低延迟读写的持久化策略

Question

我正在构建一个应用程序，其中包含以或多或少的交互方式批量标记数百万条记录的功能。用户交互与 Gmail 非常相似，用户可以标记单封电子邮件，或批量标记大量电子邮件。我还需要快速读取这些标签成员身份，并且读取模式或多或少是随机的。

现在我们使用 Mysql 并为每个标签-文档对插入一行。即使进行批量插入和大量优化，将数百万行写入 Mysql 也需要一段时间（高 I/O）。我们需要这是一个交互式过程，而不是批处理过程。

对于我们存储和读取的数据，数据的一致性和可用性并不像性能和可扩展性那么重要。因此，如果在写入过程中发生系统故障，我可以处理一些数据丢失的情况。然而，数据在某些时候肯定需要持久化到辅助存储。

所以，总结一下，有以下要求：

• 低延迟批量写入可能数千万条记录
• 数据需要以某种方式持久化
• 低延迟随机读取
• 不需要持久写入
• 最终一致性没问题

以下是我看过的一些解决方案：

• 写入缓存（Terracotta、Gigaspaces、Coherence），其中记录被写入内存并异步排出到数据库。这些让我有点害怕，因为它们似乎给应用程序增加了一定程度的复杂性，而我想避免这种情况。
• 高度可扩展的键值存储，例如 MongoDB、HBase、Tokyo Tyrant

Answer 1

如果您有预算为此使用 Coherence，我强烈建议您这样做。Coherence 直接支持 write-behind、最终一致性行为，并且对于数据库中断和 Coherence 集群节点中断都具有很好的生存能力（如果您在单独的 JVM 上使用 >= 3 个 Coherence 节点，最好是在单独的主机上）。我已经实现了这一点，为财富 100 强公司的电子商务网站进行大容量 CRM，效果非常好。

该架构的最佳方面之一是，您编写 Java 应用程序代码时就好像没有发生任何后写行为，然后插入使之发生的 Coherence 拓扑和配置。如果您稍后需要更改 Coherence 的行为或拓扑，则无需对应用程序进行任何更改。我知道可能有一些合理的方法可以做到这一点，但这种行为在 Coherence 中得到直接支持，而不是必须发明或手动执行一种方法。

说得更清楚一点——您担心增加应用程序复杂性是一件好事。使用 Coherence，您只需将更新写入缓存（或者如果您使用 Hibernate，它可以是 L2 缓存提供程序）。根据您的 Coherence 配置和拓扑，您可以选择部署应用程序以使用后写式分布式缓存。因此，由于缓存的功能，您的应用程序不会变得更加复杂（并且坦率地说，您没有意识到）。

最后，我在 2005 年至 2007 年实施了上述解决方案，当时 Coherence 由 Tangosol 开发，他们得到了最好的支持。我不确定现在在 Oracle 的领导下情况如何——希望仍然很好。

Answer 2

我曾经参与过一个使用异步写入的大型项目，尽管在这种情况下它只是使用后台线程手写的。您还可以通过将数据库写入进程卸载到 JMS 队列来实现类似的操作。

肯定会加快数据库写入速度的一件事是批量执行它们。JDBC 批量更新可以比单独写入快几个数量级，如果您异步执行更新，则一次只需写入 500 个更新。

Answer 3

根据您的数据组织方式，也许您可​​以使用 分片，如果读取延迟不够低，您也可以尝试添加缓存。Memcache 是一种流行的解决方案。

Answer 4

Berkeley DB 具有非常高性能的基于磁盘的哈希表，支持事务，并在需要时与 Java EE 环境集成。如果您能够将数据建模为键/值对，那么这可能是一个非常可扩展的解决方案。

http://www.oracle.com/technology/products/berkeley-db/je/index.html

（笔记：大约 5-10 年前，Oracle 收购了 berkeley db；最初的产品已经存在了 15-20 年）。