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；

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；

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；

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，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；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；

* 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；

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。

     

---

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

---

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

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。

---

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