TiDB 是一款开源的分布式关系型数据库，兼容 MySQL 协议，支持水平扩展，具有强一致性和高可用性。它融合了传统关系型数据库与 NoSQL 的优势，支持大规模数据处理，适合处理高并发、复杂查询和大数据存储的场景，广泛应用于金融、互联网等行业。知乎从2019年就开始应用落地TiDB，截止现在知乎的TiDB规模：
TIDB规模总览
对于这种超大规模的TiDB集群，如何更好的让业务使用分布式数据库？以及DBA如何更好的管控TiDB？接下来我将从TiDB生态架构入手展开说明管控TiDB都需要具备哪些工具和能力，然后结合TiDB on K8S 或者TiDB on 物理机这2种不同管控方式选择来展开知乎的具体实践，并且通过平台化能力，从业务研发和数据库管控 2 个方面来落地具体的管控措施，为知乎业务研发赋能。
一、运维管控架构图
首先业务要使用 TiDB这个分布式数据库，就需要深入了解TiDB的生态架构，它包含了各种工具和能力集合体，如下图所示：
TIDB生态架构图
这个 TiDB 生态架构图展示了 TiDB 的整体系统架构和它在不同子系统之间的交互。以下是主要模块和功能的总结：
（1） TiDB Cluster（核心组件）业务程序通过 LVS 或 H5 进行负载均衡组建访问 TiDB Cluster这个无状态的 SQL 处理层，解析 SQL 请求、生成执行计划、调用下层 TiKV 存储来执行查询。TiKV 作为分布式的存储引擎来存储数据，它是一个分布式的、可水平扩展的 Key-Value 存储。PD（Placement Driver）这个“大脑”管理集群的元数据，负责数据的调度、负载均衡等操作，保障了集群的稳定。
（2） 数据迁移与同步要想使用TiDB，需要将数据进行流转，包括使用DM（Data Migration）将数据库表从 MySQL 等其他数据库中迁移数据到TiDB，保证数据的可靠迁移和一致性。另外TiCDC可以将数据变更从 TiDB 集群导出，并且支持与 Kafka、mysql等系统对接，提供实时数据同步。
（3） 运维与监控平台DBDAS 平台是TiDB集群管控不可缺少的一环，TiDB dashboard和TiEM等平台提供了含元信息、热力图、巡检报告、SQL 审计、自动化管理、扩展缩容等功能，简化运维操作。监控是通过 Prometheus、Grafana 对集群进行监控，提供指标数据采集与展示，K8S里面通过TiDB Monitor 组件实现监控功能。
（4） 备份与恢复数据库稳定性比不可少的就是备份/恢复，TiDB 采用 BR（Backup & Restore）进行物理备份和恢复工具，确保在发生故障时能够快速恢复数据。另外 Lightning & Dumpling: 用于快速导入和导出数据，适合数据逻辑备份/恢复场景。
（5） 生态集成Spark 集成: TiDB 与 Spark 集群集成，允许通过 Spark SQL 直连TiKV执行复杂的分布式计算任务。ELK（日志分析）: 通过 Filebeat 收集日志，经过 Kafka、Logstash 传递到 Elasticsearch，最终在 Kibana 上进行可视化展示。
（6） Kubernetes 支持TiDB on K8S是通过 TiDB Operator 来部署和管理 TiDB 集群，支持 Kubernetes 上的自动化运维操作。
（7） 工具集TiUP: TiDB 的集群管理工具，负责集群的安装、升级、扩展等操作。TiBigData、TiFlink、TiRedis 等工具帮助用户在大数据和分布式场景下更好地集成和使用 TiDB。
（8） 安全与审计SQL变更和SQL 审计功能，需要支撑业务日常的在线数据查询以及SQL变更操作，并且进行检测和审计，确保系统中所有操作都有迹可循，保障数据库稳定和数据安全。
总结来说，TiDB 的生态架构具备了从数据库迁移、存储、查询、备份恢复、实时同步、监控运维到大数据计算和日志分析的全方位功能。这种架构充分展示了使用好TiDB需要具备丰富的工具和能力，如何更好的管控TiDB？我们先从TiDB on 云上 or 云下来看。
二、TiDB on Kubernetes OR 物理机？
数据库运行在 Kubernetes（K8S）和物理机上的区别主要体现在灵活性、资源管理、运维复杂度和性能等方面。
- 灵活性与弹性：K8S 提供自动扩展、负载均衡和自愈能力，使数据库能更灵活地响应业务流量波动。相比之下，物理机部署固定资源，弹性扩展较难，需手动调整。
- 资源管理：K8S 提供资源隔离和调度优化，允许数据库与其他应用共享资源。物理机则专注于资源固定分配，难以实现动态调度。
- 运维复杂度：K8S 自动化运维工具（如 TiDB Operator）简化了数据库的部署、升级和故障恢复，而物理机通常需要手动维护和更复杂的操作。
- 性能：物理机通常能提供更高的性能，尤其是对高 I/O 需求的数据库，而 K8S 可能因虚拟化开销导致性能下降。
综合来看，K8S 适合动态、多租户场景，物理机则更适合对性能要求极高的关键任务。TiDB Operator 是 Kubernetes 上的 TiDB 集群自动运维系统，提供包括部署、升级、扩缩容、备份恢复、配置变更的 TiDB 全生命周期管理。借助 TiDB Operator，TiDB 可以无缝运行在公有云或自托管的 Kubernetes 集群上。TiUP 是 TiDB 4.0 版本引入的集群运维工具，通过 TiUP cluster 组件就可以进行日常的运维工作，包括部署、启动、关闭、销毁、弹性扩缩容、升级 TiDB 集群，以及管理 TiDB 集群参数。以下是我整理的2种部署管控工具的对比：
TiDB Operator VS TiUP
总的来说，TiDB Operator 更适合 Kubernetes/云原生 场景，具有强大的自动化和扩展能力。而 TiUP 则适合对 Kubernetes 不熟悉或没有云原生需求的团队，适用于相对简单的部署和运维场景。
三、知乎的选择？
知乎是业内较早研究应用K8S的互联网公司，在容器化方面有较深的积累，基于TiDB集群管控的便利性，知乎选择了TiDB Operator 这个云上的管控工具来较为便利的管控TiDB集群。
TiDB on K8S
四、知乎如何搞定数据库管控？
为了为公司业务研发团队提供分布式数据库（如 TiDB）的选型，数据库架构团队需要从多个方面进行深入的准备和规划。以下是每个方面的详细说明：
（1） 数据库日常运维
- 业务资源申请/删除需求
需求评估与资源分配：团队需要与研发团队紧密协作，评估业务系统对数据库资源的需求，包括存储、计算能力和网络带宽等。应设计标准化的资源申请流程，并确保资源分配合理且具有扩展性。自动化流程：使用工具 TiDB Operator来支持资源的自动申请、分配和删除，确保资源生命周期的高效管理。
- 资源规划&部署
数据库基础服务独立Kubernetes 集群，并且Kubernetes中预留5%以内的计算和存储资源。业务申请经过业务owner+DBA审批通过后，调用TiDB Operator + TiDB-cluster.yaml实现快速部署。
- 扩缩容
根据业务增长、降本需求，修改TiDB-cluster.yaml的replica数量并且应用实现集群的自动扩缩容。扩容一定要提前规划好资源池，以便快速响应业务的高峰期需求，避免因为资源不足影响服务可用性。定期监控数据库容量和性能指标，预警扩容需求。
（2） 数据迁入/迁出根据不同的业务类型和需求来定制化的执行MySQL迁移TiDB的方式，比如大部分都是通过DM工具（支持全量和增量同步，保证数据一致性）来迁移切换，对于一些凌晨从hive写回的结果表(白天数据不变化)，业务双写或者Dumpling导出+Lightning导入即可。当然知乎的业务有需要把TiDB的(T-1)数据当天凌晨导入到hive的需求，这时TiBigDATA这个工具就派上用场了，知乎70%左右的在线表每天凌晨的全量ETL都是采用这个工具。还有一些业务需求是需要将TiDB的实时数据变更，我们使用 TiCDC，支持将 TiDB 中的数据流式同步到 Kafka消息供业务消费。
（3） 数据库稳定性建设
- 数据库备份/恢复
根据业务的核心程度不同，定制实例级别的备份策略，比如S级别业务每天凌晨都用 BR（Backup & Restore） 工具定期备份到S3，并且每天抽样S3备份文件验证数据恢复，保障数据库的稳定性。
- 多云多活
对于核心业务，建议数据库具备多数据中心的多活能力，知乎基于TiDB的Placement-rule策略实现了跨云跨K8S的副本投放，并且通过label+role来控制region leader分布，并且基于这一套架构实现了在线机房的迁移，提高数据库的稳定性。
- 数据库巡检
数据库巡检是数据库稳定性建设必不可少的模块，包括且不限于：库表巡检、SQL巡检、资源巡检、数据库核心指标巡检等等， 自动化巡检能力通过定期进行数据库健康检查，未雨绸膜，提前发现数据库稳定性风险。
（4） 数据库可观测能力
- 业务数据库监控
业务抖动大部分跟DB抖动相关，需要有监控系统如TiDB 的 Prometheus 和 Grafana，实时查看数据库的性能指标，包括 CPU 使用率、内存消耗、磁盘 I/O、查询延迟等，来及时定位问题。业务延迟升高大部分跟慢查询相关，通过 TiDB 的 Slow Query 日志和 SQL 审计 功能，捕捉慢查询，分析业务查询的执行效率，优化数据库性能。另外DBA还利用 ELK（Elasticsearch + Logstash + Kibana） 系统，结合日志采集工具 Filebeat，对数据库日志进行集中管理和分析，在业务抖动问题定位时，日志往往是定位问题的关键。
- 报警
报警如何做到故障时能及时报出警而且又不至于报警轰炸？这时需要定制化的报警策略，根据数据库的性能指标设定报警阈值（如磁盘使用率、节点响应时间等），一旦超出阈值通过电话或企业微信及时通知。并且制定报警的报表，每周周会进行分析查看，并且制定合适的报警策略或者降低非必要报警。
（5）数据库降本增效：FinOps 成本管控知乎通过FinOps成本管控平台来实现业务和资源方的成本使用，首先数据库的成本需要完全分摊给业务方？如何分摊？可以通过给每种资源定价(按套餐、按xx元 GB/天)，制定合理的定价策略来管控业务数据库资源使用，建立数据库资源的成本监控机制，追踪每个业务模块对数据库资源的使用情况，帮助团队实现数据库成本的透明化管理。资源方需要严格管控服务器利用率，比如对于cpu+mem+disk平均都<20%的服务器定期分析数据库资源利用率，避免不必要的资源过度配置，通过 Kubernetes 和 TiDB Operator 的弹性扩缩容功能，动态调整数据库资源，避免资源闲置和浪费。数据库架构团队在为公司业务研发团队提供 TiDB 分布式数据库选型时，需要全方位考虑数据库的基本运维（包括资源管理、自动化部署和扩缩容）、数据迁移、稳定性（如备份与巡检）、可观测性（监控和日志分析）以及成本管控（通过 FinOps 实现降本增效），这些管控工具其实都需要一个平台来承接。
五、知乎数据库平台化建设
知乎通过自研的天穹平台来承接，面向业务研发团队和面向DBA团队的需求和侧重点有所不同。以下是天穹平台对这2个纬度的支撑情况：
1. 面向业务研发团队
业务研发团队主要关注数据库平台的易用性、灵活性和自助服务能力，确保能够快速响应业务需求，提升开发效率。以下是平台化的几个关键点：
- 自助服务能力
- 自助资源申请/下线：研发人员可以通过天穹平台自助申请数据库实例、存储资源、读写分离等服务，而不需要依赖运维团队或 DBA 手动分配。这种自助服务应具有标准化和自动化流程，确保快速响应需求。
- 数据库扩容和缩容：当业务流量波动或业务扩展时，研发团队应能够在平台发起扩缩容变更，平台自动完成资源分配，且能够在不影响服务的情况下进行扩展。
- 工单中心：天穹平台为研发人员提供数据库变更工单中心模块，能够根据不同的业务变更需求自助审批和执行。
天穹平台业务申请TiDB集群
天穹平台TiDB集群详情
天穹平台工单中心
- 数据库操作简化
- SQL 变更支持：提供 SQL 审核工具，研发人员可以通过平台提交 SQL 变更，自动完成语法检查、SQL 审批和执行全流程，并结合业务的数据库规范自动进行审核，避免低效或有风险的 SQL 语句。
- 查询历史与可视化工具：研发人员可以通过平台查看自己提交的 SQL 查询历史、执行计划等信息，帮助优化查询语句，同时应提供可视化工具（如数据表结构、索引等），简化数据库操作。
- 慢查询分析与优化：平台应自动记录慢查询，并为研发团队提供优化建议或提示，帮助他们提高 SQL 语句的执行效率，提升业务系统性能。
天穹平台慢SQL处置中心
- 自助监控面板：为研发团队提供可视化的监控面板，能够实时查看与他们业务相关的数据库性能指标，如查询延迟、CPU 和内存使用情况等。
- 日志查询：支持研发人员查询数据库操作日志，分析执行过的 SQL 查询、报错信息等，帮助诊断问题，提高调试和排查的效率。
- 监控与日志查询
天穹平台监控中心
天穹平台日志中心
2. 面向DBA团队
DBA 团队主要关注数据库平台的稳定性、可观测性和自动化运维能力。平台化应提供便捷的工具来简化日常运维工作，提升数据库的管理和运维效率。以下是面向 DBA 团队的几个关键点：
- 统一集群管理：平台能够集中管理多个数据库集群，包括 TiDB、MySQL、Redis 等，提供统一的操作界面，便于 DBA 快速查看集群状态、健康状况和节点信息。
- 自动化任务调度：对于日常的运维任务（如备份、巡检、扩缩容等），平台支持自动化调度，降低 DBA 的重复性工作负担。例如，使用 TiDB Operator 在 Kubernetes 环境中自动执行备份、升级、扩缩容等操作。
- 故障自动恢复：平台应具备自动化故障处理机制，当节点失效或集群不稳定时，能够自动触发恢复操作，并及时通知 DBA，减少人为干预。
- 统一管理与自动化运维
天穹平台TiDB集群列表
- 监控与预警系统：平台为 DBA 提供深度的数据库监控能力，能够跟踪 CPU 使用、内存消耗、磁盘 I/O、查询延迟、慢查询等指标。结合 Prometheus 和 Grafana，实时监控数据库健康状况，设置合理的告警阈值，提前发现潜在问题。
- 日志管理与分析：集中管理数据库日志，包括错误日志、慢查询日志、SQL 审计日志等。通过整合 ELK（Elasticsearch、Logstash、Kibana）等工具，支持 DBA 对日志进行深度分析，帮助排查问题。
- 数据库巡检：平台自动生成巡检报告，定期评估数据库集群的运行情况，生成包含性能、稳定性、安全性的报告，供 DBA 团队分析，并对潜在问题进行处理，保障数据库稳定性。
- 可观测性与预警
天穹平台统一监控中心
- SQL 审计功能：平台支持 SQL 审计功能，能够记录所有执行的 SQL 语句，帮助 DBA 追踪和分析 SQL 操作，防止潜在的安全风险和数据泄露。
- 访问控制与权限管理：DBA 团队需要通过平台集中管理数据库的用户权限，确保权限分配的最小化原则，防止数据被不当访问或篡改。
- 自动化备份：DBA 团队可以通过平台设置定时备份策略，自动备份数据库到S3。
- 数据恢复工具：平台为 DBA 提供一键恢复功能，支持在灾难发生时快速恢复数据，保障数据安全。同时，应具备详细的恢复日志，帮助 DBA 分析和优化恢复流程。
- 数据库备份与恢复
- SQL 审计与安全管控
天穹平台SQL审计中心
- FinOps 成本管控
资源优化与成本监控：平台帮助 DBA 监控各数据库实例的资源使用情况，评估资源利用率，避免过度配置，提升成本效益。
FinOPS成本监控
总之，面向业务研发团队的数据库平台化重点在于提升自助服务能力，简化数据库操作，提高查询与开发效率，并为研发提供灵活的环境支持。面向DBA团队的数据库平台化则侧重于自动化运维、监控预警、数据备份与恢复、SQL 审计和成本管控，确保数据库的稳定运行和高效管理。通过分别满足研发和 DBA 团队的不同需求，数据库平台化可以为整个企业提供一个高效、稳定、可扩展的分布式数据库解决方案。
六、总结
知乎的数据库团队以“致力于提供稳定、高效和易用的数据库服务”为目标，为公司业务团队提供更好的TiDB存储服务来应对高并发、复杂查询和大数据存储的需求。本文详细介绍了TiDB的生态架构，包括核心组件、数据迁移与同步、运维与监控平台、备份与恢复、生态集成、Kubernetes支持、工具集和安全与审计等方面。同时探讨了知乎如何在云上和云下环境中管控TiDB集群，以及如何通过自研的天穹平台实现数据库平台化建设，提升业务研发团队数据库变更和DBA团队的资源管控效率。