RocksDB事务实现TransactionDB分析
摘要: 本文主要对RocksDB中事务实现TransactionDB做分析,设计事务并发、隔离级别、MVCC等实现细节
基本概念
1. LSN (log sequence number)
RocksDB中的每一条记录(KeyValue)都有一个LogSequenceNumber(后面统称lsn),从最初的0开始,每次写入加1。该值为逻辑量,区别于InnoDB的lsn为redo log物理写入字节量。
这个lsn在RocksDB内部的memtable中是单调递增的,在WriteAheadLog(WAL)中以WriteBatch为单位递增(count(batch.records)为单位)。
WriteBatch是一次RocksDB::Put()的原子操作集合,不同的WriteBatch间是遵循ACID特性(要么完全成功要么完全失败,并且相互隔离),结构如下:
WriteBatch := sequence: fixed64 count: fixed32 data: record[count]
从RocksDB外部能看到的LSN是按WriteBatch递增的(LeaderWriter(或LastWriter)最后一次性更新),所以进行snapshot读
时,使用的就是此lsn。
注意: 在WAL中每条WriteBatch的lsn并不严格满足以下公式(比如2pc情况下):
lsn(WriteBatch[n]) < lsn(WriteBatch[n+1]),可能相等
2. Snapshot
Snapshot是RocksDB的快照,实际存储的就是一个lsn.
class SnapshotImpl { public: // 当前的lsn SequenceNumber number_; private: SnapshotImpl* prev_; SnapshotImpl* next_; SnapshotList* list_; // unix时间戳 int64_t unix_time_; // 是否属于Transaction(用于写冲突) bool is_write_conflict_boundary_; };
查询时如果设置了snapshot为某个lsn, 那么对于此snapshot的读来说,只能看到lsn(key)<=lsn(snapshot)
的key,大于该lsn的key是不可见的。
snapshot的创建和删除都需要由一个全局的DoubleLinkList (DBImpl::SnapshotList)管理,天然的根据创建时间(同样也是lsn大小)的关系排序,使用之后需要通过DBImpl::ReleaseSnapshot释放。snapshot还用于在RocksDB事务中实现不同的隔离级别。
3. 隔离级别
为了实现事务下的一致性非锁定读(读可以并发),不同的数据库(引擎)实现了不同的读隔离级别。SQL规范标准中定义了如下四种:
ReadUncommited | ReadCommited | RepeatableRead | Serializable | |
---|---|---|---|---|
Oracle | No | Yes | No | Yes |
MySQL | Yes | Yes | Yes | Yes |
RocksDB | No | Yes | Yes | No |
ReadUncommitted
读取未提交内容,所有事务都可以看到其他未提交事务的执行结果。存在脏读。
ReadCommitted
读取已提交内容,事务只能看见其他已经提交事务所做的改变,多次读取同一个记录可能包含其他事务已提交的更新。
RepeatableRead
可重读,确保事务读取数据时,多次操作会看到同样的数据行(InnoDB通过NextKeyLocking对btree索引加锁解决了幻读)。
Serializable
串行化,强制事务之间进行排序,不会互相冲突。
大部分数据库(如MySQL InnoDB、RocksDB),通过MVCC都可以实现上述的在非排它锁锁定情况下的多版本并发读。
RocksDB Transaction
简单的例子:
// 基本配置,事务相关操作需要TransactionDB句柄Options options; options.create_if_missing = true; TransactionDBOptions txn_db_options; TransactionDB* txn_db;// 用支持事务的方式opendbTransactionDB::Open(options, txn_db_options, kDBPath, &txn_db);// 创建一个事务上下文, 类似MySQL的start transactionTransaction* txn = txn_db->BeginTransaction(write_options);// 直接写入新数据txn->Put("abc", "def");// ForUpdate写,类似MySQL的select ... for updates = txn->GetForUpdate(read_options, "abc", &value); txn->Commit(); // or txn->Rollback();
RocksDB的一个事物操作,是通过事物内部申请一个WriteBatch实现的,所有commit之前的读都优先读该WriteBatch(保证了同一个事务内可以看到该事务之前的写操作),写都直接写入该事务独有的WriteBatch中,提交时在依次写入WAL和memtable,依赖WriteBatch的原子性和隔离性实现了ACID。
有些单独写操作也可以通过TransactionDB直接写
txn_db->Put(write_options, "abc", "value");txn_db->Get(read_options, "abc", &value);
用TransactionDB::Put(),内部会直接生成一个auto transaction,将这个单独的操作封装成一个transaction,并自动commit。
所以在TransactionDB中,所有的入口内部都会转化成trasaction
(所以显示的transaction是可以马上读取到了外面TransactionDB::Put()的数据,注意这不属于脏读)
这个和MySQL的形式是类似的,默认每个SQL都是个auto transaction。但这种transaction是不会触发写冲突检测。
GetForUpdate
类似MySQL的select ... for update,RocksDB提供了GetForUpdate接口。区别于Get接口,GetForUpdate对读记录加独占写锁,保证后续对该记录的写操作是排他的。所以一般GetForUpdate会配合snapshot和SetSnapshotOnNextOperation()进行读,保证多个事务的GetForUpdate都可以成功锁定,而不是一个GetForUpdatech成功其他的失败。尤其是在一些大量基于索引更新的场景上。
事务并发
不同的并发事务之间,如果存在数据冲突,会有如下情况:
事务都是读事务,无论操作的记录间是否有交集,都不会锁定。
事务包含读、写事务:
所有的读事务不会锁定,读到的数据取决于snapshot设置。
写事务之间如果不存在记录交集,不会锁定。
写事务之间如果存在记录交集,此时如果未设置snapshot,则交集部分的记录是可以串行提交的。如果设置了snapshot,则第一个写事务(写锁队列的head)会成功,其他写事务会失败(之前的事务修改了该记录的情况下)。
独占写锁和写冲突
RocksDB事务写锁是基于Key Locking行锁的(实现上锁力度会粗一些)
,所以在多个Transaction同时更新一条记录,会触发独占写锁定。如果还设置了snapshot的情况下,会触发写冲突分析。每个写操作(Put/Delete/Merge/GetForUpdate)开始之前,会进行写锁定,见TransactionLockMgr代码。如果存在记录有交集,写锁定会锁住一片key保证只有一个事物会独占写。
内部实现还是比较精炼的,全局有个LockMaps结构,里面按照ColumnFamily级别和num_strips(默认16)级别做了shard进一步降低冲突(此处RocksDB还针对每个LockMap做了ThreadLocal优化)。最底层是一个ColumnFamily下某一个strip的LockMapStripe结构
struct LockMapStripe { // 当下所有keys共用的os锁 std::shared_ptr<TransactionDBMutex> stripe_mutex; std::shared_ptr<TransactionDBCondVar> stripe_cv; // key -> 记录key, value -> 每个key对应的LockInfo结构 // map中所有的key共享上述os锁,作者这里提到了未来会有更细粒度的锁 // TODO(agiardullo): Explore performance of other data structures. std::unordered_map<std::string, LockInfo> keys; };struct LockInfo { // 是否是独占锁(也可以是共享锁) bool exclusive; // 等待这个key的所有事务链表 autovector<TransactionID> txn_ids; // 锁超时时间 uint64_t expiration_time; };
关系图
针对每一个LockMapStripe里所有的key,有一个LockInfo(包含是否是排它锁,这个key挂的事务ID列表,超时时间)的map,所有落在这个map里的key如果存在并发写的情况,则会等待写锁释放。这里有个粒度问题,两个不相关的key如果落在同一个map里,也会等写锁。不如InnoDB的页锁冲突小,RocksDB作者在注释里提到之后会有更好的方案
加锁代码:
Status TransactionImpl::TryLock(ColumnFamilyHandle* column_family, const Slice& key, bool read_only, bool exclusive, bool untracked) { // tracked_keys_cf记录着当前事务中所有操作的key(涉及所有ColumnFamily) auto iter = tracked_keys_cf->second.find(key_str); if (iter == tracked_keys_cf->second.end()) { // 没找该key说明之前该事务之前一定没有独占锁定这个key previously_locked = false; } else { if (!iter->second.exclusive && exclusive) { // 如果之前是共享锁,现在申请独占锁,则进行锁升级 lock_upgrade = true; } previously_locked = true; current_seqno = iter->second.seq; } if (!previously_locked || lock_upgrade) { // 通过全局的LockMgr独占锁定该key(内部使用os锁),如果没有其他事务操作该key(也可 // 能不同的key命中同一个LockMapStrip),则TryLock理解返回并持有该key独占写锁。否则, // TryLock需要等待其他事务释放该key的独占写锁,或者等待其他事务锁超时 s = txn_db_impl_->TryLock(this, cfh_id, key_str, exclusive); } ...... // 如果没有设置snapshot方式(可以通过创建事务的TransactionOptions指定snapshot或者 // 调用Transaction的SetSnapshot()方法),则直接获取最新的lsn if (untracked || snapshot_ == nullptr) { ...... } else { // 如果设置了snapshot,需要通过ValidateSnapshot判断是否有其他事务对该key进行了 // 更改(如该事务等待TryLock独占写锁时,其他获得了该锁的事务更新了该key)。具体实现 // 就是是在memtable,immemtable以及sst中取得该key最大的lsn对应的记录(通过 // DBImpl::GetLatestSequenceForKey),看该lsn是否大于当前snapshot的lsn, // 大于则写冲突。 if (s.ok()) { s = ValidateSnapshot(column_family, key, current_seqno, &new_seqno); ........ } } if (s.ok()) { // 将当前key写入tracked_keys_cf TrackKey(cfh_id, key_str, new_seqno, read_only, exclusive); } return s; }
死锁检测/超时
创建事务时 TransactionOptions.deadlock_detect 选项可以支持死锁检测(默认不开启,性能影响较大,尤其是热点记录场景下。依赖timeout机制解决死锁)。如果多个事务之间发生死锁,则当前检测到死锁的事物失败(可以回滚)。死锁检测是通过刚才提到的LockInfo中全局事物ID列表以和当前事务ID进行环检测实现,通过广度优先递归遍历当前事务ID依赖的事务ID,判断其是否指向自己,如果能递归的找到自己的ID则说明有环,发生死锁。deadlock_detect_depth参数可以指定检测的深度,防止过深的依赖。
Optimistic Transaction
相较于悲观锁,RocksDB也实现了一套乐观锁机制的OptimisticTransaction,接口上和Transaction是一致的。不过在写操作(Put/Delete/Merge/GetForUpdate)时,不会触发独占写锁和写冲突检测,而是在事务commit时("乐观"锁),写入WAL时判断是否存在写冲突,而commit失败。这种方式的好处时,更新操作或者GetForUpdate()时,不用加独占写锁,省去了加锁的代价,乐观的认为没有写冲突,推迟到事务提交时一次性提交所有写入的key进行判断。
MVCC
RocksDB实现的ReadCommited和RepeatableRead隔离级别,类似其他数据库引擎,都使用MVCC机制。例如MySQL的InnoDB,通过undo page实现了行记录的多版本,这样可以在不同的隔离级别下,看到不同时刻的行记录内容。不过undo需要undo页的存储空间以及redo日志的保护(redo写undo),这跟其btree的in-place update有关,而RocksDB依靠其天然的AppendOnly,所有的写操作都是后期merge,自然地就是key的多版本(不同版本可能位于memtable,immemtable,sst),所以RocksDB首先MVCC是很容易的,只需要通过snapshot(lsn)稍加限制即可实现。
例如需要读取比某个lsn小的历史版本,只需要在读取时指定一个带有这个lsn的snapshot,即可读到历史版本。所以,在需要一致性非锁定读读取操作时,默认ReadCommited只需要按照当前系统中最大的lsn读取(这个也是默认DB::Get()的行为),即可读到已经提交的最新记录(提交到memtable后的记录一定是已经commit的记录,未commit之前记录保存在transaction的临时buffer里)。在RepeatableRead下读数据是,需要指定该事务的读上界(即创建事务时的snapshot(lsn)或通过SetSnapshot指定的当时的lsn),已提交的数据一定大于该snapshot(lsn),即可实现可重复读。
txn = txn_db->BeginTransaction(write_options); // ReadCommited (default) txn->Get(read_options, "abc", &value); txn = txn_db->BeginTransaction(write_options, txn_options); txn_options.set_snapshot = true; // RepeatableRead read_options.snapshot = txn->GetSnapshot(); s = txn->Get(read_options, "abc", &value);
可见snapshot对于MVCC有着很重要的意义:
snapshot可以实现不同隔离级别的非锁定读
snapshot可以用于写冲突检测
snapshot由全局的snapshot链表进行管理,在compaction时,会保留该链表中snapshot不被回收
2PC两阶段提交
RocksDB除了实现了基本类型的事务,还实现了2pc(https://github.com/facebook/rocksdb/wiki/Two-Phase-Commit-Implementation。某种程度上看,需求来自于MySQL的MyRocks引擎,binlog和引擎日志(redolog、wal)有一个XA的约束,防止出现写一个日志成功,另一个失败的情况。所以需要引擎日志实现2pc来支持binlog和引擎日志的原子提交。
详细文档可参见 https://github.com/facebook/rocksdb/wiki/Two-Phase-Commit-Implementation
两阶段提交在原有的Transaction基础之上,在写记录和commit之间增加了一个Prepare操作:
BeginTransaction;Put()Delete() .....Prepare(xid)Commit(xid) // or Rollback(xid)
2PC实现原理
前面几个步骤和普通的Transaction基本都是一直的,主要是后面Prepare和Commit有所区别。首先,2pc的事务有一个全局的事务表,所有2pc的事务都要有一个name,在设置name的同时,将该事务注册到全局事务表里:
Status TransactionImpl::SetName(const TransactionName& name) { if (txn_state_ == STARTED) { ...... // 向事务管理器注册事务 txn_db_impl_->RegisterTransaction(this); ...... }
prepare阶段
// 设置事务状态为开始PREPARE txn_state_.store(AWAITING_PREPARE); // PREPARE之后不允许事务超时, 可能会遇到2pc的通病???? expiration_time_ = 0; WriteOptions write_options = write_options_; write_options.disableWAL = false; // MarkEndPrepare会将当前batch开头和结尾写入PREPARE标记 // 正常的WriteBatch格式一般是: // Sequence(0);NumRecords(2);Put(a,1);Delete(b); // MarkEndPrepare之后: // Sequence(0);NumRecords(4);BeginPrepare();Put(a,1);Delete(b);EndPrepare(transaction_id); // 对WriteBatch开始和结束分别加入Begin/End,标识是个PREPARE WriteBatchInternal::MarkEndPrepare(GetWriteBatch()->GetWriteBatch(), name_); // 将更改之后的WriteBatch写入db,这里只写WAL,不写memtable s = db_impl_->WriteImpl(write_options, GetWriteBatch()->GetWriteBatch(), /callback/ nullptr, &log_number_, /log ref/ 0, / disable_memtable/ true); if (s.ok()) { ....... txn_state_.store(PREPARED); }
整个过程将修正后的prepared writebatch只是写入WAL日志,并不会更新memtable,这样保证了
其他的普通事务和2pc事务是不能访问到该2pc事务的记录(memtable不可见),保证了隔离性。这里有个点需要注意,大部分RocksDB的写操作都是一定写memtable和WAL(可以disable)的,所以全局的LSN就会递增。但prepare步骤是不写入memtable的,所以LSN不会增加,这就解释了文章开头说的WAL中LSN并不一定满足lsn(WriteBatch(n)) < lsn(WriteBatch(n+1))。
commit阶段
// 设置事务状态为准备commit txn_state_.store(AWAITING_COMMIT); // 获取临时的一个WriteBatch buffer,区别于prepare之前的操作的WriteBatch // 所以commit的WriteBatch和prepare的WriteBatch是单独分开的,这也就是说2pc // 是多个WriteBatch所以需要额外保证原子性。 WriteBatch* working_batch = GetCommitTimeWriteBatch(); // 写入commit标识和事务ID WriteBatchInternal::MarkCommit(working_batch, name_); // WAL终止点(暂没想到更好的叫法),后续写入的数据,WAL会全部忽略 working_batch->MarkWalTerminationPoint(); // 将包含prepare的全部数据追加到WriteBatch里,这些数据是供memtable写入用的 WriteBatchInternal::Append(working_batch, GetWriteBatch()->GetWriteBatch()); // 数据写入memtable(包含prepare),并将commit事件写入WAL s = db_impl_->WriteImpl(write_options_, working_batch, nullptr, nullptr, log_number_); if (!s.ok()) { return s; } // 从全局事务表里删除该事务 txn_db_impl_->UnregisterTransaction(this);
commit阶段主要做两件事:
将commit标识写入WAL
将数据写入memtable(让其他事务可以访问到)
整体回顾整个2pc提交的流程,prepare阶段生成BeginPrepare/EndPrepare相关的WAL记录,并写入WAL持久化(这里可以防止crash时,仍旧可以构建出来该事务),但为了保证隔离性,不会写入memtable。commit阶段将Commit的WAL记录写入WAL,并写入memtable,让其他事务可见。这里用了多个WriteBatch,打破了RocksDB默认的单WriteBatch原子性的保证,所以需要在WAL记录中增加额外标识,并在crash时,重建内存2pc事务状态。
2PC Recovery
RocksDB的2pc是跨WriteBatch实现的prepare和commit,所以可能存在中间态,比如prepare之后commit之前crash了。这时候系统启动时要重建所有的正在执行的事务(仅2pc事务,普通事务通过单个WriteBatch已经保证了原子性)。MemtableInserter作为处理WriteBatch中每一条记录,在遇到BeginPrepare/EndPrepare时,会在内存中重建事务的上下文,具体可见MemtableInserter代码本文不赘述。
MyRocks
RocksDB的TransactionDB支持了大部分MySQL对事务的规范,整体接口形式和行为基本一致,有些细节比如online ddl、gap locking的支持、需要binglog开启row模式等有差别。
作者:曦轩