寫在最前:
本文主要描述在網站的不同的並發訪問量級下，Mysql架構的演變
架構的可擴展性往往和並發是息息相關，沒有並發的增長，也就沒有必要做高可擴展性的架構，這裡對可擴展性進行簡單介紹一下，常用的擴展手段有以下兩種
Scale-up : 縱向擴展，通過替換為更好的機器和資源來實現伸縮，提升服務能力
Scale-out : 橫向擴展, 通過加節點（機器）來實現伸縮，提升服務能力
對於互聯網的高並發應用來說，無疑Scale out才是出路，通過縱向的買更高端的機器一直是我們所避諱的問題，也不是長久之計，在scale out的理論下，可擴展性的理想狀態是什麼？
一個服務，當面臨更高的並發的時候，能夠通過簡單增加機器來提升服務支撐的並發度，且增加機器過程中對線上服務無影響(no down time)，這就是可擴展性的理想狀態！
一個簡單的小型網站或者應用背後的架構可以非常簡單, 數據存儲只需要一個mysql instance就能滿足數據讀取和寫入需求（這裡忽略掉了數據備份的實例），處於這個時間段的網站，一般會把所有的信息存到一個database instance裡面。
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
1.數據量的總大小 一個機器放不下時
2.數據的索引（B+ Tree）一個機器的內存放不下時
3.訪問量(讀寫混合)一個實例不能承受
只有當以上3件事情任何一件或多件滿足時，我們才需要考慮往下一級演變。 從此我們可以看出，事實上對於很多小公司小應用，這種架構已經足夠滿足他們的需求了，初期數據量的准確評估是杜絕過度設計很重要的一環，畢竟沒有人願意為不可能發生的事情而浪費自己的經歷。
這裡簡單舉個我的例子，對於用戶信息這類表 （3個索引），16G內存能放下大概2000W行數據的索引，簡單的讀和寫混合訪問量3000/s左右沒有問題，你的應用場景是否
一般當V1.0 遇到瓶頸時，首先最簡便的拆分方法就是垂直拆分，何謂垂直？就是從業務角度來看，將關聯性不強的數據拆分到不同的instance上，從而達到消除瓶頸的目標。以圖中的為例，將用戶信息數據，和業務數據拆分到不同的三個實例上。對於重復讀類型比較多的場景，我們還可以加一層cache，來減少對DB的壓力。
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
1.單實例單業務 依然存在V1.0所述瓶頸
遇到瓶頸時可以考慮往本文更高V版本升級, 若是讀請求導致達到性能瓶頸可以考慮往V3.0升級， 其他瓶頸考慮往V4.0升級
此類架構主要解決V2.0架構下的讀問題，通過給Instance掛數據實時備份的思路來遷移讀取的壓力，在Mysql的場景下就是通過主從結構，主庫抗寫壓力，通過從庫來分擔讀壓力，對於寫少讀多的應用，V3.0主從架構完全能夠勝任
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
1.寫入量主庫不能承受
對於V2.0 V3.0方案遇到瓶頸時，都可以通過水平拆分來解決，水平拆分和垂直拆分有較大區別，垂直拆分拆完的結果，在一個實例上是擁有全量數據的，而水平拆分之後，任何實例都只有全量的1/n的數據，以下圖Userinfo的拆分為例，將userinfo拆分為3個cluster，每個cluster持有總量的1/3數據，3個cluster數據的總和等於一份完整數據（注：這裡不再叫單個實例 而是叫一個cluster 代表包含主從的一個小mysql集群）
sharding key按連續區間段路由，一般用在有嚴格自增ID需求的場景上，如Userid, Userid Range的小例子：以userid 3000W 為Range進行拆分 1號cluster userid 1-3000W 2號cluster userid 3001W-6000W
List拆分與Range拆分思路一樣，都是通過給不同的sharding key來路由到不同的cluster,但是具體方法有些不同,List主要用來做sharding key不是連續區間的序列落到一個cluster的情況，如以下場景：
假定有20個音像店，分布在4個有經銷權的地區，如下表所示：
地區
商店ID 號
北區
3, 5, 6, 9, 17
東區
1, 2, 10, 11, 19, 20
西區
4, 12, 13, 14, 18
中心區
7, 8, 15, 16
業務希望能夠把一個地區的所有數據組織到一起來搜索，這種場景List拆分可以輕松搞定
通過對sharding key 進行哈希的方式來進行拆分，常用的哈希方法有除余,字符串哈希等等，除余如按userid%n 的值來決定數據讀寫哪個cluster，其他哈希類算法這裡就不細展開講了。
數據水平拆分引入的問題主要是只能通過sharding key來讀寫操作，例如以userid為sharding key的切分例子，讀userid的詳細信息時，一定需要先知道userid,這樣才能推算出再哪個cluster進而進行查詢，假設我需要按username進行檢索用戶信息，需要引入額外的反向索引機制（類似HBASE二級索引），如在redis上存儲username->userid的映射，以username查詢的例子變成了先通過查詢username->userid，再通過userid查詢相應的信息。
實際上這個做法很簡單，但是我們不要忽略了一個額外的隱患，那就是數據不一致的隱患。存儲在redis裡的username->userid和存儲在mysql裡的userid->username必須需要是一致的，這個保證起來很多時候是一件比較困難的事情，舉個例子來說，對於修改用戶名這個場景，你需要同時修改redis和mysql,這兩個東西是很難做到事務保證的,如mysql操作成功 但是redis卻操作失敗了（分布式事務引入成本較高）,對於互聯網應用來說，可用性是最重要的，一致性是其次，所以能夠容忍小量的不一致出現. 畢竟從占比來說，這類的不一致的比例可以微乎其微到忽略不計（一般寫更新也會采用mq來保證直到成功為止才停止重試操作）
在這樣的架構下，我們來看看數據存儲的瓶頸是什麼？
在這個拆分理念上搭建起來的架構，理論上不存在瓶頸（sharding key能確保各cluster流量相對均衡的前提下),不過確有一件惡心的事情，那就是cluster擴容的時候重做數據的成本，如我原來有3個cluster，但是現在我的數據增長比較快，我需要6個cluster，那麼我們需要將每個cluster 一拆為二，一般的做法是
1.摘下一個slave,停同步,
2.對寫記錄增量log（實現上可以業務方對寫操作 多一次寫持久化mq 或者mysql主創建trigger記錄寫 等等方式）
3.開始對靜態slave做數據, 一拆為二
4.回放增量寫入,直到追上的所有增量,與原cluster基本保持同步
5.寫入切換，由原3 cluster 切換為6cluster
有沒有類似飛機空中加油的感覺，這是一個髒活，累活，容易出問題的活，為了避免這個，我們一般在最開始的時候，設計足夠多的sharding cluster來防止可能的cluster擴容這件事情
雲計算現在是各大IT公司內部作為節約成本的一個突破口，對於數據存儲的mysql來說，如何讓其成為一個saas（Software as a Service）是關鍵點。在MS的官方文檔中，把構建一個足夠成熟的SAAS(MS簡單列出了SAAS應用的4級成熟度)所面臨的3個主要挑戰：可配置性，可擴展性，多用戶存儲結構設計稱為"three headed monster". 可配置性和多用戶存儲結構設計在Mysql saas這個問題中並不是特別難辦的一件事情，所以這裡重點說一下可擴展性。
Mysql作為一個saas服務，在架構演變為V4.0之後，依賴良好的sharding key設計, 已經不再存在擴展性問題，只是他在面對擴容縮容時，有一些髒活需要干，而作為saas,並不能避免擴容縮容這個問題，所以只要能把V4.0的髒活變成 1. 擴容縮容對前端APP透明(業務代碼不需要任何改動) 2.擴容縮容全自動化且對在線服務無影響 那麼他就拿到了作為Saas的門票.
對於架構實現的關鍵點，需要滿足對業務透明，擴容縮容對業務不需要任何改動，那麼就必須eat our own dog food，在你mysql saas內部解決這個問題，一般的做法是我們需要引入一個Proxy,Proxy來解析sql協議，按sharding key 來尋找cluster, 判斷是讀操作還是寫操作來請求主 或者 從，這一切內部的細節都由proxy來屏蔽。
這裡借淘寶的圖來列舉一下proxy需要干哪些事情
百度公開的技術方案中也有類似的解決方案，見文章最後資料部分鏈接
對於架構實現的關鍵點，擴容縮容全自動化且對在線服務無影響； 擴容縮容對應到的數據操作即為數據拆分和數據合並，要做到完全自動化有非常多不同的實現方式，總體思路和V4.0介紹的瓶頸部分有關，目前來看這個問題比較好的方案就是實現一個偽裝slave的sync slave, 解析mysql同步協議，然後實現數據拆分邏輯，把全量數據進行拆分。具體架構見下圖：
其中Sync slave對於Original Master來說，和一個普通的Mysql Slave沒有任何區別，也不需要任何額外的區分對待。需要擴容/縮容時，掛上一個Sync slave,開始全量同步+增量同步，等待一段時間追數據。以擴容為例，若擴容後的服務和擴容前數據已經基本同步了，這時候如何做到切換對業務無影響？ 其實關鍵點還是在引入的proxy,這個問題轉換為了如何讓proxy做熱切換後端的問題。這已經變成一個非常好處理的問題了.
另外值得關注的是：2014年5月28日——為了滿足當下對Web及雲應用需求，甲骨文宣布推出MySQL Fabric，在對應的資料部分我也放了很多Fabric的資料，有興趣的可以看看，說不定會是以後的一個解決雲數據庫擴容縮容的手段
