2012年5月30日星期三

《大规模web服务开发技术》阅读笔记

《大规模web服务开发技术》阅读笔记

第5课 大规模数据处理的难点 -- 内存和磁盘

单台Linux服务器瓶颈分析

1、查看平均负载

用top、uptime命令查看平均负载;

1、平均负载很低,系统吞吐量无法提升 --------->检查软件设置是否异常,网络、主机是否存在故障

2、平均负载很高,用sar或vmstat命令查看cpu使用率和I/O等待率

2、确认CPU、I/O是否存在瓶颈;

>如果是CPU负载过高:

1、使用sar或top命令确认是用户程序的瓶颈还是系统程序的问题;

2、用ps命令查看可见进程的状态和CPU使用时间,进一步确认问题进程;

3、确定进程后,使用strace进行跟踪或用oprofile进行剖测;

如果是排除程序失控、磁盘、内存处于理想状态,则需要增加服务器、改善程序逻辑和算法;

>如果是I/O负载过高:

多半是程序发出的I/O请求过多导致负载过高或者是发生页面交换导致频繁访问磁盘,使用sar或vmstat确认交换区状态;

如果是发生页面交换引起:

1. 用ps确认是否有进程消耗了大量内存

2. 如果是程序问题消耗大量内存的,需要改进程序;

3. 如果是因为内存安装不足,则增加内存,无法增加内存的情况,需要考虑分布式

如果不是发生页面交换引起(可能是用于缓存的内存不足):

1.如果增加内存可以扩大缓存,则增加内存;

2.如果增加内存还是无法解决问题,则考虑分布式或增加缓存服务器;


第6课:可扩展的要点

CPU负载的扩展(较简单)

    1、增加相同结构的服务器,通过负载均衡器来分散;

    2、如:web应用服务器、网络爬虫等;

I/O负载的扩展(较复杂) 

1、借助数据库

2、大规模数据


            第7课:处理大规模数据的基础知识

            处理大规模数据的三个重点:
                 写程序的技巧:

                *  尽量在内存中完成,:将磁盘寻道次数降到最低;可以实现分布式,有效利用局部性;

                * 使用能应对数据量增加的算法,例如:线性搜索 -->二叉树搜索,O(n) -->O(logn)

                * 有时可以利用数据压缩和搜索的技术

            处理大规模数据之前的三大前提知识:

                * 操作系统的缓存
                * 以分布式为前提应用RDBMS时必须要做的事情
                * 大规模环境中的算法和数据结构


            第9课:降低I/O负载的策略

            以缓存为前提,降低I/O负载的策略:

                * 如果数据规模小于物理内存,则全部缓存;
                * 如果数据规模大于物理内存,可以考虑数据压缩(使用数据压缩,在从缓存中读取时是否要进行解压,这是否会增加计算负载呢?);
                * 如果数据规模大于物理内存 ,可以就是扩展到多台服务器。为分散CPU负载,只需要简单增加服务器,为分散I/O负载,需要考虑局部性;
                * 考虑经济成本的平衡性

            linux页面缓存策略:(只要可能linux就会把空闲的内存用作页面缓存使用)

                1. 从磁盘读取数据
                2. 如果数据在缓存中不存在且有空闲的内存
                3. 建立新的缓存
                4. 如果没有空闲内存供缓存使用,则替换旧的缓存
                5. 进程要求分配内存时,其优先级高于页面缓存;

            52design.com_3d_07服务器刚启动时,不要投入生产环境,因为建立缓存需要时间,如果在没有缓存的情况下,大规模的访问造成频繁的读写磁盘,可能会引起宕机;启动后要将经常使用的数据库文件cat一遍,使其放入缓存中;

            png-0023如何cat?


            第10课:利用局部性的分布式
            所谓局部性就是Locality,根据访问模式实施分布式;

            image
            我理解是按一定的业务规则将访问进行分流,这样单台服务器只要保存对应规则部分的缓存数据即可,png-0023那么应用请求分配由谁来完成呢?是LVS?

            常用的局部性分布式技术是:Partitioning(分区)
            简单的说就是将一个数据库分割到不同的机器上,

                * 最简单的分割方法:以表为单位分割,比如表A、B在机器1上,表C、D在机器2上;分割原则是看表的容量和机器缓存容量的匹配上;png-0023这样的分割是否意味着不同机器的表之间必须是弱关系的,不能有关联的需求?

                * 有一种分割方法是从数据中间进行分割,即对一个表,比如根据ID的起始字母:a-c在机器1,d-f在机器2等;

                * 还有一种特别的分割方法是根据业务用途,将数据分割成“数据岛”;例如Hatena BookMark是根据HTTP请求的User-Agent和URL进行分离的,例如:一般用户分配到岛1,部分API请求分配到岛2,Google bot、Yahoo!等爬虫分配到岛3;

            image

                * 使用局部性的分布式,要求应用程序做相应的修改,同时存在的问题是:如果需要改变分割粒度,需要将数据合并一次后再进行分割,比较麻烦;

             


            第11课:正确应用索引 ----分布式MySQL应用的大前提

                * 在设计大数据量的表时,尽量紧凑一些,让记录尽可能的小,因为表结构稍微有错误,数据量就会以GB的单位递增;

                * 要注意表设计过程中对冗余列的处理,如果一个表包含冗余列,会浪费存储空间,如果将冗余列分割到另一个表,也许会节省空间(不一定,需要评估),但同时也增加了查询的复杂度,因此在时间和空间的取舍上要进行衡量;

                * MySQL中建立索引的数据结构就是B树的变种B+树,B树可以通过调整节点数参数M,使得每个节点的大小在4KB,从而使得磁盘寻道次数和节点访问次数相同;而二叉树是固定为2个节点,因此不具备这样的调节能力;

                * 从理论上,B(+)树的复杂度为Olog(n),而线性搜索的复杂度为O(n)

             

            Mysql索引的规则:

                * where、order by、group by中指定的列会使用索引

                * 何时索引有效?明确添加的索引、主键,UNIQUE约束;

                * 想同时应用多个列上的索引,就必须使用复合索引;

                * 确认索引是否有效的命令:explain

             


            第12课:MySQL的分布式 -- 以扩展为前提的系统设计

            MySQL的Replication:

                * master/slave的架构;
                * 查询发给slave,更新发给master;通过ORM来控制;
                * slave前面放负载均衡器,如:LVS 、MySQL Proxy,从而将查询分散到多台服务器上;

            image

            Master/Slave的特征:

            查询可以扩展,只需增加Slave服务器即可,但在增加前添加适当的内存;

            Master无法扩展,虽然web应用90%以上是读操作,但如果需要扩展,则需要通过对表进行分割或更换实现方法;

            • 进行表分割:分散写入操作,将数据文件分散到同一机器的不同磁盘上或不同的机器上
            • 不使用RDBMS,采用key-value存储结构,如:Tokyo Tyrant、Redis

            第13课:MySQL的横向扩展和Partitioning

             以Partitioning为前提的设计

            例如表entry和表tag是一对多的关系,如果要取出包含标签“perl”的书签,需要使用JOIN查询,将两个表关联。但是如果entry和tag表放在不同的机器上,MYSQL就无法实现JOIN(MySQL的FEDERATED表可以实现),只有通过先查找包含“perl”标签的记录,再到entry表中根据eid找对应的entry记录。因此,JOIN查询只能在保证表以后不会被分割到不同机器上的前提下才能使用。

            利用where…in…来避免JOIN

            select  url from entry INNER JOIN bookmark on entry.eid = bookmark.eid where bookmark.uid = 169848 limit 5;

            =>

            select eid from bookmark where uid = 169848 limit 5;

            select url from entry where eid in (0,4,5,6,7);


            第14课:特殊用途索引----处理大规模数据

            问题:当数据规模超过RDBMS的处理能力时怎么办?

            方法:利用批处理操作从RDBMS中提取出数据,建立索引服务器之类的,再让WEB应用程序通过RPC等访问索引服务器。

            image      image


            第30课:云 vs 自行构建基础设施

            Amazon EC2 (Amazon Elastic Compute Cloud),是不负责储存的,储存由S3 (Amazon Simple Storage Service)服务负责,所以得有脚本每次重启时从S3恢复数据库

            Amazon S3 (Amazon Simple Storage Service)

            Google App Engine

            Microsoft Windows Azure

             

            image


            第31课:层和可扩展性

            一台服务器的处理能力大概为100万~200万PV(page views)/月左右  4核CPU,8G内存

            各层可扩展性:

                    应用程序服务器,配置相同,不持有状态,容易扩展

                   数据源(数据库服务器、文件服务器):read的分布式容易,write 的分布式难


            第33课:保证冗余性

            应用程序服务器:

                增加服务器数量

                用负载均衡器实现失败转移和失败恢复

            image

            数据库服务器:

            Multi-master:是今年Mysql服务器构建的主要方法。该架构中,服务通常是两台,组成Active/Standby结构。其中,一台是Active,另一台是Standby,通常只向Active写数据。一旦Active停机,Standby通过VRRP协议监视到这一情况,即把自己提升为Active,变成新的master。而停机的那台经过人工修复后变成Standby,或恢复为原来的结构。为了从外部判断哪台是Active,需要用到虚拟IP(VIP),即Active服务器除了原有的IP地址,还会被分配一个服务用的虚拟IP地址。应用程序服务器始终访问这个虚拟IP。切断时将这个虚拟IP分配给新的Active。从而实现master的透明切换。

            image


            第38课:网络的分界点

            PC路由器的极限:超过1Gbps(30pps,即每秒30万包数据,按每包300字节算,为1Gbps)

            一个子网的极限:500台主机

            一个数据中心无法实现全球化

            CDS:(Content Delivery Network),基本原理就是在世界各地放置服务器,将媒体文件缓存后,用户就可以从最近的服务器下载了。

            如:Amazon CloudFront


            TAG: