Trafodion体系结构

Trafodion体系结构

Trafodion简介

Trafodion是一个构建在Hadoop/HBase基础之上的关系型数据库，它完全开源免费。Trafodion能够完整地支持ANSI SQL，并且提供ACID事务保证。和传统关系数据库不同的地方在于，Trafodion利用底层Hadoop的横向扩展能力，可以提供极高的扩展性。而传统数据库，比如MySQL，在数据量达到P级别的时候就很难处理。而Trafodion却可以借助HBase的扩展性，仅通过增加普通Linux服务器就可以增加计算和存储能力，进而支持大数据应用。

比如原来使用MySQL的用户，如果数据量持续增加，往往需要采用前后端cache，分库分表，读写分离等技术。但是这些技术带来的弊端也很多。比如分库分表的构架下，不同分库之间无法执行join操作。采用这些复杂技术后，系统结构复杂，维护和开发成本提高。这是很多客户正在面临的问题。

而从使用开发的角度来看，Trafodion和MySQL是完全一样的，他们同样是关系型数据库，基本的功能完全一致。因此一个经典的LAMP网络应用也可以轻松地用LATP(Linux, Apache, Trafodion, PHP) 搭建。而采用Trafodion，当业务扩展时，通过增加节点就可以应付不断增加的数据量，应用程序无需做任何修改，也无需考虑复杂的分库分表，读写分离等技术。这样就极大地降低了系统的复杂度。

这只是Trafodion的可能应用之一，Trafodion还是一个非常适合的实时大数据分析平台。因为它不仅可以支持实时分析，而且能够支持实时数据写入，比如每秒上万条的随机数据插入。这是构建实时分析所必备的能力。Stinger或者Impala虽然可以提供实时查询，但去无法支持实时的数据插入。

比如交通实时分析，利用Stinger/Impala等技术，虽然查询和分析可以在1分钟内完成，但是数据却只能定期载入，如果1小时一次，那么分析的数据样本是1小时前的数据，其分析结果也失去了时效性。比如，用户已经在那里堵车堵了了1个小时。

关于Trafodion的使用场景读者可以参阅其他介绍Trafodion的系列文章。本文简要介绍Trafodion的技术体系结构，帮助读者基本了解Trafodion内部运作的原理。

读者还可以参考了解Trafodion的技术构架。

总体结构

Trafodion的体系结构可以看作三层：ODBC接入层；SQL编译执行层；数据访问和存储层。其总体结构如下所示：

客户端应用通过JDBC/ODBC访问Trafodion。客户连接由Trafodion的接入层负责。接入层为每一个客户端连接分配一个master执行器，master负责用户连接所有query请求的执行和结果返回。对于简单的Query，Master进程本身就充当SQL执行层；复杂的query，访问大量数据和进行复杂运算的情况下，Master会启动一系列的ESP（Executor Server Processes）进程进行大规模并发执行。ESP进程是可以常驻内存的，以避免启动开销，但如果长期处于空闲状态ESP进程会退出，释放资源。每个ESP将执行结果返回给Master，由Master汇总并将最终结果返回给客户端。当Master或者ESP需要访问数据层的时候，会通过DTM来进行事务管理，在DTM(分布式事务管理器)的控制下调用HBase的客户端API进行数据的读写。下面分别介绍每一层的更多细节。

Trafodion的接入层

接入层的主要组件有两个：DCSMaster和MXOSRVR 。DCS Master进程运行在Trafodion 集群的单个节点上，负责监听客户端的连接请求。当收到请求后，DCSMaster根据集群的工作负载平衡情况，选定集群中一个节点上的MXOSRVR 作为客户端的执行代理。DCS Master将选定的MXOSRVR信息返回客户端，收到信息后，客户端直接和MXOSRVR 进行连接，此后客户端的所有请求都由该MXOSRVR 负责处理。类似Oracle的Dedicated 模式。

当多个客户端请求连接时，DCSMaster会平均地将客户端连接到不同的MXOSRVR ，从而均衡地利用集群中的每个计算节点。而且每个客户端都有一个单独的MXOSRVR 负责其后续计算请求的执行，以保证快速的响应客户query。一些数据库系统只有单一的ODBC接入点，高并发的情况下，就会出现排队现象，而采用了以上的模型后，每个客户端都由一个接入点唯一负责，而且这些接入点平均分配在集群的各个节点，可以充分发挥每台计算节点的能力。

为了降低延迟，Trafodion启动的时候会预先在每个节点启动一定数量的MXOSRVR 进程。这样客户端连接请求被处理时，就不需要启动新MXOSRVR 进程的开销。但是Trafodion 也不会预先启动非常多的MXOSRVR ，以免在连接请求不多的情况下浪费资源。当客户请求数量大于预先启动的MXOSRVR 进程数目时，DCS Master再为新的连接请求启动新的MXOSRVR ，以便满足高并发的客户连接。

DCS Master是所有客户端的唯一接入点，因此Trafodion为其提供了HA保护。当DCS Master故障退出，或者其所在节点崩溃时，Trafodion会在集群的其他健康节点上重新启动一个新的DCS Master，并利用floating IP的技术保证客户端可以继续执行连接。整个过程对客户端完全透明。

Trafodion的HA机制非常复杂，需要一篇单独的文章来详细介绍，这里就不再展开叙述。

SQL编译执行层

客户请求被接受后，每个ODBC客户端都有一个单独的MXOSRVR 负责。该MXOSRVR 就是master进程，负责用户query的执行。一条用户query的执行流程大致如下：

首先，MXOSRVR 会调用compiler模块对SQL语句进行编译和优化。Trafodion拥有一个非常成熟的SQL编译器，经过了20年的不断增强和改进，形成了一个强大的基于成本的

优化器，能够生成用户SQL的最佳执行计划，比如最优的join表顺序。此外，编译器拥有一个执行计划缓存，如果SQL的执行计划已经在缓存中，则立即返回该计划，节省了编译的开销。

执行计划会指导Master如何执行用户query。对于简单的query，执行计划仅仅需要master 本身即可完成。对于复杂的query，master根据计划会启动多个ESP进程，并发地执行query。Trafodion的执行器是一个MPP构架的并发处理模型。它的多数执行操作符都支持并发，

比如并发join，并发aggregation等等。

Trafodion编译器

Trafodion编译器的主要职责就是将SQL文本解析为一个最优的执行计划。它主要包括以下几部分：

Parser：parser采用bison对SQL文本进行文法分析，生成语法树。Parser也负责维护执行计划缓存。如果能够在这一步决定输入的SQL文本在缓存中，则直接返回执行计划。Binder：Binder对语法树进一步进行分析，类似程序编译器的语义分析，对语法合格的SQL 进一步进行检查。比如检查Table是否存在，column数据类型是否匹配等。Binder还维护执行计划缓存。

Normalizer：Normalizer对Binder生成的语法树进行逻辑优化。实施传统意义上的基于规则的优化，比如将查询条件下推；将子查询修改为semi-join；将DISTINCT转换为groupby 等等。

Analyzer：Analyzer对语法树进行一些补充，以帮助优化器判断是否可以运用某些规则。

比如对于底层数据分区的访问可以有多种方式，可以直接从base table访问，或者从索引

访问。Analyzer收集数据表的索引情况，添加进语法树，以便优化器做选择。

Optimizer：可以说这是Trafodion最值得骄傲和关注的一个核心技术。优化器采用Cascades框架，是一个基于成本的优化器，而且Cascades框架非常易于扩展，开发人员可以添加新的规则来扩展新的优化方法。优化器实际上可以看作一个对问题空间的搜索过程，对于同一条query，通过规则，可以生成很多等价的执行计划。举一个例子：简单的规则，比如Ajoin B => B join A，应用该规则就会生成两个不同的等价计划。

优化器对语法树应用各种规则，生成不同的执行计划，形成一个搜索空间。然后在这个搜索空间内通过比较每个计划的成本，来找出最优的方案。由于规则众多，等价的执行计划数量会指数级增长，导致搜索空间非常巨大，因此采用穷举法一条一条的进行比较是不现实的。传统的优化器框架比如Dynamic programming是自底向上的策略，很难缩小搜索空间，而Cascades采用自顶向下的搜索策略，可以很方便地利用branch-and-bound算法，将一些分支进行裁剪，即不需要再深入分支进行优化。比如某分支的cost已经超出当前的总cost，则对于该分支就不再进行进一步搜索。

Cascades还拥有MEMO数据结构，能够记忆曾经搜索过的分支，这进一步增加了搜索的效率。

此外Trafodion优化器还在多年的实践中总结出了很多的经验式规则(heuristics )，能够进一步减小搜索空间。

最后优化器支持multi-pass的模式，对于简单的query，先enable非常少量的规则，将搜索空间限定在很小范围，因此可以高效地找到最优解；对于复杂query，进入第二个pass，enable所有的规则，进一步找出更好的执行计划。

Pre-Code generator：optimizer选出了最优的执行计划，在生成物理执行计划之前，

pre-codegenerator再应用一些物理优化策略，比如常数折叠，举例如下：假设Where条件为a=5 and b=a。可以将b=a进一步替换为b=5。

Generator：最后Generator将执行计划翻译为可以被Trafodion执行器执行的物理执行计划。这里有一个重要步骤，优化标量表达式。所谓标量表达式，即其解析结果为标量的表达式，比如a+b+c等。Trafodion利用LLVM将多数标量表达式编译成运行时的机器代码，从而进一步提高了执行速度，类似JIT将部分javabytecode编译为机器指令以便加速java程序的执行。

成本模块：Trafodion编译器还有一个经过长期调节和校准的cost成本模块，对各种SQL operator的成本进行估计。成本计算需要对存放在表内数据的分布情况有所了解，这是依赖对表数据进行扫描和采样统计计算出的直方图来支持。成本模块从直方图中得到数据的分布情况，计算出Cardinality。它还综合考虑了CPU，内存消耗，消息通讯和磁盘IO等条件为各个SQL操作算子计算出一个cost vector，提供比较准确的成本估计。

以上各个系统组件协同工作，如上图所示，SQL语句经过parser和Normalizer的分析之后，输入优化器进行基于成本的优化；成本估计模块通过直方图获得数据分布，然后根据每个操作符自身的特点，进行成本估计，将成本输入优化器。根据这些输入，优化器最终生成一个最优的执行计划。

Trafodion执行器

Trafodion的执行器是一个MPP构架的并发执行器。它的工作模式是数据驱动，因此一旦有数据就绪，就可以返回用户，而无需等待整个query完全结束执行，提高了用户响应速度。执行器由不同的SQL操作符组成，数据在各个操作符之间通过IPC流动，无需将中间计算结果保存到磁盘。如果中间数据太大，超过了RAM的容量，操作符会将数据overflow到磁盘上，因此Trafodion的query执行不受物理内存大小限制。

并发执行

Trafodion执行器最大的优点是极佳的并发能力。多数SQL操作算子都有并发执行的能力，包括GROUPBY，JOIN，INSERT都支持并发执行。

这里举一个小例子来说明Trafodion如何并发执行一个简单的sum(col1)聚集操作：master 会在集群的每个节点启动一个ESP进程，该进程负责对存储在该节点上的数据分区进行sum聚集操作。多个ESP同时并发执行，将最终结果发还给master，由master汇总。对于聚集，Trafodion还可以将该操作下推到数据访问层执行，而不需要将数据分区的每一行数据返回给ESP，由ESP逐一统计，而是由底层的数据访问层进行统计操作，仅仅将聚集结果发给ESP，ESP再返回给master。

再看看Trafodion的Join。Trafodion支持所有的join类型，内连接，外连接，non-equijoin，semi-join，全连接等等。在Join的实现方式上，支持nestloop join，merge join和hashjoin。无论哪一种join算法，都有并发执行的能力。Trafodion支持多种并发join方法，由优化器选择最优的一种。

首先介绍大家最熟悉的两种并发join算法，即broadcast和repartition。

broadcast parallel join(hash join)

broadcast类型的join中，一个表比较小，可以完全放入单个节点的内存中。在这种情况下Trafodion会将小表广播到所有节点上。该并发执行方法用于hashjoin。每个节点上的ESP 将小表放入内存并建立hash表，然后顺序读入本节点上的大表分区，执行hashjoin操作。

repartition parallel join

repartition类型的join中，两个表都很大，无法放入单机内存。这种情况下，优化器生成的执行计划会自动派生两层ESP，第一层读取数据后按照join column进行repartition操作，将两个Join表的数据重新分区，将join column值相同的数据汇集到同一个第二层ESP中执行join操作。然后，所有的第二层ESP将Join结果返回master进行汇总。

以上两种在Hadoop的应用中经常被使用到，被称为mapper join和reducer join。这两种并发join方法都需要非常大的网络开销和内存开销。Trafodion优化器能够智能地在可能的情况下选择以下几种并发join方法：

Matching PartitionsJoin

如果参加join的两张表都是按照join column分区的，那么直接可以在各个节点的ESP中执行本地join，因为肯定不需要其他节点上的数据。这是最理想的情况。

Inner Child ParallelAccess (for Nested Join)

这种方法只适用于Nest Loop Join。TblA作为outer table；TblB作为inner table。TblA有两个分区，因此启动2个ESP，ESP1从TblA的分区1逐行读取数据，然后逐一从TblB 读取相应的数据行进行连接操作；同理ESP2也做同样的工作。这种类型的join比broadcast 的方法节约内存开销，但多个ESP可能会竞争读取outer table。但可以支持非等值join。

Trafodion的MPP并发执行器还有很多其他的先进技术，比如HP的专利MDAM，Adaptive Segmentation，Skewbuster等都可以显著加速query的执行效率降低延迟，从而达到

sub-second的实时响应。限于篇幅，MDAM等技术在这里就不展开叙述，Trafodion团队将陆续推出专题技术文章来单独介绍这些专利技术。

数据访问层

当执行器对底层数据库表进行读写时，就需要调用数据访问层的服务。Trafodion的数据都存放在HBaseTable中。HBase本身支持对数据的随机读写，但是不支持ACID事务处理。因此数据访问层必须和DTM(分布式事务管理器)相互配合，实现有事务保护的读写。事务处理在下一个小结详细介绍。

DTM对HBase的API进行了封装，添加了必要的事务处理支持。其余的读写逻辑和原生的HBase读写是一样的。因此如果不考虑事务，数据访问层就是一个标准的HBase客户端，通过HBaseclient API访问HBase。HBase是Trafodion数据访问和存储层的核心。也是Trafodion区别于传统数据库的最重要的地方。借助于HBase，Trafodion也可以提供极佳的水平扩展能力，同时具有很强的可靠性，而这些能力是传统数据库所不具备的。

Trafodion支持的三种底层数据库表：Trafodion表，Hive表和HBase表。数据访问层需要负责对这三种存储类型的访问控制。

Trafodion表

Trafodion表是用户用Trafodion的DDL语句直接创建的数据库表。在底层是一张HBase 表，因此从Trafodion表到HBaseTable需要一定的映射和编码。

映射

即如何将Trafodion数据库表映射到HBase Table。我们考虑如下这个DDL创建的Trafodion 表：

create table sales.item(item_id int not null,

item_name char(10) ,

primary key (item_id));

首先是如何将关系数据库的schame+table_name映射到HBaseTable。这个映射原则非常简单，即一个trafodion表在HBase中存储的表名为。例子中的item表在HBase中被映射为TRAFODION.SALES.ITEM这个HBaseTable。

其次是Trafodion表的各个column如何映射到HBase的存储模式中。HBase的表内部有ColumnFamily，每个ColumnFamily中可以有任意多的ColumnQualifier，每一个行有一个rowkey，和一个timestamp。这四个维度定义了一个数据Cell。那么Trafodion的二维表如何映射到HBase这样的存储模型中呢？

Trafodion将表的主键列组合起来作为HBase的rowkey。Column映射到HBase的columnqualifier，而timestamp被用作事务管理的时间戳。在目前的release中，所有列数据都存放在同一个ColumnFamily中，支持多ColumnFamily已经在Trafodion的蓝图中，因此未来这个映射会有所改变。

编码

HBase存储的数据是没有数据类型的。Trafodion的表却支持不同的SQL数据类型，比如CHAR型，即按字符串进行存储，”1”被编码为ASCII码0x41。如果SQL数据类型为INTEGER，在存储到HBase中时，Trafodion会直接写入二进制数0x00,0x00,0x00,0x01，占用4个byte；相应的LONG型占8个byte。

Trafodion会自动进行类型处理，无需应用程序自己进行编解码的工作。

数据分区

HBase会自动通过split技术对数据进行分区，但是某些情况下，比如时间序列数据顺序插入的情况下，大量的数据读写会集中在某个单一Region上，从而使得单台RegionServer 的负载高于其他的RegionServer。Trafodion支持slatedpartition功能，在创建表的时候通

过指定SALT关键字，Trafodion会自动为rowkey加入hash前缀，对表进行pre-split，保证平均地将数据分布在集群中。用户也可以不指定SALT关键字，而依赖底层HBase自动进行数据分区。

访问原生HBase表

Trafodion也可以直接访问原生HBase表，提供两种访问方式: Cell-Per-Row和Rowwise Per-Row。

通过Cell-Per-Row方式访问HBase表，每一个HBase的Cell会作为SQL结果集中的一行数据。通过Rowwise Per-Row模式访问，每一行HBase数据作为SQL结果集的一行数据。

假设Table1有2行数据，每行两个Cell:[(row1, CF1:Col1, v1), (row1,CF1:Col2, v2) , (row2, CF1:Col1, d1), (row2,CF1:Col2, d2)]。

Cell-Per-Row访问：

select * from hbase.”_CELL_”.”table1”

返回4行数据

通过Rowwise-Per-Row方式访问：

select * from hbase.”_ROW_”.”table1”;

返回两行数据

具体使用方法可以参考Trafodion的SQL Manual。

访问原生Hive表

Trafodion可以直接访问原生Hive表。采用特殊的schema “hive”，用户直接使用SQL语句即可访问。比如

select * fromhive.hive.table1;

SQL引擎会识别”hive.hive”这个特殊的schema，读取Hive的metastore获取table1的元数据，然后直接通过libhdfs访问HDFS上的Hive表数据。因此绕过了DTM。所以，对于原生Hive表的访问，Trafodion不提供事务保护。

关于事务

Trafodion的威尔士本意即事务，因此事务处理是Trafodion非常重要的一个方面。事务是一系列query的组合。一个事务由若干操作构成，并由begin开始，由commit或者abort 结束。

Trafodion采用两阶段提交协议来保证分布式事务的完整性。每个节点均运行TM进程，所有的TM都是peerto peer对等的，而避免了单一的事务管理器的扩展性问题和SinglePoint of Failure问题。高并发情况下，所有的活跃事务由不同节点上的TM分别管理，提供了很高的扩展能力。

原生的HBase本身仅支持单行的ACID事务保证，Trafodion基于开源项目hbase-trx（）开发了目前版本的Transactionon HBase机制。提供了跨行跨表的ACID保证。hbase-trx 采用MVCC机制，提供SnapShotIsolation事务隔离级别。原生的hbase-trx仅支持HBase0.94，且采用了侵入式的开发方法，大量修改了HBase的基本代码。Trafodion团队吸取了hbase-trx的基本思路，利用HBase协处理器重新开发了hbase-trx，并支持HBase0.98版本。并改进了日志实现，能够保证各种failure情况下数据的安全性。

目前TrafodionDTM团队正在和中国科学院计算所合作开发新的Transactionon HBase算法Stateful-stateless Concurrency Control (SSCC)。关于SSCC的原理，读者可以进一步参考开源项目Domino:，预计将于TrafodionR1.2版本开始提供产品使用。SSCC提供比SnapShot Isolation更高级的隔离级别，同时对无状态写操作有很高效的支持，提供更高的并发度。无状态写在web应用中非常普遍，采用这一机制，Trafodion可以高效地为相关的web应用提供强大的支持。

小结

Trafodion是一个复杂的大系统，一篇短文无论如何也不可能完全说明其内部运作原理。笔者仅希望用最简单的描述给各位读者一个大体的概念，作为一个开源项目，Trafodion欢迎各位研读源代码，并共同改进。

通过本文，希望读者认同以下几个关键点：

· Trafodion有一个成熟的SQL编译器，能够进行基于成本的优化

· Trafodion有一个先进的MPP并发执行引擎

· Trafodion有一个创新的Transaction实现

· Trafodion有一个成熟的ODBC/JDBC接入层

· Trafodion构架在HBase之上，继承了所有HBase的优点。为用户提供极佳的水平扩展性

本文没有涉及到的技术话题还有很多，比如Trafodion的HA实现，安全体系，NoSQL支持等。Trafodion团队会努力完善文档，也欢迎各位读者能够下载Trafodion源代码进行使用和学习，并贡献您的理解和分析。