360 私有云平台 MySQL 自动化实现剖析
本文源自 7 月 13 日『高效开发运维』微信群的在线分享，转载请在文章开头注明来自『高效开发运维』公众号。加群学习请关注『高效开发运维』公众号，并点击菜单中的“加群学习”或直接回复“加群”。
HULK 私有云平台 MySQL 服务剖析 -- MySQL 自动化在 HULK 中的实现, 这次的分享题目是：HULK 私有云平台 MySQL 服务剖析 -- MySQL 自动化在 HULK 中的实现。本次分享主要从下面几个方面来介绍：
HULK 私有云平台介绍
现有 MySQL 服务规模
MySQL 服务常用功能展示
各功能模块设计实现思路
新的计划
说起 HULK 私有云平台大家有参加过之前我们同事分享的应该听过，360HULK 私有云平台是奇虎 360 公司内部专属私有云平台，平台涉及云计算、数据库、大数据、监控等众多技术领域。今天要分享的 MySQL 服务就是 HULK 数据库服务中的一种。
这个是 HULK 用户端的首页，而其中数据库服务又集合了 MySQL、Redis、Mongodb、Greenplum、ElasticSearch 等，今天的主角是 MySQL，MySQL 作为基础服务是 DBA 服务体系中的基石，在 HULK 云平台中，MySQL 实例数已经突破 9000+，日访问量超过 200 亿，单份数据量也已经超过了 270TB。
不知道大家跟业务或者 DBA 沟通需求通过什么途径，当年我们没有搞自动化之前，需求沟通占用很大一部分工作时间，并且资源管理、服务部署等都是体力活，往往业务从需求沟通到实例部署完成，都是小时计的，而现在，我们可以做到分钟级，下面是在使用 HULK 平台自动化前后的对比。
实现全部自动化后，业务可以随时随地自助的提交数据库申请，不受时间和外部其他因素困扰，并能快速的投入使用，极大的提高了开发效率。
下面会根据业务在 HULK 上从申请到最终下线，贯串整个流程来演示和分析下各个模块的功能和设计思路。
先看下创建实例，目前我们实例创建做到了全自动，业务之需根据自己业务情况选择对应的套餐、部署 IDC 以及访问数据库的机器列表，即可提交任务，任务提交后自动化完成，时间视部署 IDC 情况在 30 秒到 1 分钟之间。这个是实例申请页面，业务提交完申请，只需要查看工单状态，完成后具体的数据库连接信息会邮件发送。我们底层的任务系统用的自研的 QCMD，后面有机会的话也会在这里和大家分享，本次不做过多介绍。
而要做到这样的全自动，就需要从资源分析控制上入手，怎么合理的分配资源，且能高效的利用，是重点要考虑的问题，下面是我们在做自动化中遇到和解决的几个技术点：
借鉴各个公有云的模式，我们分析了业务的各种需求类型，同时对比我们内部的数据库资源，将数据库实例归类划分为套餐，不同的套餐对应不同的数据库资源，每台服务器也有自己对应的资源总数，实例新建、扩容、下线等都会相应增删不同比例的资源。这样每台服务器理论分配的数据库实例和对应消耗的资源是可控的。
同时，我们对服务器实际消耗的资源进行动态统计分析，并对健康状态进行打分，这样进一步来控制服务器的资源使用。
自动关联监控系统比不可少，第一时间将数据库实例纳入监控体系，并且在管理员维护操作的时候可以灵活启停监控。
对机器资源统计方面我们重点监测下面 7 个点，有一个监测点的值超过了对应阈值则处于不同的状态，在创建实例自动选择机器的时候，将会按照不同的逻辑选择。
实例创建完成，下图是我们默认的数据库架构图，以双 IDC 为例，用 Atlas 作为中间层，提供读写分离，Atlas 已经开源具体可以参考：https://github.com/Qihoo360/Atlas 。 在 Atlas 之上用 LVS 做了一次隔离和负载均衡，其中为了高可用，每个机房的服务节点都是部署多个，避免单点故障。
当单个 Atlas 故障的时候，LVS 检测到异常会直接下线，而当单个从库故障的时候，Atlas 检测到也会下线。 这样在 Atlas 和从库单点故障的时候整个集群还能正常工作，并且不影响业务使用。但是，当主库挂掉的时候，就改我们的故障自动切换 Failover 出场了。
下图是我们主库宕机时的切换流程，我们的故障切换服务 MySQL Failover 实时监控集群状态，当发现主库宕机后，会根据选主逻辑选出新主库、补全数据、重做主从结构然后修改 Atlas 的配置，到此整个切换流程完成，MySQL Failover 重新进入监控状态。正常情况整个故障切换耗时 15s 左右。
说完数据库结构和故障切换，按照正常操作流程业务们该建表、改表、授权、查看监控等操作了，其中授权监控这里就不多赘述了。因为我们平台默认给业务方只有对数据的增删改查权限，所以建表改表需要业务来 HULK 平台操作，针对建表，我们根据运维经验和踩坑实践，总结了 16 个检查项，这里贴出来和大家分享下。
建表语句需要符合一定标准，否则将建表失败，具体审核标准如下：
表结构是否合法；
表名、列明长度超过 16；
必须有 unsigned；
必须为 innodb；
int bigint （10） 不能小于 10；
varchar 长度小于 3000；
text 字段个数不能大于 3；
主键必须为 int 类型；
索引不能有重复；
索引个数不能大于 5 个（包括主键）；
索引字段必须为 not null，并且有 default 值（除自增键外）；
SQL 是否使用到索引；
审核的 SQL 不要包含非审核的表；
SQL 中不能有 *；
自增字段必须为 int 或者 bigint；
请不要使用 MySQL 预留字（Reserved Words）；
下面这个是测试建表的示例。
改表我们用的是 pt-osc（pt-online-schema-change），不过我们最近也在研究 gh-ost https://github.com/github/gh-ost ，对 gh-ost 感兴趣的咱们也可以下来交流。
为了方便业务测试，我们在平台上提供了测试环境，并且将测试环境和线上环境打通，业务可以直接将库表结构在线上和测试之间互导。方便业务测试和上线操作。
优化建议我们平台上目前统计了三类：慢日志、未使用索引、char 字段，其中慢日志收集了执行超过 0.5s 的 sql 以天为单位汇总后使用 pt-query-digest 分析，并将结果展示在 HULK 平台。
未使用索引我们使用了 MySQL5.6 中 PS 库的 table_io_waits_summary_by_index_usage 表的信息，汇总分析出没有被使用到的索引，重复索引会浪费存储空间，同时对数据更新性能也有影响，在一些场景下，还会对查询优化器造成干扰，可谓百害而无一利。
我们另一个优化建议就是 char 字段优化了，好多业务在建表的时候喜欢用 char 类型，但是 char 是固定长度，申请多少就占多少空间，当存入的字符串长度不够的时候会用空格补齐，这样在非定长的字符串存储中 char 会浪费大量的存储空间，所以我们对线上的所有字段定期进行分析汇总，扫描出使用长度远小于申请长度的表和字段，以报表的方式展示给业务，方便业务及时优化，我们建议直接将 char 改为 varchar，除非存储的是定长的比如 md5 之类的字符串，否则全部建议用 varchar。varchar 是可变长度的，实际使用多少就分配多少，额外再用 1-2 字节存储长度，并且超过指定长度还可以继续写入。
大家关心的数据恢复来了，不知道大家有没有这个经历：不小心误操作了需要恢复数据，但是联系 DBA、沟通需求、DBA 数据恢复、业务数据确认、替换上线，这整个流程走下来可能影响已经扩大，况且有可能数据恢复的需求在半夜，这个流程可能又延长很多。出于这种场景的考虑，我们将数据恢复也做成了自动化的任务，业务可以自助随时提交恢复任务，避免沟通确认各个环节浪费宝贵的数据恢复时间。数据可以恢复到 7 天以内任意时间点。看操作流程截图：
业务之需选择需要恢复的库表，选择时间提交任务即可，视数据量大小耗费时间不一，普通的几 G 的数据表，一般分钟级就能恢复，恢复后会生成临时实例，业务去临时实例确认数据无误后就可以一键替换线上，完成数据恢复申请。
前面大家也了解了自动数据恢复，数据恢复依赖于完善的数据备份。我们的备份系统各模块构成如下图：
备份系统特点
全量备份 + 增量备份（binlog），每天都会进行全量备份，同时实时进行 binlog 备份。
4， 2，2，1 策略，即保留最近 4 天每天的全量备份，最近 2 周，最近 2 月，最近 1 年的全量备份binlog 保留最近 60 天。
策略根据当天状态动态刷新，根据从库状态（我们在从库备份），存储状态，网络状态等动态跟新备份策略。
备份失败自动归类，集中处理。备份失败检测模块会将失败任务汇总，报表展示。
存储管理模块会根据保留策略，清理过期的备份数据。
我们备份系统是基于 Percona XtraBackup 实现的，不过根据我们的使用场景，做了一些改进与提升：
我们备份过程中按表为单位单独备份打包压缩，以便于支持单 / 多表快速恢复
为了快速恢复我们修改部分备份功能，可以支持数据恢复的时候值拷贝需要恢复的数据表和 MySQL 元数据信息， 极大节省数据拷贝、解压以及数据恢复时主从数据同步时间。想象下这种场景：源数据库有 1T 数据，现在需要快速恢复一张 1G 的数据表，如果不支持单表恢复，则需要拷贝 1T 的数据并解压，这恢复时间起码好几个小时，但是支持单表恢复后，拷贝和解压的数据量只有几 G，分钟级就可以恢复。
增加了数据加密模块和加密传输模块
支持时间点，binlog_pos，sql 等多种恢复模式
从 DBA 和运维角度出发，还可以做一些事情来避免机器级别的故障：
关注远控报错，有问题及时迁移实例报修
监控系统日志，提前发现故障机器。有一些硬件故障不会导致立即宕机，单是个定时炸弹，这些信息会被记录到系统日志，如 message，mcelog 中，对这些日志增加监控，可以提前发现有故障隐患的机器，提前迁移数据库实例，避免宕机影响服务。
控制机器过比率，发现现在厂商对过保故障控制的特别到位，一过保，机器故障率里面飙升，所以我们也对机器的过保情况进行了统计，避免重点业务部署在已过保的机器上。
日常操作自动化之后，业务开发效率提高同时 DBA 也可以省去之前大量的重复劳动，可以有更多的精力来提高服务质量以及研究写新的技术。以上就是我们 HULK 平台 MySQL 服务的一些设计思路和实践经验。
Q1：未来计划的数据库的迁库操作是怎样的？是不是开发人员可以很简单地进行操作？
A1：数据迁移是想实现从自建的或者非标准的数据源将数据迁移到我们标准的平台上来，并且尽量不影响源数据库的使用。计划是做成一个通用服务，业务人员之需填写数据源和目的的相关配置即可。
Q2: 能详细说明一下 dts 实现当时么，尤其对于大数据库？
A2: DTS 还在开发中，后面有机会和大家交流。
Q3: 请问你们有做 SQL 操作日志审计吗，是如何扑获 MySQL 执行的所有 sql 语句的？
A3: 我们全量的 SQL 日志是通过 Atlas 收集汇总的，上面也有放 Atlas 的 github 连接，感兴趣的同学可以去看看。
Q4：辛苦了！测试环境和线上环境的打通是怎样做到的，Docker 吗？
A4: 我们这边在 HULK 平台上通过业务的方式来关联服务，同一个业务可以在自己的线上环境和测试环境之间做迁移，DBA 这边直接通过管理账号后台打通权限。
Q5: 请问数据库实例是安装在哪里呢, 一台物理机如何部署多个 mysql 实例？
A5: 数据库实例是部署在物理机上的，一台物理机部署多个 MySQL 实例，可以配置多个配置文件，设置不同的数据目录即可。
Q6：每天 100 多万的订单在 mysql 库上如何做，如分片，分库如果分片，分多少合适?
A6: 这个得根据实际情况来分析，现在硬件性能提升很快，不分片也能抗很大的请求，具体分片需要根据实际的数据量、访问量、瞬间并发量、机器性能等等来设计。
Q7：“其中数据库服务又集合了 MySQL、Redis、Mongodb、Greenplum、ElasticSearch 等”，请问能否介绍下各类数据库的应用情况？
A7: Redis 前面有过分享，大家可以找找历史文章或者找美女环环；MongoDB 后面我们准备也有一起分享，先留点悬念。
《360往期分享回顾》https://mp.weixin.qq.com/mp/homepage?__biz=MzIzNjUxMzk2NQ==&hid=2&sn=fd3743d252d99f6e521592cf461f3162
Q8：如何设置主从数据库？系统升级中包括 schema chang，如何保证不宕机
A8: 主从配置这个资料挺多，我就不在这里赘述了，系统升级这个我分享前面有介绍我们的故障切换，可以重温下 [呲牙]。
Q9: 老师请教一下：我们公司的私有云只提供虚拟机，虚拟机里装 mysql 这种方式可行否？
A9：虚拟机里装 MySQL 也是 OK 的，不过需要注意的是同一宿主机的虚拟机可能会竞争公共资源等等。
Q10：老师好，多实例跑在一起，如何控制资源分配，如果某一实例资源消耗过高，影响其他实例？请教下怎么做同一个主机室上不同实例的硬件资源调的调配？
A10: 资源隔离大家可以了解下 cgroup，磁盘配额可以使用 xfs_quota，网络流量可以使用 TC。资源一般不限制，但为了避免资源争用带来的问题我们对多种硬件资源的使用进行了监控，一旦某硬件资源即将用尽则判定可能出现争用问题，此时通过资源限制即可快速对对应实例进行限制，避免发生问题。
Q11：老师好，水平分库是否可以做到动态扩 / 缩容？具体怎么实现的？
A11: DTS+ 内部版本 Atlas 可以做到，实现方式暂时不能公开，后续成熟可开源
今日荐文
点击下方图片即可阅读
分布式数据库的存储设计改进？
2017 年，有哪些值得关注的运维技术热点？智能化运维、Serverless、DevOps ......12 位大牛联合出品，揭秘最前沿运维技术，推荐学习！
点击阅读原文，移步了解详情