存储管理的神奇功能（微信相关应用都在用的存储系统究竟是怎么扛住的）

作者:林枫 & 张根兴来源:云加社区

背景：两个十亿级的挑战

PaxosStore 是微信内广泛应用的强一致性的分布式存储系统，它广泛支撑了微信的在线应用，峰值过亿TPS，运行在数千台服务器上，在线服务场景下性能强悍。但在软件开发中没有银弹，在面对离线产出、在线只读的数据场景，PaxosStore 面临了两个新的十亿挑战：

10亿 / 秒 的挑战：

· "看一看"团队需要一个存储系统来存放CTR过程需要用到的模型，实现存储和计算分离，使得推荐模型的大小不会受限于单机内存。

· 每次对文章的排序打分，ctrsvr 会从这个存储系统中拉取成千上万个特征，这些特征需要是相同版本的，PaxosStore 的 BatchGet 不保证相同版本。

· 业务方预估，这个存储系统需要支持10亿/秒的QPS，PaxosStore 的副本数是固定的，无法增加只读副本。

· 这个存储系统需要有版本管理和模型管理的功能，支持历史版本回退。

10亿 / 小时 的挑战：

· 微信内部不少团队反馈，他们需要把10亿级（也就是微信用户的数量级）信息，每天定期写到 PaxosStore 中，但 PaxosStore 的写入速度无法满足要求，有时候甚至一天都写不完，写太快还会影响现网的其他业务。

2. 数据路由

· 考虑扩缩容，FeatureKV 会把一个版本的数据切分为 N 份， N 现在是 2400，通过哈希 HashFun(key) % N 来决定 key 属于那份文件。

· KVSvr 加载哪些文件是由一致性哈希决定的，角色相同的 KVSvr 会加载相同一批在扩缩容的时候，数据腾挪的单位是文件。

· 由于这个一致性哈希只有 2400 个节点，当 2400 不能被 sect 内机器数量整除时，会出现比较明显的负载不均衡的情况。所以 FeatureKV 的 sect 内机器数得能够整除2400。还好 2400 是一个幸运数，它 30 以内的因数包括 1,2,3,4,5,6,8,10,12,15,16,20,24,25,30 ，已经可以满足大部分场景了。

· 上图是 N=6 时候的例子，Part_00[0-5] 表示 6 份数据文件。从 RoleNum=2 扩容成 RoleNum=3 的时候，只需要对 Part_003 和 Part_005 这两份文件进行腾挪，Part_005 从 Role_0迁出至 Role_2，Part_003 从 Role_1 迁出至 Role_2。

· 由于现网所用的 N=2400 ，节点数较少，为了减少每次路由的耗时，我们枚举了 RoleNum<100 && 2400%RoleNum==0 的所有情况，打了一个一致性哈希表。

3. 系统扩展性

· FeatureKV 的 FKV_WFS 上存有当前可用版本的所有数据，所以扩容导致的文件腾挪，只需要新角色的机器从 FKV_WFS 拉取相应编号的文件，旧角色机器的丢弃相应编号的文件即可。

· 当 BatchSize 足够大的时候，一次 BatchGet 的 rpc 数量等价于 Role 数量，这些 rpc 都是并行的。当 Role 数量较大时，这些 rpc 出现最少一个长尾请求的概率就越高，而 BatchGet 的耗时是取决于最慢一个 rpc 的。上图展示了单次 rpc 是长尾请求的概率是 0.01% 的情况下，不同 Role 数量情况下的 BatchGet 长尾概率，通过公式 1 - (0.999^N) 计算。

· 增加 Sect（读性能扩容）：

· 每个 Sect 都有全量的数据，增加一个 Sect 意味着增加一个只读副本，可以达到读性能扩容的效果。

· 由于一个 BatchGet 只需要发往一个 Sect ，RPC 数量是收敛的，不会因为底下的 KVSvr 有 200 台而发起 200 次 RPC。这种设计可以降低 BatchGet 操作的平均耗时，减少长尾请求出现的概率。

· 增加 Role（存储容量 读性能扩容）：

· 假设每台机的存储能力是相等的，增加 Role 的数量便可以增加存储容量。

· 由于整个模块的机器都多了，所以读性能也会增加，整个模块在读吞吐量上的扩容效果等价于增加 Sect。

· 但当 Role 数量较大时，一次 BatchGet 涉及的机器会变多，出现长尾请求概率会增大，所以一般建议 Role 的数量不要超过30。

· 增加 DataSvr（写性能扩容）：

· DataSvr 是一个无状态服务，可以做到分钟级的扩容速度。

· 底下的写任务是分布式的跑，一次写会切分为多个并行的 job，增加 DataSvr 的实例数，可以增加整个模块的写性能。

· 数据迁移都是以文件为级别，没有复杂的迁移逻辑，不考虑灰度流程的话，可以在小时级完成，考虑灰度流程一般是一天内。

4. 系统容灾

· KVSvr 侧：

· 每个 Sect 的机器是部署在同一个园区的，只需要部署 2 个 Sect 就可以容忍一个园区的机器故障。

· 具体案例：2019年3月23号，上海南汇园区光缆被挖断，某个 featurekv 有 1/3 的机器在上面，故障期间服务稳定。

· 故障期间部分 RPC 超时，导致长尾请求增加。但是换机重试之后大部分请求都成功了，最终失败出现次数很低。后续全局屏蔽了南汇园区的机器之后，长尾请求和最终失败完全消失。

· DataSvr/WFS 侧：

· 即便这两部分整个挂掉， FeatureKV 的 KVSvr 还是可以提供只读服务，对于大部分 定时批量写、在线只读 的场景，这样已经足够了。

· 具体案例：2019年6月3号，某个分布式文件系统集群故障，不可用9小时。某个 featurekv 的 USER_FS 和 FKV_WFS 都是这个集群。故障期间业务方的输出产出流程也停止了，没有产生写任务。整个故障期间，featurekv 的读服务稳定。

十亿每秒的挑战 在线读服务的具体设计

1. KVSvr 读性能优化

为了提高 KVSvr 的性能，我们采取了下面一些优化手段：

· 高性能哈希表：针对部分数据量较少、读请求很高的数据，FeatureKV 可以用 MemTable 这一个全内存的表结构来提供服务。Memtable 底层实现是一个我们自己实现的只读哈希表，在 16 线程并发访问的时候可以达到 2800w 的 QPS，已经超过了 rpc 框架的性能，不会成为整个系统瓶颈。

· libco aio：针对部分数据量较大、读请求要求较低的数据，FeatureKV 可以用 BlkTable 或 IdxTable 这两种表结构来提供服务，这两表结构会把数据存放在 SSD 中。而 SSD 的读性能需要通过多路并发访问才能完全发挥。在线服务不可能开太多的线程，操作系统的调度是有开销的。这里我们利用了 libco 中对 linux aio 的封装，实现了协程级的多路并发读盘，经过压测在 value_size 是 100Byte 的情况下，TS80A 上 4 块 SSD 盘可以达到 150w /s 的QPS。

· 数据包序列化：在 perf 调优的过程中，我们发现 batch_size 较大的情况下（ctrfeaturekv 的平均 batch_size 是 4k ），rpc 数据包的序列化时耗时会较大，所以这里我们自己做了一层序列化/反序列化，rpc 层的参数是一段二进制 buffer。

· 数据压缩：不同业务对数据压缩的需求是不一样的，在存储模型的场景，value 会是一段浮点数/浮点数数组，表示一些非 0. 特征。这时候如果用 snappy 这类明文压缩算法，效果就不太好了，压缩比不高而且浪费 cpu。针对这类场景，我们引入了半精度浮点数（由 kimmyzhang 的 sage 库提供）来做传输阶段的数据压缩，降低带宽成本。

2. 分布式事务 BatchGet 的实现

· 需求背景：更新分为全量更新和增量更新两种，一次更新包括多条数据，每次更新都会让版本号递增，BatchGet 也会返回 多条数据。业务方希望这些更新都是事务的，BatchGet 的时候如果一个更新没有全部执行完，那就返回上一个版本的数据，不能返回半新半旧的数据。

· RoleNum=1 的情况：

· 数据没有分片，都落在同一台机器上，我们调研后发现有这么两种做法：

· MVCC: 多版本并发控制，具体实现就是 LevelDB 这样的存储引擎，保存多版本的数据，可以通过 snapshot 控制数据的生命周期，以及访问指定版本的数据。这种方案的数据结构需要同时支持读写操作，后台也得有线程通过清理过期的数据，要支持全量更新也是比较复杂。

· COW: 写时复制，具体的实现就是双 Buffer 切换，具体到FeatureKV的场景，增量更新还需要把上一个版本的数据拷贝一份，再加上增量的数据。这种方案的好处是可以设计一个生成后只读的数据结构，只读的数据结构可以有更高的性能，缺点是需要双倍的空间开销。

·

·

· 为了保证在线服务的性能，我们采用了 COW 的方式，设计了 第一部分 中提到了只读哈希表，来做到单机的事务 BatchGet。

· RoleNum>1 的情况：

· 数据分布在不同机器，而不同机器完成数据加载的时间点不一样，从分布式的角度去看，可能没有一个统一的版本。

· 一个直观的想法，就是保存最近N份版本，然后选出每个 Role 都有的、最新的一份版本。

· N 的取值会影响存储资源（内存、磁盘）的开销，最少是2。为了达到这个目的，我们在 DataSvr 侧加入了这么两个限制：

· 单个表的更新是串行的。

· 写任务开始结束之前，加多一步版本对齐的逻辑，即等待所有的 kvsvr 都加载完最新的版本。

· 这样我们就可以在只保留最近 2 个版本的情况下，保证分布式上拥有一个统一的版本。在 COW 的场景下，只要把另外一个 Buffer 的数据延期删除（直到下次更新才删），就可以了保留最近 2 个版本了，内存开销也不会变大。

拥有全局统一的版本之后，事务 BatchGet 应该怎么实现呢？

· 先发一轮 rpc 询问各 role 的版本情况？这样做会让QPS翻倍，并且下一时刻那台机可能就发生数据更新了。

· 数据更新、版本变动其实是很低频的，大部分时刻都是返回最新一个版本就行了，并且可以在回包的时候带上 B-Version （即另外一个 Buffer 的版本），让 client 端在出现版本不一致的时候，可以选出一个全局统一的版本 SyncVersion，再对不是 SyncVersion 的数据进行重试。

· 在数据更新的时候，数据不一致的持续时间可能是分钟级的，这种做法会带来一波波的重试请求，影响系统的稳定性。所以我们还做了一个优化就是缓存下这个 SyncVersion ，每次 BatchGet 的时候，如果有 SyncVersion 缓存，则直接拉取 SyncVersion 这个版本的数据。

3. 版本回退

· 每个表的元数据中有一个回退版本字段，默认是0表示不处于回退状态，当这个字段非0，则表示回退至某个版本。

· 先考虑如何实现版本回退：

· 考虑简单的情况，一个表每次都是全量更新。那么每次让都是让 KVSvr 从 FKV_WFS 拉取指定版本的数据到本地，走正常的全量更新流程就好了。

· 然后，需要考虑增量的情况。如果一个表每次更新都是增量更新，那么回退某个版本 Vi，就需要把 V1 到 Vi 这一段都拉到 KVSvr 本地，进行更新重放，类似于数据库的 binlog，当累计了成千上万的增量版本之后，这是不可能完成的事。

· 我们需要有一个异步的 worker，来把一段连续的增量，以及其前面的全量版本，合并为一个新的全量版本，类似 checkpoint 的概念，这样就可以保证一次回退不会涉及太多的增量版本。这个异步的 worker 的实现在 DataSvr 中。

· 更进一步，这里有一个优化就是如果回退的版本在本地双 Buffer 中，那么只是简单的切换一下双 Buffer 的指针就好，可以做到秒级回退效果。实际上很多回退操作都是回退到最后一个正常版本，很可能是上一个版本，在本地的双 Buffer 中。

· 处于回退状态的表禁止写入数据，防止再次写入错误的数据。

· 再考虑如何解除回退：

· 解除回退就是让某个表，以回退版本的数据继续提供服务，并且以回退版本的数据为基础执行后续的增量更新。

· 直接解除回退状态，现网会先更新为回退前的版本，如果还有流量的话则会读到回退前的异常数据，这里存在一个时间窗口。

· 数据的版本号要保证连续递增，这一点在数据更新的流程中会依赖，所以不能简单粗暴的删除最后一段数据。

· 为了避免这个问题，我们借用了COW的思想，先复制一遍。具体的实现就是把当前回退的版本，写出一个全量的版本，作为最新的数据版本。

· 这一步需要点时间，但在回退的场景下，我们对解除回退的耗时要求并不高。只要回退够快，解除回退是安全的，就可以了。

十亿每小时的挑战 离线写流程的具体设计

1. 背景

· DataSvr 主要的工作是把数据从 USER_FS 写入 FKV_WFS，在写入过程需要做路由切分、数据格式重建等工作，是一个流式处理的过程。

· FeatureKV 中目前有三种表结构，不同的表结构在写流程中有不一样的处理逻辑：

· MemTable: 数据全内存，索引是无序的哈希结构，容量受限于内存，离线写逻辑简单。

· IdxTable: 索引全内存，索引是有序的数组，Key量受限于内存，离线写逻辑较为简单，需要写多一份索引。

· BlkTable: 块索引全内存，索引是有序的数据，记录着磁盘中一个 4KB 数据块的 begin_key 和 end_key，容量没限制，离线写流程复杂，需要对数据文件进行排序。

2. 单机的 DataSvr

· 一开始，我们只有 MemTable，数据都是全内存的。MemTable 的数据最大也就 200 GB，这个数据量并不大，单机处理可以节省分布式协同、结果合并等步骤的开销，所以我们有了上面的架构：

· 一次写任务只由一个 DataSvr 执行。

· Parser 每次处理一个输入文件，解析出 Key-Value 数据，计算路由并把数据投递到对应的 Que。

· 一个 Sender 负责处理一个 Que 的数据，底下会对应多份 FKV_FS 的文件。FKV_FS 上的一个文件只能由一个 Sender 写入。

· 总的设计思想是，让可以并行跑的流程都并行起来，榨干硬件资源。

· 具体的实现，加入了很多批量化的优化，比如对FS的IO都是带 buffer 的，队列数据的入队/出队都是 batch 的等，尽量提高整个系统的吞吐能力。

· 最终，在台 24 核机器上的写入速度可以达到 100MB/s，写入 100GB 的数据只需要 20 分钟左右。

3. 分布式的 DataSvr

· 再往后，FeatureKV 需要处理十亿级Key量、TB级的数据写入，因此我们加入了 IdxTable 和 BlkTable 这两种表结构，这对于写流程的挑战有以下两点：

· 生成的数据需要有序，只有有序的数据才能做到范围索引的效果，让单机的key量不受内存限制。

· TB 级的写速度，100MB/s 是不够用的，写入 1TB 需要接近 3 小时的时间，并且这里是不可扩展的，即便有很多很多机器，也是 3 小时，这里需要变得可以扩展。

· 先考虑数据排序的问题：

· 我们得先把数据切片跑完，才能把一个 Part 的数据都拿出来，对数据进行排序，前面的数据切片类似于 MapReduce 的 Map，后续的排序就是 Reduce，Reduce 中存在着较大的计算资源开销，需要做成分布式的。

· Map 阶段复用上述的单机 DataSvr 逻辑，数据切分后会得到一份临时的全量结果，然后实现一个分布式的 Reduce 逻辑，每个 Reduce 的输入是一份无序的数据，输出一份有序的数据及其索引。

· 这种做法有一次全量写和一次全量读的额外开销。

· 具体的流程如下图所示，DATASVR SORTING 阶段由多台 DataSvr 参与，每个浅蓝色的方框表示一个 DataSvr 实例。

· 再考虑大数据量情况下的扩展性：

· 参考上图，现在 DataSvr 的排序阶段其实已经是分布式的了，唯一一个单点的、无法扩容的是数据切片阶段。

· 实现分布式的数据切片，有两种做法：

i 一是每个 DataSvr 处理部分输入的 User_Part 文件，每个 DataSvr 都会输出 2400 个切片后的文件，那么当一次分布式切片有 K 个 DataSvr 实例参与，就会生成 2400 * K 个切片后的文件，后续需要把相同编号的文件合并，或者直接作为排序阶段的输入。

ii 二是每个 DataSvr 负责生成部分编号的 FKV 文件，每次都读入全量的用户输入，批处理生成一批编号的 FKV 文件。

· 第一种做法如果是处理 MemTable 或者 IdxTable，就需要后接一个 Merging 过程，来把 TMP_i_0, TMP_i_1, TMP_i_2 ... 合并为一个 FKV_i。而处理 BlkTable 的时候，由于其后续是有一个 Sorting 的逻辑的，只需要把 Sorting 的逻辑改为接受多个文件的输入即可。故这种做法的坏处是在数据量较少的时候，MemTable 或者 IdxTable 采用分布式数据切片可能会更慢，Merging 阶段的耗时会比分布式切片减少的耗时更多；

· 第二种做法生成的直接就是 2400 个文件，没有后续 Merging 流程。但它会带来读放大的问题，假设数据被切分成为 T 批，就会有 T-1 次额外的全量读开销。在数据量大的情况下，批数会越多，因为排序的数据需要全部都进内存，只能切得更小；

· 在小数据场景，单机的数据分片已经足够了，所以我们选用了第一种方案。

· 是否分布式切分，是一个可选项，在数据量较小的情况下，可以不走这条路径，回到单机 DataSvr 的处理流程。

· 最终，我们得到了一个可以线性扩展的离线处理流程，面对10亿、1TB数据的数据：

· 在实现 BlkTable 之前，这是一个不可能完成的任务。

· 在实现分布式数据切片之前，这份数据需要 120min 才能完成写入。

· 现在，我们只需要 71min 便可以完成这份数据的写入。

· 上面这一套流程，其实很像 MapReduce，是多个 Map, Reduce 过程拼接在一起的结果。我们自己实现了一遍，主要是基于性能上的考虑，可以把系统优化到极致。

现网运营状况

· FeatureKV 在现在已经部署了 10 个模块，共 270 台机，业务涉及看一看，搜一搜，微信广告，小程序，微信支付，数据中心用户画像，附近的生活，好物圈等各类数业务，解决了离线生成的数据应用于在线服务的痛点问题，支撑着各类数据驱动业务的发展。

· 最大的一个模型存储模块有210台机：

· 11亿特征/s: 日均峰值 BatchGet 次数是29w/s，平均 BatchSize 是 3900，模块压测时达到过 30亿特征/s。

· 15ms: 96.3% 的 BatchGet 请求在 15ms 内完成，99.6% 的 BatchGet 请求在 30ms 内完成。

· 99.999999%：99.999999% 的事务 BatchGet 执行成功。

· 微信广告基于 FeatureKV 实现个性化拉取 个性化广告位置，推荐策略能够及时更新。相比于旧的方案，拉取量和收入都取得了较大的增长，拉取 21.8%，收入 14.3%。

· 微信支付在面对面发券以及支付风控中都有用 FeatureKV，存储了多份十亿级的特征，之前一天无法更新完的数据可以在数小时内完成更新。

总结

一开始，这类定时批量写、在线只读的需求不太普遍，一般业务会用 PaxosStore 或者文件分发来解决。

但随着越来越多的应用/需求都与数据有关，这些数据需要定期大规模输入到在线服务当中，并需要很强的版本管理能力，比如用户画像、机器学习的模型(DNN、LR、FM)、规则字典，甚至正排/倒排索引等，因此我们开发了 FeatureKV 来解决这类痛点问题，并取得了良好的效果。

,