一、问题

在好大夫在线内部，S3系统负责各业务方操作日志的集中存储、查询和管理。目前，该系统日均查询量数千万次，插入量数十万次。随着日志量的不断累积，主表已经达到数十亿，单表占用磁盘空间400G+。S3是业务早期就存在的系统，当时为了简单快速落地，使用了Mysql来存储，随着业务的不断增长，同时也要兼顾性能和可扩展性，到了必须要重新选型的时候了。

新项目命名为：LogStore。

二、目标

1、安全性

S3系统在设计之初，没有按业务系统考虑数据隔离，而是直接采用 key(系统 + 类名 + id) + 有限固定字段 + 序列化value 的方式进行存储，这种方式显然不便于后续集群拆分和管理。LogStore系统要在逻辑上进行数据区域划分，业务方在接入时要指定app进行必要的权限验证，以区分不同业务数据，进而再进行插入和查询操作。

2、通用性

S3主要提供一种3层结构，采用MySQL固定字段进行存储，这就不可避免地会造成字段空间的浪费。LogStore系统需要提供一种通用的日志存储格式，由业务方自行规定字段含义，并且保留一定程度的可查询维度。

3、高性能

S3系统的QPS在300+，单条数据最大1KB左右。LogStore系统要支持当前QPS 10倍以上的写入和读取速度。

4、可审计

要满足内部安全审计的要求，LogStore系统不提供对数据的更新，只允许数据的插入和查询。

5、易拓展

LogStore系统以及底层存储要满足可扩展特性，可以在线扩容，满足公司未来5年甚至更长时间的日志存储需求，并且要最大化节省磁盘空间。

三、方案选型

为了达成改造目标，本次调研了四种存储改造方案，各种方案对比如下：

1、我们不合适—分库分表

分库分表主要分为应用层依赖类中间件和代理中间件，无论哪种均需要修改现有PHP和Java框架，同时对DBA管理数据也带来一定的操作困难。为了降低架构复杂度，架构团队否定了引入DB中间件的方案，还是要求运维简单、成本低的方案。

2、我们不合适—TiDB

TiDB也曾一度进入了我们重点调研对象，只是由于目前公司的DB生态主要还是在MGR、MongoDB、MySQL上，在可预见的需求中，也没有能充分发挥TiDB的场景，所以就暂时搁置了。

3、我们不合适—ElasticSearch

ELK-stack提供的套件确实让ES很有吸引力，公司用ES集群也有较长时间了。ES优势在于检索和数据分析领域，也正是因为其检索和分析的功能的强大，无论写入、查询和存储成本都比较高，在日志处理的这个场景下，性价比略低，所以也被pass了。

4、适合的选择—MongoDB

业务操作日志读多写少，很适合文档型数据库MongoDB的特点。同时，MongoDB在业界得到了广泛的使用，公司也有很多业务在使用，在MongoDB上积累了一定的运维经验，最终决定选择MongoDB作为新日志系统存储方案。

四、性能测试

为了验证MongoDB的性能能否达到要求，我们搭建了MongoDB集群，机器配置、架构图和测试结果如下：

1、机器配置

MongoDB集群3台机器配置如下：

2、架构图

3、测试场景

本次MongoDB测试采用YCSB（https://github.com/brianfrankcooper/YCSB）性能测试工具，ycsb的workloads目录下保存了6种不同的workload类型，代表了不同的压测负载类型，本次我们只用到了其中5种，具体场景和测试结果如下。

1) 插入平均文档大小为5K，数据量为100万，并发100，数据量总共5.265G 左右****，****执行的时间以及磁盘压力

结论：插入100w数据，总耗时219s,平均 insert 耗时21.8ms，吞吐量 4568/s

2) 测试90%读，10%更新，并发100的场****景

结论：总耗时236s，read 平均耗时23.6ms， update 平均耗时23.56ms,吞吐量达到 4225/s

3) 测试读多写少，100%读 ，并发100的场景

结论：总耗时123s，平均read 耗时12.3ms，吞吐量达到8090/s

4) 测试读多写少，90%读，10%插入，并发100的场景

结论：总耗时220s，read 平均耗时 21.9ms，insert 平均耗时21.9ms，吞吐量达到4541/s

5) 测试混合读写，50%读，25%插入、25%更新，并发100的场景

结论：总耗时267s，read 平均耗时26.7ms，update 平均耗时26.7ms，insert 平均耗时26.6ms ,吞吐量 为3739/s

4、测试结果对比

可以看出mongodb适合读多写少的时候，性能最好，读写速率能满足生产需求。

五、无缝迁移实践

为了保障业务的无缝迁移，也为了最大化降低业务研发同学的投入成本，我们决定采用分阶段切换的方案。

1、系统应用层改造+LogStore系统搭建

首先，在S3系统中内置读开关和写开关，可将读写流量分别引入到LogStore系统中，而新应用的接入可以直接调用LogStore系统，此时结构示意图如下：

2、增量数据同步

为了让S3系统和LogStore系统中新增数据达到一致，在底层数据库采用Maxwell订阅MySQL Binlog的方式同步到MongoDB中，示意图如下：

Maxwell(http://maxwells-daemon.io)实时读取MySQL二进制日志binlog，并生成 JSON 格式的消息，作为生产者发送给 Kafka，Logstore系统消费Kafka中的数据写入到mongodb数据库中。

至此，对于业务方现有日志类型，新增数据在底层达到双写目的，S3系统和LogStore系统存储两份数据；如果业务方新增日志类型，则直接调用LogStore系统接口即可。接下来，我们将对已有日志类型老数据进行迁移。

3、存量数据迁移

此次迁移S3老数据采用php定时任务脚本(多个)查询数据，将数据投递到RabbitMQ队列中，LogStore系统从RabbitMQ队列拉取消息进行消费存储到MongoDB中，示意图如下：

• 由于原mysql表中id为varchar类型并且非主键索引，只能利用ctime索引分批次进行查询，数据密集处进行chunk投递到mq队列中。

• 数据无法一天就迁移完，迁移过程中可能存在中断的情况。脚本采用定时任务每天执行20h, 在上线时间停止执行，同时将停止时间记录到Redis中。

• 由于需要迁移数据量较大，在mq和消费者能承受的情况下，尽可能多地增加脚本数量，缩短导数据的时间。

• 脚本执行期间，观察业务延时情况和MySQL监控情况，发现有影响立即进行调整，以保障不影响正常业务。

4、检验数据

老数据导入完成后，下面就要对老数据进行校验，校验从两个方面进行: 数据量和数据完整性。

1）数据量

基于S3系统老数据的id, 查询在MongoDB中是否存在，如果不存在则进行补偿重发。

2）数据完整性

对于S3和MongoDB中的数据按照相同规则进行md5校验，校验不通过则进行补偿重发。

5、数据双写

将应用层预制的写开关打开，将流量导入到LogStore中，此时mysql的流量并没有停掉，继续执行binlog同步。结构如下：

从图中可以看到，从S3调用点的写接口的流量都写入到MongoDB数据库backuplogs集合中，为什么不直接写入到logs表中呢？留个小悬念，在后文中有解释。

6、灰度切换S3读到LogStore系统

上文我们提到，对于S3系统应用层读写调用点均分别内置了切换开关，打开应用层读开关，所有的读操作全部走LogStore, 切换后示意图如下所示：

7、灰度切换写接口到LogStore系统

打开应用层写开关，所有写操作会通过mq异步写到MongoDB中，那如何证明应用层写调用点修改完全了呢？

上文中双写数据一份到logs表中，一份到backuplogs表中，通过Maxwell的Binlog同步的数据肯定是最全的，数据量上按理来说 count( logs) >= count(backuplogs), 如果两个集合一段时间内的数据增量相同，则证明写调用点修改完全，可以去掉双写，只保留LogStore这条线，反之需要检查修改再次验证。切换写完成后，示意图如下：

六、MongoDB与故障演练

故障演练能够检测服务是否真正高可用，及时发现系统薄弱的环节，提前准备好预案减少故障恢复时间。为了验证MongoDB是否真正高可用，我们在线下搭建了MongoDB集群：

同时，我们编写脚本模拟用户MongoDB数据插入和读取，基于好大夫在线自研故障演练平台，对机器进行故障注入，查看各种故障对用户的影响。故障演练内容CPU、内存、磁盘、网络和进程Kill等操作，详情如下图所示：

实验结果：

• CPU、磁盘填充和磁盘负载对MongoDB集群影响较小。

• 内存满载可能会发生系统OOM，导致MongoDB进程被操作系统Kill，由于MongoDB存在数据副本和自动主从切换，对用户影响较小。

• 网络抖动、延迟和丢包会导致mongos连接服务器时间变长，客户端卡顿的现象发生，可通过网络监控的手段监测。

• 分别主动Kill掉MongoDB的主节点、从节点、仲裁节点、mongos、config节点，对整个集群影响较小。

整体而言，MongoDB存在副本和自动主从切换，客户端存在自动检测重连机制，单个机器发生故障时对整体集群可用性影响较小。同时，可增加对单机器的资源进行监控，达到阈值进行报警，减小故障发现和恢复时间。

七、总结

1、MongoDB的使用

MongoDB数据写入可能各个分片不均匀，此时可以开启块均衡策略；由于均衡器会增加系统负载，最好选择在业务量较小的时候进行；

合理选择分片键和建立索引，会使你的查询速度更快，这个要具体场景具体分析。

2、迁移数据

必须保留唯一标识数据的字段，最好是主键id，方便校验数据；

一定要考虑多进程，脚本要自动化，缩短迁移时间和减小人工介入；

迁移过程中，要时刻关注数据库、中间件及应用相关指标，防止导出导入数据影响正常业务；

要在同样配置的环境下充分演练，提前制定数据比对测试用例，以防止数据丢失；

每一步线上操作（如切换读写），都要有对应的回滚计划，最大限度降低对业务的影响。