全文将围绕下面4点展开：
- 存储演进
- 设计实现
- 场景&问题
- 总结思考
01 存储演进
首先介绍一下B站早期的存储演进。
针对不同的场景，早期的KV存储包括Redix/Memcache，Redis+MySQL，HBASE。
但是随着B站数据量的高速增长，这种存储选型会面临一些问题：
- 首先，MySQL是单机存储，一些场景数据量已经超过 10 T，单机无法放下。当时也考虑了使用TiDB，TiDB是一种关系型数据库，对于播放历史这种没有强关系的数据并不适合。
- 其次，是Redis Cluster的规模瓶颈，因为redis采用的是Gossip协议来通信传递信息，集群规模越大，节点间的通信开销越大，并且节点之间状态不一致的存留时间也会越长，很难再进行横向扩展。
- 另外，HBase存在严重长尾和缓存内存成本高的问题。
基于这些问题，我们对KV存储提出了如下要求：
- 易拓展：100x横向扩容；
- 高性能：低延时，高QPS；
- 高可用：长尾稳定，故障自愈；
- 低成本：对比缓存；
- 高可靠：数据不丢。
02 设计实现
接下来介绍我们是如何基于上述要求进行具体实现的。
1. 总体架构
总体架构共分为三个部分Client，Node，Metaserver。Client是用户接入端，确定了用户的接入方式，用户可以采用SDK的方式进行接入。Metaserver主要是存储表的元数据信息，表分为了哪些分片，这些分片位于哪些node之上。用户在读写操作的时候，只需要put、get方法，无需关注分布式实现的技术细节。Node的核心点就是Replica，每一张表会有多个分片，而每个分片会有多个Replica副本，通过Raft实现副本之间的同步复制，保证高可用。
2. 集群拓扑
Pool：资源池。根据不同的业务划分，分为在线资源池和离线资源池。
Zone：可用区。主要用于故障隔离，保证每个切片的副本分布在不同的zone。
Node：存储节点，可包含多个磁盘，存储着Replica。
Shard：一张表数据量过大的时候可以拆分为多个Shard。拆分策略有Range，Hash。
3. Metaserver
资源管理：主要记录集群的资源信息，包括有哪些资源池，可用区，多少个节点。当创建表的时候，每个分片都会记录这样的映射关系。
元数据分布：记录分片位于哪台节点之上。
健康检查：注册所有的node信息，检查当前node是否正常，是否有磁盘损坏。基于这些信息可以做到故障自愈。
负载检测：记录磁盘使用率，CPU使用率，内存使用率。
负载均衡：设置阈值，当达到阈值时会进行数据的重新分配。
分裂管理：数据量增大时，进行横向扩展。
Raft选主：当有一个Metaserver挂掉的时候，可进行故障自愈。
Rocksdb：元数据信息持久化存储。
4. Node
做为存储模块，主要包含后台线程，RPC接入，抽象引擎层三个部分
① 后台线程
Binlog管理，当用户进行写操作的时候，会记录一条binlog日志，当发生故障的时候可以对数据进行恢复。因为本地的存储空间有限，所以Binlog管理会将一些冷数据存放在S3，热门的数据存放在本地。数据回收功能主要是用来防止误删数据。当用户进行删除操作，并不会真正的把数据删除，通常是设置一个时间，比如一天，一天之后数据才会被回收。如果是误删数据，就可以使用数据回收模块对数据进行恢复。健康检查会检查节点的健康状态，比如磁盘信息，内存是否异常，再上报给Metaserver。Compaction模块主要是用来数据回收管理。存储引擎Rocksdb，以LSM实现，其特点在于写入时是append only的形式。
RPC接入：
当集群达到一定规模后，如果没有自动化运维，那么人工运维的成本是很高的。所以在RPC模块加入了指标监控，包括QPS、吞吐量、延时时间等，当出现问题时，会很方便排查。不同的业务的吞吐量是不同的，如何做到多用户隔离？通过Quota管理，在业务接入的时候会申请配额，比如一张表申请了10K的QPS，当超过这个值得时候，会对用户进行限流。不同的业务等级，会进行不同的Quota管理。
② 抽象引擎层
主要是为了应对不同的业务场景。比如大value引擎，因为LSM存在写放大的问题，如果数据的value特别大，频繁的写入会导致数据的有效写入非常低。这些不同的引擎对于上层来说是透明的，在运行时通过选择不同的参数就可以了。
5. 分裂-元数据更新
在KV存储的时候，刚开始会根据业务规模划分不同的分片，默认情况下单个分片是24G的大小。随着业务数据量的增长，单个分片的数据放不下，就会对数据进行分裂。分裂的方式有两种，rang和hash。这里我们以hash为例展开介绍：
假设一张表最开始设计了3个分片，当数据4到来，根据hash取余，应该保存在分片1中。随着数据的增长，3个分片放不下，则需要进行分裂，3个分片会分裂成6个分片。这个时候数据4来访问，根据Hash会分配到分片4，如果分片4正处于分裂状态，Metaserver会对访问进行重定向，还是访问到原来的分片1。当分片完成，状态变为normal，就可以正常接收访问，这一过程，用户是无感知的。
6. 分裂-数据均衡回收
首先需要先将数据分裂，可以理解为本地做一个checkpoint，Rocksdb的checkpoint相当于是做了一个硬链接，通常1ms就可以完成数据的分裂。分裂完成后，Metaserver会同步更新元数据信息，比如0-100的数据，分裂之后，分片1的50-100的数据其实是不需要的，就可以通过Compaction Filter对数据进行回收。最后将分裂后的数据分配到不同的节点上。因为整个过程都是对一批数据进行操作，而不是像redis那样主从复制的时候一条一条复制，得益于这样的实现，整个分裂过程都在毫秒级别。
7. 多活容灾
前面提到的分裂和Metaserver来保证高可用，对某些场景仍不能满足需求。比如整个机房的集群挂掉，这在业界多是采用多活来解决。我们KV存储的多活也是基于Binlog来实现，比如在云立方的机房写入一条数据，会通过Binlog同步到嘉定的机房。假如位于嘉定的机房的存储部分挂了以后，proxy模块会自动将流量切到云立方的机房进行读写操作。最极端的情况，整个机房挂掉了，就会将所有的用户访问集中到里一个机房，保证可用性。
03 场景&问题
接下来介绍KV在B站应用的典型场景以及遇到的问题。
最典型的场景就是用户画像，比如推荐，就是通过用户画像来完成的。其他还有动态、追番、对象存储、弹幕等都是通过KV来存储。
1. 定制优化
基于抽象实现，可以很方便地支持不同的业务场景，并对一些特定的业务场景进行优化。
Bulkload全量导入的场景主要是用于动态推荐以及用户画像。用户画像主要是T+1的数据，在没有使用Bulkload以前，主要是通过Hive来逐条写入，数据链路很长，每天全量导入10亿条数据大概需要6、7个小时。使用Bulkload之后，只需要在hive离线平台把数据构建成一个rocksdb引擎，hive离线平台再把数据上传到对象存储。上传完成之后通知KV来进行拉取，拉取完成后就可以进行本地的Bulkload，时间可以缩短到10分钟以内。
另一个场景就是定长list。大家可能发现你的播放历史只有3000条，动态也只有3000条。因为历史记录是非常大的，不能无限存储。最早是通过一个脚本，对历史数据进行删除，为了解决这个问题，我们开发了一个定制化引擎，保存一个定长的list，用户只需要往里面写入，当超过定长的长度时，引擎会自动删除。
2. 面临问题——存储引擎
前面提到的compaction，在实际使用的过程中，也碰到了一些问题，主要是存储引擎和raft方面的问题。存储引擎方面主要是Rocksdb的问题。第一个就是数据淘汰，在数据写入的时候，会通过不同的Compaction往下推。我们的播放历史，会设置一个过期时间。超过了过期时间之后，假设数据现在位于L3层，在L3层没满的时候是不会触发Compaction的，数据也不会被删除。为了解决这个问题，我们就设置了一个定期的Compaction，在Compaction的时候回去检查这个Key是否过期，过期的话就会把这条数据删除。
另一个问题就是DEL导致SCAN慢查询的问题。因为LSM进行delete的时候要一条一条地扫，有很多key。比如20-40之间的key被删掉了，但是LSM删除数据的时候不会真正地进行物理删除，而是做一个delete的标识。删除之后做SCAN，会读到很多的脏数据，要把这些脏数据过滤掉，当delete非常多的时候，会导致SCAN非常慢。为了解决这个问题，主要用了两个方案。第一个就是设置删除阈值，超过阈值的时候，会强制触发Compaction，把这些delete标识的数据删除掉。但是这样也会产生写放大的问题，比如有L1层的数据进行了删除，删除的时候会触发一个Compaction，L1的文件会带上一整层的L2文件进行Compaction，这样会带来非常大的写放大的问题。为了解决写放大，我们加入了一个延时删除，在SCAN的时候，会统计一个指标，记录当前删除的数据占所有数据的比例，根据这个反馈值去触发Compaction。
第三个是大Value写入放大的问题，目前业内的解决办法都是通过KV存储分离来实现的。我们也是这样解决的。
3. 面临问题——Raft
Raft层面的问题有两个：
首先，我们的Raft是三副本，在一个副本挂掉的情况下，另外两个副本可以提供服务。但是在极端情况下，超过半数的副本挂掉，虽然概率很低，但是我们还是做了一些操作，在故障发生的时候，缩短系统恢复的时间。我们采用的方法就是降副本，比如三个副本挂了两个，会通过后台的一个脚本将集群自动降为单副本模式，这样依然可以正常提供服务。同时会在后台启动一个进程对副本进行恢复，恢复完成后重新设置为多副本模式，大大缩短了故障恢复时间。
另一个是日志刷盘问题。比如点赞、动态的场景，value其实非常小，但是吞吐量非常高，这种场景会带来很严重的写放大问题。我们用磁盘，默认都是4k写盘，如果每次的value都是几十个字节，这样会造成很大的磁盘浪费。基于这样的问题，我们会做一个聚合刷盘，首先会设置一个阈值，当写入多少条，或者写入量超过多少k，进行批量刷盘，这个批量刷盘可以使吞吐量提升2~3倍。
04 总结思考
1. 应用
应用方面，我们会做KV与缓存的融合。因为业务开发不太了解KV与缓存资源的情况，融合之后就不需要再去考虑是使用KV还是缓存。
另一个应用方面的改进是支持Sentinel模式，进一步降低副本成本。
2. 运维
运维方面，一个问题就是慢节点检测，我们可以检测到故障节点，但是慢节点怎么检测呢，目前在业界也是一个难题，也是我们今后要努力的方向。
另一个问题就是自动剔盘均衡，磁盘发生故障后，目前的方法是第二天看一些报警事项，再人工操作一下。我们希望做成一个自动化机制。
3. 系统
系统层面就是SPDK、DPDK方面的性能优化，通过这些优化，进一步提升KV进程的吞吐。
