专栏 - TiFlash 存算分离架构踩坑实录

一、背景

TiFlash 的好处和适应范围，这里就不多介绍了，大家都知道 TiFlash 可以极大的提高 AP 类查询的效率，所谓的 HTAP 数据库里 AP 主要就是通过 TiFlash 来实现的，不过 TiFlash 是列存模式，是作为 TiKV 的 Follower 角色来实现的，如果想达到高可用的状态，至少得提供 2 个副本，这样只从存储成本上来讲，相当于存储成本增长了 2/3, 这对很多公司而言，无疑会导致成本大幅度上升。

而 TiFlash 存算分离架构通过把存储转移到 S3 上，可以大幅度降低存储成本的压力，经过一个多月的实战终于将存算分离架构上到了生产中，期间遇到了不少坑，这里给大家总结一下，减少大家可能遇到的问题。

PS：当前 7.5.4/8.1.1 版本的存算分离在查询超大表时候，会出现报错，强烈建议大家使用 7.5.5 之后的版本上生产。详情见： https://asktug.com/t/topic/1035389

二、踩坑记录

1. 不支持对 OSS 设置 Lifecycle

当前 TiFlash 对 OSS 的支持还不够完美，在默认配置参数下，TiFlash 设置 Lifecycle 会报错，导致 merge 或者 split 后的过期文件一直没办法被删除，OSS 上文件个数会一直增多，也会影响查询效率。需要设置参数：

# 默认值是1，通过S3的Lifecycle方式自动清理过期数据。设置为2，可以调整为原始的Scan模式，通过ListObject方式来找到过期数据并删除。
profiles.default.remote_gc_method: 2`

2. Read 节点要调整 TCP 重传次数

需要将操作系统的 net.ipv4.tcp_retries2 从默认值 15 改为 5，tcp_retries2 是指 TCP 异常状态后最大重试的次数，只有重试超时后，才会将 TCP 连接关闭释放资源，从 15 改成 5，可以将重试时间从 910s 左右降低到 20s 左右。

具体原因见之前帖子：

在出现问题时，往往是有查询特大表的 SQL 带来的短时间大量的 S3 网络请求(短时并发能超过 10W)，这种瞬间并发请求可能达到 10 Gb/s，在默认操作系统配置下，刚开始每隔 1、2 天就会有 Read 节点的连接数增长到 100k，且不能自愈，期间业务所有走到 TiFlash 的查询都会被阻塞，会极大的影响业务，并造成雪崩。

3. Write 节点要设置 server.labels

具体原因可以见之前的帖子：TiFlash 存算分离两个 Write 节点的 Region 分布不均匀，这里只贴一下结论：

要设置 TiFlash 副本为 2，并且设置 LOCATION LABELS。一个示例为： ALTER TABLE db1.t1 SET TIFLASH REPLICA 2 LOCATION LABELS "host";

Write 节点要设置 server.labels，这样 LOCATION LABELS 才会生效。

  learner_config:
    server.labels:
      dc: cn-shenzhen-e
      host: write-node-e001
      zone: cn-shenzhen

技术层面的原因是：

为什么会导致分布倾斜？PD 目前没有对象存储使用量的上报口。如果 tiflash 把对象存储的使用量当作 used size 上报，当对象存储的存储量接近本地盘容量的话，会导致 PD 停止调度 region 到那个 store 上。无法达到减少 write node 硬件成本的目的。目前 write node 上报的 store 的使用量按照本地盘算，确实可能会导致调度不均衡。
最终会达到稳态么？TiFlash 的数据分为 Delta 层（新写入的小数据块）和 Stable 层。Delta 层的数据写入后累积达到阈值（一般 100w 行左右）会 Compact 为 Stable 层。Delta 层的数据也会上传 S3，但是本地数据需要等 Compact 为 Stable 层的时候才会清理。Stable 层的数据在上传 S3 之后会清理本地数据。本地的 delta 数据涨到一定程度后，维持在一个稳定的位置。也就是如果数据一直都有大量写入，最终两者会是均衡的，但是如果两者写入速度有差异，一个先写完，另外一个写的比较慢，两者 Local 盘数据量有差异，就会导致这个差异一直存在，两者永远不会均衡。

4. Write 节点的 Local 数据量

先说结论：在极端情况下，Write 节点 Local 磁盘数据最大可能占总数据量的 8%，所以要根据副本数以及总数据量来计算 Local 磁盘的大小。

原理介绍比较复杂，详细可以见官方的代码介绍：

我这里只摘出来关键内容：

单个 Segment 内部进一步按时域分为两层，一层是 Delta Layer（参见 DeltaValueSpace.h），一层是 Stable Layer（参见 StableValueSpace.h ）。可以简单地想象成是一个两层的 LSM Tree：

Delta Layer 及 Stable Layer 在值域上是重叠的，它们都会包含整个 Segment 值域空间中的数据。新写入或更新的数据存储在 Delta Layer 中，定期 Compaction 形成 Stable Layer。其中单个 Segment 内的 Delta Layer 一般占 Segment 内数据的 5% 左右、剩余在 Stable Layer 中。

由于 Delta Layer 主要存储新写入的数据，与写入密切相关，而绝大多数需要读取的数据又在 Stable Layer 中，因此这种双层设计给予了我们分别进行优化的空间，这两层我们采用了不同的存储结构。Delta Layer 主要面向写入场景进行优化，而 Stable Layer 则主要面向读取场景进行优化。

TiFlash 存算分离架构，其实就是把 Stable Layer 的数据放到了 S3 上，Delta Layer 的数据还是在 Write 节点 Local 磁盘保留，而这部分数据最大可占总数据量的 8%。

这个 8% 是怎么得到的呢？其实是通过 TiFlash 对应参数来计算的，默认情况下dt_segment_delta_limit_size / dt_segment_limit_size = 42991616 / 536870912 = 0.08，也就是 8% 了。

文章中的 “定期 Compaction” 其实指的就是这个参数，而并不是真的是根据时间长短来 Compaction 的，如果 Segment 最后一次修改后 Delta Layer 的占比没有达到 dt_segment_limit_size 的阈值，这部分数据就一直不会被上传到 S3，而是保留在 Write 节点磁盘中。这种情况对按照递增主键的表(尤其是分区表) 而言可能很常见，所以我建议定时对分区表的历史分区数据在数据不发生变化后，主动做下 Compaction，具体可见官方介绍：ALTER TABLE COMPACT 。

具体而言，就是定时检查 INFORMATION_SCHEMA.TIFLASH_TABLES 表中 TOTAL_DELTA_ROWS 列来观测 TiFlash 存储引擎上数据整理的进度，优先整理没有写入的历史分区。

ALTER TABLE employees COMPACT PARTITION p202408 TIFLASH REPLICA;

5. Write 节点的机器配置

CPU 可以不用太高，但是强烈建议 16C 以上，太低会影响 TiFlash 副本的同步效率。
内存则不能太低，根据实际数据量要求，会随着数据量的增大而变大，实测下来 810k Region 需要 100G 左右的内存。

TiFlash 存算分离架构踩坑实录