腾讯游戏DBA团队的发展自白

BA这个岗位跟仓管员很像，就是每天给别人发点货，别人在你这儿放点货，DBA工作就是把货尽快给送出去或者让人家尽快放进来。当然，还有一份重要的工作，就是让仓库里摆放的货物尽可能整齐，这也是仓管员的本职工作，你不能拿到货往仓库里一通乱扔，别人来取货，又让别人等上半个小时。

图：腾讯游戏DBA Team Leader Robin

内容提纲：

前辈的积累
Game Cloud Storage架构
Game Cloud Storage组成
Game Cloud Storage去哪
驱动力及方向探讨

前辈的积累：三类游戏DB架构解析

图：前辈的积累

图：腾讯互娱的三类游戏

腾讯互娱有三类PC端游戏：1. 平台休闲游戏，比如QQGame斗地主、QQ宠物；2. 高级休闲游戏，因为游戏实时性要求增高，对用户需要就近接入，这类游戏会进行分区处理；3. 大型多人在线游戏MMOG，这类游戏玩法比较复杂，可能包含上万个任务，道具信息，逻辑很复杂，实时性要求更高，对应单用户数据量也会变得更大，新的MMOG游戏或者运营时间长的MMOG单用户数据量会达到几百K。手游这几年本身游戏内容不断的丰富，演进中的游戏分类基本也可以参考原先端游。

图：PLAT／QQGame DB分布

对于平台休闲／QQ游戏的DB，数据集中一个城市存放。因为游戏玩法相对最简单，所以，玩家自身的属性较少，可能就是积分、荣誉、装扮，少量道具的变化，对应数据量也比较小，比较适合集中存放，不同地域的gamesvr到专线也不会有太大压力。

此类DB特点：

DB数据集中，基本分布在同城IDC；
单用户数据结构简单，数据量少(<1K)；
用户量巨大，通常注册用户过亿，后台通过qq号hash或者uin末尾2-3位数字做分布式数据切片处理；
单DBServer支持访问人数大于10万。

图：ACG/飞车 DB分布

相对MMOG，ACG／飞车的游戏内容比较简单，以玩家对局为主，但单用户的数量会比PLAT / QQGame要大一点，需要大区方式运营，产品策划对于用户聚合有更多诉求，大区增加相对少，反而单个大区承载人数的上限，会因为时间推移，逐步通过技术升级不断提升。

DB特点：

介于PLAT，MMOG之间，单大区支持人数有10万。

图：MMOG/ 三国DB分布

MMOG/

三国游戏逻辑复杂，用户属性多，玩家升级、打怪、做任务、多人组队作战PK为主。本身一个大区，因为内容过多，复杂的经济系统平衡等，同时承载人数有几万的上限，需要通过不断增加大区，扩张在线人数。实时性要求更高，适合把整个游戏的后台物理设施跟用户作就近接入，这样用户体验会更好一些。

DB特点：

DB数据分布广，分布在多个IDC；
单用户数据结构简单，数据量少(50K-几百K)；
DBServer物理及逻辑扩展频繁，单个区支持同时游戏人数在2-3万。

图：DB架构简化

经过总结，发现其实架构是蛮简单的，我们的MySQL就很简单，一个Master，一个Slave，一个LogDB，把三种游戏精练一下，其实就是一个很简单的架构，如上图。

我们总结了一个经验，因为单用户数据量比较小的话，DB部署的适合集中存在一个城市；如果像一个用户的玩家数据达到几百K的时候，还是适合整体单区架构包括数据库做就近接入、Set化。

图：DB架构精粹

数据部署策略：集中与Set分布，数据集中适合逻辑简单，用户属性较少的游戏；IDC Set分布，适合逻辑复杂，用户属性多游戏.
数据切割策略：平行(QQ号或其它用户ID)及垂直（不同模块属性数据，例如QQGame的道具与装扮信息的切分）
成本与质量策略：分级投入，核心状态与日志流水硬件分离，让读写最频繁的状态类信息保持一个较小的规模，为核心状态类数据增加热备投入。流水日志现在因为近几年大数据很时髦，也有传输到hadoop做分析，也相当于有备份了。
回写策略：前端cache定时合并回写，本身Mysql设置innodb_flush_log_at_trx_commit=0，提升2-3倍性能。
简化策略：对于MMOG将用户属性中数据量较大的任务，道具，仓库信息以二进制方式封装到Blob中。尽可能将DB问题简化为或IO或内存或CPU资源不足的问题。
SNS游戏没有列出来，是因为现在所有游戏几乎都包含了SNS元素，但当社交变为游戏的重点时，因为热点不在集中，首要策略是All In Memory，比如前些年特别流行的QQ农场业务。

Game Cloud Storage 架构

图：Game Cloud Storage架构

Game Cloud Storage主要解决硬件故障处理时间长，版本停机时间长，以及空闲率高这三个问题。mysql前增加了proxy一层做高可用；推出定制的tmysql，秒级在线加字段；以及将多实例管理变得更加方便，便于缩扩容。

自动切换

图：Auto-Switch

Auto-Switch首要的考虑是避免误切换。不切换影响最多回到从前，但误切换可能导致更加复杂的问题，比如切换到一个落后了几天数据的Slave，意味着要整体停机，数据乱了，耗费N个小时来做用户数据回档工作，新的用户数据完全丢失。

MySQL Proxy定制扩展

refresh_backends，在proxy管理端口扩展了一个核心的指令refresh backend，通过外围控制，外围检测到master故障，一个指令将proxy指向slave，引导后续gamesvr来的正常访问，通过增加proxy整体访问切割，也避免一致性问题；
Refresh_user，做user@ip白名单的控制，Proxy本身当它作为MySQL代理的时候，MySQL看到的ip已经都是proxy，增强这一点来延续对于MySQL对来源IP的控制。
Show_processlist，查看来源连接，在MySQL里看到的都是来自于proxy的连接，这个时候也不方便去定位一些来源链接的问题，所以proxy需要看到能更直接地来自于gameserver等等前端详细信息。
Refresh_connlog，打开记录连接log，保证整个所有DB的请求，可以追溯来源。

监控逻辑

多点监控

高可用切换主要依赖外围的集中监控，我们分了几个大的IDC，比如成都、深圳和上海等，我们会在大的区域本地进行监控，比如成都会有本地的点去对成都所有DB定时监测，深圳也会监测，并会对比这两者，如果两者有一者存活的话，那就不做处理，如果两者都有问题的话，就会考虑开始把它进行切换，这是多点监控。

SQL探测，SSH登陆

先通过replace

sql探测DB端口，成功则认为ok，否则通过ssh登陆，及touch文件探测。为什么要以SHH作为条件？因为MySQL负载高的时候，SQL探测遇到Hang住异常，希望ssh进一步去探测物理机器存活，如果ssh登陆不了或ssh后touch遇到只读，我们基本断定一台机器故障了，这个时候，会推送到下一步第二轮探测队列，以便整机切换。

DoubleCheck

前述第一轮探测，检验完成后，进行Double Check探测，确认问题后，同时检查一下Slave这些跟进的状态是不是对的，最近的数据Check Sum校验是不是一致的，是否有主备Time delay。

最后，满足切换的前置条件包括以下几方面：

show slave status, 获取binlog获取及本地relay执行对比；
Checksum(7天内)不一致块数量，小于5个块可进行切换；
Slave落后Master时间, 小于10秒为可进行切换；
Master已故障时间，小于10分钟可进行切换；

压缩

图：压缩

关于Blob我们遇到的一个问题是，当时比较火的《地下城与勇士》，上线刚半年单机数据量达到200多G。当时跑的硬件只是只有8G内存，6块SAS磁盘一台机器，一个周末因为夜间备份时间过长，到了白天还没结束，业务连续出了2个突发。后来，我们跟韩国的开发商商定了压缩这个投入最小的方案，通过一次停机，整体数据做一次压缩，整个数据库数据从200多G变成了4G。

同时，后续数据修改，从数据库拿到数据后进行gameserver进行解压，在gameserver写入数据库前就进行压缩。根据在Slave上对OSS金钱统计相关数据进行的经营统计分析，发现原来要执行400分钟的，基本上降低到5分钟。很简单的压缩还是蛮有用的，控制核心数据量，对后续这个游戏长续运营产生了极大的帮助，这个游戏早期被外界叫做掉线城与虚弱勇士，我想我们做的很简单的事情，对于帮助游戏丢掉这个恶名还是有一点帮助的。

图：压缩演进历程

压缩演进历程：

2008年，遇到一款MMOG游戏，单一用户量很大，当时想到最简单的办法就是压缩。开发方，在select时候，用mysql自身的uncompress做解压，update直接sql里边用mysql函数compress写回，用MySQL的技术就搞定了。

2011年，逐步会有一些内部的ORM DB公共组件可以做一些透明开关，通过中间件层去压缩数据。

2013年，前面几种办法都不是DBA能完全cover的，总需要开发更新中间件，或者改写sql，或者更新gameserver逻辑，我们想了一招，就是把Mysql内完全解决这个问题，完全对开发透明，只要给字段通过alter增加Compress的属性，在MySQL底层直接就把大字段压缩给做了。这个效率，我们测试中发现远好于本身innodb
page压缩。

监控

2007年前，监控是比较零散的。
2007年刚入职，接到的第一个稍大的任务就是给DB写监控，我们都把监控放在数据库机器本地，还有一些Hang判断，ErrorLog检测，还有status我们收集了232个。
2009年，因为有时候某个指标异常的时候，难以得到问题相关因素现场，所以我们针对slowquery量及io利用率超过一定阀值去做了一些现场保留工作，比如show
processlist，ps
aux，top等，并保存在监控日志里边。同时，也做了checksum的办法，OS层指标增加一些我们急需的但公司网管系统并未涉及的，比如每个分区的ioutil等。
2012年，为了配合做GCS高可用，做一些时间同步的检测；为了能更方便地去对比一些DB的性能，聚合性能指标在一起，做了特别方便的性能对比工具。

Game Cloud Storage去哪

图：Game Cloud Storage去哪

思考GCS去哪，本身也是在想源码定制这条路该往哪里走？如果大家对开源软件比较有兴趣的话，可以参考我们走过的路，可以先尝试简单功能的优化，然后考虑扩展至性，再考虑性能，因为性能优化的挑战，涉及到mysql底层更复杂的锁调优等机制优化，我一直觉得还是蛮大的。最近一两年，在线加字段这个痛点解决折后，我们一直希望能MySQL在保持mysql协议基本不变的前提下，能像nosql类似MongoDB扩展性那么好，在这方面做了一些探索。

我们选用了Spider，一个分布式的MySQL底层存储引擎来解决这个问题，前一两年开始研究这个Spider，到现在已有超过10个业务上用了起来。Spider官方，在最近一两年也不断完善，合并到MariaDB
10的正式版本里面。大家如果对数据库分布式有需求，同时不希望开发太多修改，可以考虑MariaDB 10的版本。

图：运维的驱动力

最近业界有很多运维发展方向的讨论，我自身也在思考运维的核心驱动力到底是什么。如果我去回顾过去的一些历程，我自己考虑运维核心的驱动力还是最简单两个字——问题。可能来自业务发展的快速增大数据量，请求并发增大，或者开发使用整个存储的容易程度，或者平时运维的一些问题，我们不希望自己那么多通宵处理故障，那么多步骤那么辛苦缩扩容。不管在哪家公司，只要我还能够不断解决问题，可能这个公司我还能呆得下去；如果没有问题需要解决，或者是天天时间都花在其他地方了，可能也就没什么意思了。

图：内部平台产品方向

我们做这些内部平台，按目前的人力投入，最重要的还是聚焦支撑内部精品大业务的发展。但站在内外部技术平台竞争加剧的角度，每天都能看到各种各样渠道吹牛的信息(就像我今天这样)，都说自己很厉害，很强，我们的下一步该怎么走，怎么证明自己的价值，获得应有的认可，这是个很关键的问题。

听了很多业界大拿的建议，比如叶金荣同学，平静的思考之后，我们后续计划或者是策略大概是：首要的，仍然会站在“巨人的肩膀上”，更好的使用及支持整个社区开放协议存储方案，通过更为深入研究积累，能提供基本闭环的服务支撑能力；第二步，关于怎么证明团队价值，从前几年的“定制”方向转变到“回到社区”方向，在那个更加广袤的空间去追求些许的认可。

更新这个ppt之前，翻出来多年前内部分享的一页ppt，“关于DB的美好想象”，其中第一点因为牵扯业务过于多样化逻辑数据设计，还是没做到，第二点做到一点点。