松地實現同一實例內的數據流動和過期數據刪除，架構示意圖如下。

• 實現簡單靈活
• 混用存儲引擎，在數據庫內核參數優化上難以兼顧兩者性能
• 歷史數據compact階段可能對整個實例產生性能抖動
• 同一實例下的庫或者表無法重名，涉及到輕量業務改造

DTS賦能在線/歷史數據流轉

DTS不僅支持全量&增量同步，支持不同數據庫產品之間的數據同步，在在線/歷史庫解決方案中，DTS強大的"條件過濾"功能是非常重要的一環，通過配置DTS任務可以非常便捷地實現過濾Delete操作，動動鼠標點兩下即可實現自定義的數據同步策略。

DMS賦能在線庫過期數據刪除

在線庫的過期數據刪除既要保障刪除效率，也要保證刪除過程中對在線庫不會造成性能上的抖動，新版DMS支持創建“歷史數據清理”的數據變更任務，通過該任務可以非常方便地完成以下工作

? 歷史數據定期刪除，指定調度時間和一次調度時長
? 大事務拆分，減少事務執行過程中鎖表時間過長，避免主備延遲
? 清理遭遇異常中斷可重試
? 支持查看任務運行狀態和失敗原因分析
? 配置方面簡潔

過期數據清理思路

如果沒有使用DMS生態工具，也自行實現過期數據刪除，但實現較為復雜。一般較為通用的設計思路為將表的主鍵按照大小做拆分，保證一次刪除"恰當數量"的數據，既保證刪除效率又不影響線上服務

? 在線庫的歷史數據刪除策略(假設主鍵為id，數據保存180天，時間屬性列為date_col)

初始化數值Y=select min(id) from $table_name

到了業務低峰期以后，DELETE FROM $table_name WHERE date_col< SUBDATE(CURDATE(),INTERVAL 180 DAY) and id >= Y and id <=
Y+100000 ,執行成功后代碼層重新賦值 Y=Y+100000

程序sleep 3s,重復步驟b

時間到了業務高峰期以后，停止執行，記錄下當前的數值Y，第二天執行時直接從Y開始注意

? 在線庫歷史數據清理注意點

? 代碼上注意不要出現高并發刪除的情況，即步驟b還沒跑完，新的步驟b又進來了

? 程序sleep的具體秒數，要通過測試，取一個最合適的數值，主要看主備是否存在較大延遲，3只是估值

? 100000也是一個估值，實際取值最好也通過測試，取一個效率最高，對業務影響最小的數值。因為drds的序列不是單點遞增1的，所以這里的10w不代表10w條記錄。

? 假設刪除程序中途崩潰了，或者執行很多天后發現部分數據沒有刪除。那么可以手工先刪除一小部分殘留的數據，比如預估下id<100w的記錄還有多少條，不多的話直接執行DELETE FROM
logs_trans?WHERE?reqdate?< SUBDATE(CURDATE(),INTERVAL 30 DAY) and id<100w 然后初始化整個程序,這樣保證重新初始化以后不會做很多無用功，即反復執行刪除條目很少的sql

極端場景分析

在臨界時間處理上，實時歷史庫方案可能遭遇極端場景導致業務可能存在歷史庫的臟讀問題，假設在線庫數據保存180天

更新179天前23時59分59秒的數據，請求路由至在線庫

數據同步鏈路異常中斷或鏈路存在延遲，該更新請求未能及時到達歷史庫

這時業務查詢該數據時，由于已經數據已經"舊"到超過180天，請求路由至歷史庫，由于鏈路異常，歷史庫查到了臟數據

解決方法

? 配置鏈路異常告警，及時發現及時處理

? 預計影響的數據范圍為DTS鏈路恢復前的臨界時間點附近數據，建議從業務邏輯上訂正數據

? 建議過期數據刪除設置保守一點，比如臨界時間為180天，過期數據只刪除190天以后的數據，方便在極端場景下對比源端目標端的數據情況進行數據訂正

最佳實踐參考

將DRDS中的InnoDB引擎轉換為X-Engine引擎鏈接
X-Engine如何支撐釘釘躍居AppStore第一鏈接
淘寶萬億級交易訂單背后的存儲引擎鏈接

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的基于X-Engine引擎的实时历史数据库解决方案揭秘的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。