数据规模超 1PB ！揭秘网易游戏规模化 TiDB SaaS 服务建设

文/网易 田维繁

我主要和大家分享网易游戏在规模化 TiDB SaaS 服务运维以及处理高并发业务方面的实践经验。我的介绍将围绕三个核心方面展开：

• 首先是对网易游戏 DB SaaS 服务的概览。
• 其次是我们在实施 TiDB SaaS 服务过程中的具体做法。
• 最后是针对高并发请求业务的优化措施和问题解决方案。

一、数据库现状

我们为网易游戏及其周边服务提供一站式数据库管控服务

1. 平台服务层， DMS 负责数据维护和治理，DTS 负责数据库之间的数据迁移，比如 MySQL 到 TiDB 之间的迁移以及到kafka迁移等。DaaS，主要负责服务管理，包括调度和备份。
2. 在数据库服务层面，提供了包括 MongoDB、Redis、MySQL、TiDB等在内的多种 数据库SaaS 服务。根据最新的统计数据，TiDB 集群的数量已超过 100 套，TiDB 的数据总规模超过了 1PB，在网易游戏中的应用中已经达到了相当的规模和深度。

二、TiDB 在网易游戏使用场景

TiDB在网易游戏的应用场景非常广泛和复杂。包括基础架构服务、云存储、内部管理和质量治理等 OLTP 场景；以及上游是 MySQL，下游TiDB 作为读扩展的业务场景；重 OLAP 场景下的业务，比如使用 TiSpark 直接请求 PD 进行报表统计计算；利用 TiDB 的横向扩展能力， 进行数据归档

三、TiDB SaaS 平台服务介绍

3.1 套餐定制

针对多样化的业务场景，我们提供定制化的服务套餐，以满足不同计算和存储需求。我们的SaaS服务根据具体的业务需求，设计了多种专属套餐。

• 高并发请求的 OLTP 场景，如游戏服务，我们推出了高性能套餐。例如，18 核 CPU 和 180GB 内存的配置，专为满足高并发业务需求而设。
• 高存储套餐，主要针对大型业务场景的数据归档需求，同时兼容 OLAP 业务需求。
• 普通套餐适用于常规业务场景，常规的的 TP 和 AP 业务。
• 测试套餐，采用较小规格 6C 主机或云虚拟机，以支持业务的测试和验证环境。

3.1.1 虚拟化与资源隔离

资源隔离有几个点需要考虑

1. CPU隔离

• 不同实例使用不同cpu资源
• 实例间使用cpu互不影响

2. 内存隔离

• 不同实例使用不同的内存段
• 实例间使用内存互不影响

3. 磁盘IO隔离

• 独占实例间使用不同的磁盘
• 独占实例间磁盘互不影响
• 独占实例可以动态进行扩容

4. 虚拟节点请求独立

• 实例间的进程和数据互不可见
• 实例有独立的请求入口
• 实例间安装的依赖包互不依赖互不可见

在实施套餐定制后，我们对节点进行虚拟化处理。在此过程中，资源隔离至关重要。我们采用轻量级LXC虚拟化技术，以实现 CPU 和内存的有效隔离。对于 IO 密集型节点，例如 TiKV 节点，我们在 SSD 盘上创建不同的 LVM，并将其挂载至不同虚拟机下，确保磁盘响应的独立性。至于网卡流量隔离，得益于多张万兆网卡的配置，通常流量不会成为限制因素。

3.1.2 套餐升级

平台支持套餐升级，以适应业务量的增长。如果需要从标准套餐升级至更高性能的套餐，会根据宿主机的资源情况，提供动态扩容服务。包括动态调整CPU、内存和磁盘资源。若宿主机资源不足，后端服务将执行节点的增加和删除操作。虽然这一过程可能较长，但通过新增节点、负载均衡后再删除旧节点，确保整个升级过程的顺利进行。

3.2 备份

3.2.1 快照备份

在 TiDB SaaS 平台上，备份快照服务扮演着至关重要的角色。尤其在 OLTP 场景中，快速备份和恢复的能力对于数据回档等操作至关重要。用户可以通过简单的操作，在进行游戏维护或其他业务操作时，实现整个系统的完整备份，而不会对业务流程造成任何干扰。

快照服务使用 LVM 技术来创建 snapshot，用户只需一键操作，即可生成快照并继续进行其他任务，无需等待复杂的备份流程完成。根据需要，生成的快照可以被复制到备份盘，或者上传至 S3 存储，这一过程完全由用户自行选择。这样的设计使得备份过程轻量且快速，对业务的影响降到最低。

然而，快照备份作为一项可选操作而非默认备份方式，是因为它存在一些局限性。例如：

l 可能会造成一定的空间浪费，因为数据盘需要预留空间给 snapshot；

l 不支持库表级别的备份；

l 恢复时，必须在相同规模的 TiKV 节点集群中进行

尽管如此，快照备份仍然满足了一部分业务需求。

3.2.2 BR 备份

我们也提供 TiDB 官方的 BR 备份作为常规备份方式。BR 备份操作简便，直接备份至远程 S3 存储。我们广泛使用公有云服务，如 AWS、GCP、阿里云和微软云等，对于支持 S3 的云服务，我们直接备份至 S3；对于不支持的，则采用快照备份方式。

BR 备份的优点包括灵活简单的备份操作，支持库表级别的备份，以及稳定的 5.0 以上版本。此外，它无需预留数据盘空间，并且恢复过程相对灵活，无需指定同等规模的 TiKV 节点。

3.2.3 恢复过程

对于不同的备份方式，采取不同的恢复策略。

l 快照备份，我们会下载每个节点的备份，然后使用 TiDB 的 recover 工具将其恢复至 TiDB 集群。为防止数据覆盖，我们会为 alloc_id 赋予较大的值，确保恢复过程中数据的完整性。

l  BR 备份的恢复则更为直接，只需从 S3 拉取备份并恢复至 TiDB 集群即可。

通过这些备份与恢复策略，确保了数据的安全性和可靠性，为用户提供了灵活的数据保护解决方案。

3.3 DTS

3.3.1 MySQL 与 TiDB 数据流向的闭环

在 TiDB SaaS 平台中，我们经常需要在 TiDB 集群与 MySQL 之间进行数据同步。为此，我们提供了 DTS 服务，允许用户直接在 MySQL 中指定库表，并根据预设的规则进行同步，如同步特定表、更改库名等，通过我们封装的 DM 服务实现与 TiDB 集群的同步。若需反向同步，即从 TiDB 同步回 MySQL，用户可以通过 TiCDC 服务进行注册，实现指定表的反向同步，确保数据迁移的完整性和正确性。

3.3.2异构数据的同步

此外，我们还支持异构数据的同步。通过 TiCDC，我们可以根据用户定义的规则，将增量或全量数据同步至 Kafka 集群，并进一步同步到其他非关系型数据库。提供了一个全面的异步数据同步解决方案，满足不同数据同步需求。

3.4 定制化监控调度服务

在我们使用的初期，在实际业务的应用中也遇到了很多问题，比如：

•  监控探测不够灵敏：发现探测不够灵敏，业务访问 TiDB 出现严重卡顿情况时，探测没有任何报警
• 热点问题频发：业务热点问题频繁，没有很好的方式去打散，需要人工干预处理
• 空间异常暴涨：长事务或者 TiCDC 异常导致，GC清理异常，空间暴涨
• TiKV leader 频繁抖动：海量 region，PD 根据空间占比进行调度

针对这样的情况，我们也因此打造了定制化的监控调度服务。

• 我们实现了秒级的心跳探测机制，通过简单的写操作来实时监测实例状态，防止实例卡顿无法发现。同时，为了避免单点探测的不准确性，我们采用了多点多次探测策略，大多数情况下只有在多次探测均出现问题时才会触发报警，在一些特殊的业务实例中，我们也会根据敏感性来配置单次探测失败的告警。
• 针对热点问题，我们采取了主动监控和自动处理的策略。监控 TiKV 的 CPU 使用情况，判断是否存在热点。一旦发现热点，会实时查询并尝试 split region。对于使用特定字段作为主键的业务场景，我们会主动打散热点，无需人工干预
• 对于空间异常问题，我们通过监控 GC 的运行状态和长事务来预防空间暴涨。如果 GC 运行不正常或存在长期未提交的事务，我们会及时报警，避免空间异常。
• 针对 TiKV leader 抖动问题，我们虽然不会直接处理，但根据各种可能存在的情况提供了一系列的解决方案。例如，优化 raft-base-tick-interval 参数，开启静默 region，或根据版本加大 region merge 的力度，以减少抖动现象。

四、高并发请求运维实践

4.1 业务背景

接下来分享一些我们在高并发场景下的运维实践。

在处理高并发请求的场景中，我们积累了一系列运维实践经验。以网易内部某项目为例，在业务启动初期，我们预估并发量可能超过 10 万，而实际生产环境中，该业务已达到 36 万 QPS，高峰期甚至超过 40 万。同时，插入和更新操作的数量巨大，高峰期间的 I/O 需求极为严苛。此外，大规模数据的过期清理也对数据库性能构成了挑战。

4.2 前期优化准备

因此，在真正投入使用前的设计阶段，我们就考虑到不仅要从数据库层面，也要从业务角度尽量去优化和避免这些问题。

• 针对大量写入，我们与业务团队合作，确保所有表使用 AUTO_RANDOM 策略来分散热点，减少单个热点的影响。
• 实施了分区表策略，根据业务需求设定过期时间，定期清理过期数据表，以减轻 GC 压力。
• 限制了单个 KV 的 region 数量，以避免过大的 region 导致的性能抖动。

4.3 碰到的问题与解决方案

在业务规划初期，我们遇到了几个主要问题：

• 使用 TiDB 5.1 版本时，GC 清理速度慢，导致数据堆积和空间异常增长，TiKV 节点不断增加，成本过高。
• 单个 TiDB Region 过大，一些更新非常频繁的表单个 region 可达 300G 以上（正常的 region 大小不会超过 96M），影响了数据的备份和升级；以及高并发请求下的raft抖动问题，会导致业务的波动。

为解决这些问题，我们采取了以下措施：

1. 从 TiDB 5.1 升级至 TiDB 6.1.7 版本，优化了 GC 清理效率，减少了 1/4 的空间占用，并降低了成本。
2. 在面对庞大集群的升级任务时，我们无法通过建立新集群并进行数据同步的传统方法来实现。因此，我们采取了滚动升级的策略，确保在新版本经过充分验证后，逐步对集群进行升级。在此过程中，我们会先创建快照，以便在升级过程中出现问题时能够迅速回滚到升级前状态。针对因 Region 过大而无法进行 split 和备份的问题，通常会在业务流量较低的时段，创建一个新的表并将数据迁移过去。然后执行删除操作（drop table），以此来减少 Region 的大小，并允许正常的数据备份和升级流程进行。
3. 关于raft性能抖动，TiDB 6.1 版本会默认开启 raft engine，以降低 raft 平均时延，但随之而来的性能抖动是我们的业务难以接受的，所以我们选择关闭 raft engine，回归到 rocksdb 的默认写入方式，有效解决了性能抖动问题。

通过这些措施，我们确保了在高并发场景下的业务稳定性和数据库性能，为用户提供了更加可靠的服务。