陳宏智：字節跳動自研萬億級圖資料庫ByteGraph及其應用與挑戰
- 2022 年 6 月 13 日
- 筆記
- DataFunTalk, 人工智慧, 大數據, 演算法
導讀： 作為一種基礎的數據結構，圖數據的應用場景無處不在，如社交、風控、搜廣推、生物資訊學中的蛋白質分析等。如何高效地對海量的圖數據進行存儲、查詢、計算及分析，是當前業界熱門的方向。本文將介紹字節跳動自研的圖資料庫ByteGraph及其在位元組內部的應用和挑戰。
本文將圍繞以下五點展開：
- 了解圖資料庫
- 適用場景介紹舉例
- 數據模型和查詢語言
- ByteGraph架構與實現
- 關鍵問題分析
—
01 了解圖資料庫
目前，位元組內部有如下表三款自研的圖數據產品。
1. 對比圖資料庫與關係資料庫
圖模型的基本元素包括點、邊和屬性。舉例：張三的好友所在的公司有多少名員工？傳統關係型資料庫需要多表join，而圖作為半結構化數據，在圖上進行遍歷和屬性的過濾會更加高效。
2. 什麼是圖資料庫？
近五年來，圖資料庫在領域內熱度上升趨勢非常明顯，各個大廠與開源社區都推出了自己的圖資料庫。用戶規模比較大、有一定影響力的查詢語言包括Cypher、Apache開源項目的Gremlin等。從集群規模來看，過往有單機資料庫，現在大多圖資料庫都具備分散式能力，這就需要考慮數據的防丟失問題、主副本之間的一致性、多台機器數據上的shard問題。
部分圖資料庫把圖資料庫與圖計算引擎二者合併在一起，目前位元組內部採用的暫時分離的兩套系統。
—
02 適用場景介紹舉例
1. ByteGraph適用的業務數據模型
ByteGraph初始立項是在2018年，主要目的是對頭條的用戶行為及好友關係進行存儲來替換Mysql；2019年6月承接對抖音用戶關係的數據存儲任務，接著在位元組內部各種微服務重承接了相關業務。
2. 已上線業務場景分類
目前有1.5萬台物理機，服務於600+業務集群。
—
03 數據模型和查詢語言
1. 有向屬性圖建模
目前來看，圖資料庫通常有兩大類，一種是屬性圖，另一種是RDF圖。屬性圖在節點和邊上有屬性表，從某種角度上講，它仍帶有關係資料庫的基本特性，類似表結構的形式，實際是採用Key-Value形式來存儲的，如用戶A關注了用戶B，用戶C點贊了某個影片等，則會把關注的時間、點贊時間、評論的內容等以不同的有向邊存儲在屬性圖中，用圖來描述業務邏輯。
2. Gremlin查詢語言介面
選用Gremlin語言是考慮到之後方便對圖計算、圖資料庫二者進行融合，本身是圖靈完備的圖遍歷語言，相較於Cypher等類SQL語言，對於善用Python的數據分析師更容易上手。
舉例：寫一條用戶A所有一跳好友中滿足粉絲數量大於100的子集。首先定位用戶A在圖中的點，其次求一跳查詢中的所有鄰居，判斷入度鄰居整體數量是否大於100，拉取滿足條件的所有用戶。
—
04 ByteGraph架構與實現
1. ByteGraph整體架構
ByteGraph整體架構分為查詢引擎層（Graph Query Engine，下文簡稱GQ）、存儲引擎層（Graph Storage Engine，下文簡稱GS）和磁碟存儲層三層，整體上計算和存儲分離，每層由多個進程實例組成集群。
2. ByteGraph讀寫流程
拿「讀流程」舉例，請求獲取用戶A的一跳鄰居。首先一個查詢進來後，從client端隨機挑選一個查詢層響應，對應到GQ2上，獲取對應的數據存放的位置是哪一台機器，接著把請求給到GS1，檢查數據是否在該層以及是否為最新數據，如果不在則去KV store把所需數據拉取至GS1 快取中。
3. ByteGraph實現：GQ
GQ同MySQL的SQL層一樣，負責查詢的解析和處理，其中的「處理」可以分為下述三個步驟：
- Parser階段：利用遞歸下降解析器將查詢語言解析為一個查詢語法樹。
- 生成查詢計劃：將Parser階段得到的查詢語法樹按照查詢優化策略（RBO&CBO）轉換為執行計劃。
- 執行查詢計劃：理解GS數據分Partition的邏輯，找到相應數據並下推部分運算元，保證網路開銷不會太大，最後合併查詢結果，完成查詢計劃。
RBO主要基於Gremlin開源實現中的自帶優化規則、針對位元組應用中的運算元下推、自定義的運算元優化（fusion）三大規則。CBO本質上是對每個點的出入度做統計，把代價用方程量化表示。
對於不同支援場景使用不同策略，圖分區演算法的選擇與workload強相關，圖分區演算法能有效減少網路通訊次數。
- Brute force哈希分區：即根據起點和邊的類型進行一致性哈希分區，可以大部分查詢場景需求，尤其是一度查詢場景。
- 知識圖譜場景：點、邊類型極多，但每種類型邊數量相對較少，此時根據邊類型進行哈希分區，將同種邊類型數據分布在一個分區內。
- 社交場景：更容易出現大V，利用facebook於2016年提出的social hash演算法，通過離線計算盡量將有關聯的數據放置在同一分片內，降低延遲。
4. ByteGraph實現：GS
- 存儲結構
單個Partition定義為一個起點+一種特定的邊類型扇出的一跳鄰居。在GS中，將一個Partition按照排序鍵（可顯式設置或系統默認維護）組織成Btree。每棵Btree都有獨立的WAL序列，獨立維護自增logid。這種設計有利於支援GNN場景，做分散式取樣。
Edge Page、Meta Page分別是位於Btree中的葉子結點、非葉子結點（充當index作用），分別用於存儲圖中的邊數據和指向子節點的Key。Meta page長度是固定的，但是一個meta page會放多少edge page是可配的，通常配置為2000一片。如上圖，Partition在磁碟中將每個page都存儲為一個獨立的鍵值對（下文簡稱KV対）。meta page的key是起點＋邊類型，edge page的key存在meta page中實現對特定edge page的查找。
單機記憶體引擎整體採用hash map的結構，partition和page按需載入到記憶體中，根據LRU策略（Least Recent Used），swap到磁碟；某個page被修改後，WAL同步寫到磁碟，page會插入到dirty鏈表中，考慮當前機器狀態，非同步寫回。
- 日誌管理：單個起點+邊類型組成一棵Btree，每個結點是一個KV對。
每棵Btree單一寫者，防止並發寫入導致不完整；每棵樹都有獨立的WAL日誌流，且寫入請求處理流程中只寫入WAL，並修改記憶體中數據，compaction時再將數據落盤，解決由於每個KV對可能由多條邊組成而導致的寫放大。即使記憶體數據丟失，仍可通過更新後的logid在磁碟上進行WAL的查詢並寫入。
- 快取實現：根據不同場景及當下cpu的開銷有不同策略。
圖原生快取：相對於Memcached等直接快取二進位數據而言，能更好的理解圖的語義，並支援一度查詢中的部分計算下推功能。
高性能LRU Cache：支援快取逐出，且逐出的頻率和觸發閾值可調；採用numa aware和cpu cacheline aware設計，提高性能；支援Intel AEP等新硬體。
Write-through cache：支援多種與底層存儲同步數據的模式，可以每次寫入或定時落盤；支援定期與底層存儲校驗數據，防止數據過舊；支援負快取等常見優化策略。
快取與存儲分離：當數據規模不變、請求流量增大的情況下，快取與存儲分離的模式可以快速擴容快取以提高服務能力。
—
05 關鍵問題分析
1. 索引
-
局部索引：給定一個起點和邊類型，對邊上的屬性構建索引
特點：邊上元素皆可做索引項，能夠加速查詢，提高屬性過濾和排序性能；但會額外維護一份索引數據，與對應的原數據使用同一條日誌流，保證一致性。 -
全局索引：目前只支援點的屬性全局索引，即指定一個屬性值查詢出對應的點。
數據存儲在不同機器上，索引數據的一致性使用分散式事務解決。
2. 熱點讀寫
- 熱點讀
場景舉例：某熱點影片被頻繁刷新，查看其點贊數量。
應用機制：GQ層採用多個bgdb並發處理同一熱點的讀請求，單節點快取命中讀性能可達20萬以上；GS層採用copy on write（即先拷貝，再寫入並替換）保證讀寫、讀讀均可並發。
- 熱點寫
場景舉例：某熱點影片短時間內被瘋狂轉發、點贊。
問題溯源：單機cpu使用率被拉高，磁碟寫入iops有上限，當客戶端寫入qps>磁碟iops時，就會發生請求排隊。
應對機制：採用group commit機制，即將多個寫入請求組合至一個batch寫入KV，再批量返回，降低磁碟層iops的上限。
3. 輕重查詢資源分配
將輕重查詢的資源池分離，輕查詢走light執行緒池，負責數量多的小查詢；重查詢則走heavy執行緒池，負責數量少的重查詢。當heavy執行緒池空閑時，輕查詢也可走。
4. 高可用
城域網雙機房，如中國的兩個機房，延遲較低。follow一寫多讀策略，備機房把寫流量轉入主機房，只有主機房會把WAL更新到KV存儲上。
廣域網容災部署，如新加坡和美國的兩台機器，延遲較高。follow了mysql的思想，每次寫入在本地寫入成功後，會被轉化為binlog，再發送給其他單元；並通過hybrid logical clock保證各單元對於一條邊的操作順序一致性。
5. 離線在線數據流融合
導入存量數據、寫入在線數據，將二者集成在公司內部數據平台進行離線數據分析，具體流程如圖。
今天的分享就到這裡，謝謝大家。
本文首發於微信公眾號「DataFunTalk」。
