每天上百万次调用的巨量访问系统缓存数据丢失？
背景
eBay 的购物车信息存储依赖于两个不同的数据存储介质，MongoDB 存储用户完整的购物车信息，Oracle 仅存储购物车的大致信息，但是可以通过关键信息查找所有的购物车信息。在 eBay 的这套系统里，MongoDB 更多被用来充当“缓存”，Oracle 数据库作为存储副本。如果数据在 MongoDB 里面找不到了，服务会从 Oracle 里面重新抽取（恢复）数据，然后重新计算用户的购物车。
所有的购物车数据都是 JSON 格式的，JSON 数据在 Oracle 里被存储在 BLOB 格式的字段里。这些 Oracle 里面的数据只能被用于 OLTP 交易。
这篇文章并不是讨论数据库技术的选择（Oracle vs MongoDB，或者其他数据），而是希望能够让大家在巨量访问系统（每天上百万次调用）中找到技术债，理解如何解决问题。
问题描述
2016 年秋天开始，购物车服务出现了缓存层丢失数据的情况，同时，运维团队报告 MongoDB 的备份机制多次出现失败（MongoDB 运行在主从模式）。eBay 的这个服务已经运行了 5 年时间，一直没有出现问题，没有做过任何架构调整和大规模代码改变，需要尽快找到原因和防治办法。针对实际问题进行反复检查，发现 MongoDB 的 oplog（实时性要求极高的写日志记录）正在达到网络 I/O 限制。每一次的数据丢失，都会触发保护措施（再次从 Oracle 读取数据后重复计算），并进一步加长用户的等待时间。
解决方案
在我们具体讨论特定的解决方案前，我们希望去尽可能多地讨论解决方案。例如，一旦备份机制没有启用，是否可以通过隐藏一些副本方式让系统能够正常运行，而不要在系统特别繁忙的时候去尝试重新备份。我们可以尝试超时机制和阶段性副本方式，但是这些方式并不会引起我们本文说的问题发生。
方案一：切片（MongoDB）
团队成员提出对 JSON 数据进行切分，即对原先存储在 MongoDB 里的原子化的购物车信息（一个 JSON 字符串），切分为多个字符串，这样做的好处是可以减少单一 MongoDB 中心节点的写入次数和网络开销。
对于数据切分后的关联方式，远比数据切分、负载均衡复杂，因此，第 1 种方案的选择会引入其他技术难点，需要我们自己能够寻找被切分后的数据的关联性，这就是为什么 eBay 放弃了这个方案。
方案二：有选择的写入
使用 MongoDB 的 set 命令，只针对当特定值发生更改后，才启动写入操作。这种方式理论上也是可行的。
但是如果你真正考虑一下，这种做法没有从根本上确保减少 oplogs 写入次数，但是它很有可能会造成整个文档的更新。
了解一下 MongoDB 的 Set 操作模式。Set 操作可以用于使用特定值替换字段值：
{$Set{:,…}}
假如你考虑一下描述产品的文档如下所示：
{
_id:100, sku:”abc123”, quantity:250, instck:true, reorder:false, details:{model:”14Q2”,make:”xyz”}, tags:[“appeal”,”clothing”],
ratings:[{by:”ijk”,rating:4}] }
对于满足 _id 等于 100 的文档，执行 set 操作更新 quantity 字段、details 字段和 tags 字段的值。
db.products.update( {_id:100}, {$set:
{
quantity:500,
details:{model:”14Q3”,make:”xyz”},
tags:[“coats”,”outerwear”,”clothing”]
} } )
以上这个操作替换 quantity 的值为 500，details 字段的值为一个新的嵌入式文档，tags 值为一个数组。
方案三：压缩传输数据
考虑到需要尽快解决问题，所以需要尽量避免重写业务逻辑，压缩方式看起来是比较好的一中了。减少进入 MongoDB 的 Master 节点的数据量，这样可以减少写入 oplog 的数据规模。但是，这种方式会将 JSON 字符串转变为二进制文章，操作时也需要解压缩。
常用的压缩算法主要有：deflate、gzip、bzip2、lzo、snappy 等。差别如下所示：
deflate、gzip 都是基于 LZ77 算法与哈夫曼编码的无损数据压缩算法，gzip 只是在 deflate 格式上增加了文件头和文件尾；
bzip2 是 Julian Seward 开发并按照自由软件 / 开源软件协议发布的数据压缩算法，Apache 的 Commons-compress 库中进行了实现；
LZO 致力于解压速度，并且该算法也是无损算法；
LZ4 是一种无损数据压缩算法，着重于压缩和解压缩速度；
Snappy 是 Google 基于 LZ77 的思路用 C++ 语言编写的快速数据压缩与解压程序库，2011 年开源。它的目标并非最大程度地压缩，而是针对最快速度和合理的压缩率。
目标和考虑
在我们开始做这一功能性测试之前，我们需要明确几个目标。
允许购物车被压缩并持久化到 MongoDB（数据不会有改变）。
允许压缩编码方式的选择，支持采用一种编码方式读取，另一种编码方式写入。
允许读到老的、新的、中间状态的购物车信息，新老前后可以互相兼容。
压缩和解压缩的操作可以同时进行。
确保没有针对 MongoDB 数据库的实时 JSON 数据检索查询请求。
JSON 字符串例子
这是老的 JSON 字符串：
{ "_id" : ObjectId("560ae017a054fc715524e27a"), "user" : "9999999999",
"site" : 0, "computeMethod" : "CCS_V4.0.0", "cart" : "...JSON cart
object...", "lastUpdatedDate" : ISODate("2016-09-03T00:47:44.406Z") }
这是压缩之后的 JSON 字符串：
{ "_id" : ObjectId("560ae017a054fc715524e27a"), "user" : "9999999999",
"site" : 0, "computeMethod" : "CCS_V4.0.0", "cart" : "...JSON cart
object...", "compressedData" : { "compressedCart" : "...Compressed
cart object..." "compressionMetadata" : { "codec" : "LZ4_HIGH",
"compressedSize" : 3095, "uncompressedSize" : 6485 }, },
"lastUpdatedDate" : ISODate("2016-09-03T00:47:44.406Z") }
测试结果
通过使用相同的购物车数据进行测试，观察 CPU 或者 I/O 情况，数据如图所示：
结论
oplog 的写入速率，从 150GB/ 小时下降为大约 11GB/ 小时，下降了 1300%！文档的平均对象大小从 32KB 下降为 5KB，600% 的下降。此外，服务的响应时间也有所改善。数据如图所示：
下面这张图显示的是 MongoDB 的 Ops Manager UI 工具信息，特别标注了压缩和解压缩数据的耗时，以及文档的平均对象大小的下降数据。
最终，对于生产环境下的随机一小时数据压缩，eBay 团队也收集了一些指标图，用于更多的深入观察。
欢迎加入本站公开兴趣群
软件开发技术群
兴趣范围包括：Java，C/C++，Python，PHP，Ruby，shell等各种语言开发经验交流，各种框架使用，外包项目机会，学习、培训、跳槽等交流
QQ群：26931708
Hadoop源代码研究群
兴趣范围包括：Hadoop源代码解读，改进，优化，分布式系统场景定制，与Hadoop有关的各种开源项目，总之就是玩转Hadoop
QQ群：288410967
