相信大家都對大名鼎鼎的ClickHouse有一定的了解了，它強大的數據分析性能讓人印象深刻。但在字節大量生產使用中，發現了ClickHouse依然存在了一定的限制。例如：

缺少完整的upsert和delete操作

多表關聯查詢能力弱

集群規模較大時可用性下降（對字節尤其如此）

沒有資源隔離能力

因此，我們決定將ClickHouse能力進行全方位加強，打造一款更強大的數據分析平臺。后面我們將從五個方面來和大家分享，本篇將詳細介紹我們是如何為ClickHouse增強高可用能力的。

字節遇到的ClickHouse可用性問題

隨著字節業務的快速發展，產品快速擴張，承載業務的ClickHouse集群節點數也快速增加。另一方面，按照天進行的數據分區也快速增加，一個集群管理的庫表特別多，開始出現元數據不一致的情況。兩方面結合，導致集群的可用性極速下降，以至于到了業務難以接受的程度。直觀的問題有三類：

1、故障變多

典型的例子如硬件故障，幾乎每天都會出現。另外，當集群達到一定的規模，Zookeeper會成為瓶頸，增加故障發生頻率。

2、故障恢復時間長

因為數據分區變多，導致一旦發生故障，恢復時間經常會需要1個小時以上，這是業務方完全不能接受的。

3、運維復雜度提升

以往只需要一個人負責運維的集群，由于節點增加和分區變多，運維復雜度和難度成倍的增加，目前運維人數增加了幾人也依然拙荊見肘，依然難保證集群的穩定運行。

可用性問題已經成為制約業務發展的重要問題，因此我們決定將影響高可用的問題一一拆解，并逐個解決。

提升高可用能力的方案

一、降低Zookeeper壓力

問題所在：

原生ClickHouse 使用 ReplicatedMergeTree 引擎來實現數據同步。原理上，ReplicatedMergeTree 基于 ZooKeeper 完成多副本的選主、數據同步、故障恢復等功能。由于 ReplicatedMergeTree 對 ZooKeeper 的使用比較重，除了每組副本一些表級別的元信息，還存儲了邏輯日志、part 信息等潛在數量級較大的信息。Zookeeper并不是一個能做到良好線性擴展的系統，當ZooKeeper 在相對較高的負載情況下運行時，往往性能表現并不佳，甚至會出現副本無法寫入，數據也無法同步的情況。在字節內部實際使用和運維 ClickHouse 的過程中，ZooKeeper 也是非常容易成為一個瓶頸的組件。

改造思路：

ReplicatedMergeTree 支持 insert_quorum，insert_quorum 是指如果副本數為3，insert_quorum=2，要成功寫入至少兩個副本才會返回寫入成功。

新分區在副本之間復制的流程如下：

可以看到，反復在 zookeeper 中進行分發日志、數據交換等步驟，這正是引起瓶頸的原因之一。

為了降低對 ZooKeeper 的負載，在ByteHouse中重新實現了一套 HaMergeTree 引擎。通過HaMergeTree降低對 ZooKeeper 的請求次數，減少在 ZooKeeper 上存儲的數據量，新的 HaMergeTree 同步引擎：

1）保留ZooKeeper上表級別的元信息；

2）簡化邏輯日志的分配；

3）將 part 信息從 ZooKeeper 日志移除。

HaMergeTree 減少了操作日志等信息在zookeeper里面的存放，來減少zookeeper的負載，zookeeper里面只是存放log LSN, 具體日志在副本之間通過gossip協議同步回放。

在保持和ReplicatedMergeTree完全兼容的前提下，新的 HaMergeTree 極大減輕了對 ZooKeeper 的負載，實現了 ZooKeeper 集群的壓力與數據量不相關。上線后，因Zookeeper導致的異常大量減少。無論是單集群幾百甚至上千節點，還是單節點上萬張表，都能保障良好的穩定性。

二、提升故障恢復能力

問題所在：

雖然所有數據從業者都在做各種努力，想要保證線上生產環境不出故障，但是現實中還是難以避免會遇到各式各樣的問題。主要是由下面這幾種因素引起的：

軟件缺陷：軟件設計本身的Bug引起的系統非正常終止，或依賴的組件兼容引發的問題。

硬件故障：常見的有磁盤損壞、內容故障、CPU故障等，當集群規模擴大后發生的頻率也線性增加。

內存溢出導致進程被停止：在OLAP數據庫中經常發生。

意外因素：如斷電、誤操作等引發的問題。

由于原生ClickHouse希望達到極致性能的初衷，所以在ClickHouse系統中元數據常駐于內存中，這導致了ClickHouse server重啟時間非常長。因而當故障發生后，恢復的時間也很長，動輒一到兩個小時，相當于業務也要中斷一到兩個小時。當故障頻繁出現，造成的業務損失是無法估量的。

改造思路：

為了解決上述問題，在ByteHouse中采用了元數據持久化的方案，將元數據持久化到RocksDB， Server啟動時直接從RocksDB加載元數據，內存中也僅僅存放必要的Part信息。因此可以減少元數據對內存的占用，以及加速集群的啟動以及故障恢復時間。

如下圖所示，元數據持久化整體上采用了RocksDB+Meta in Memory的方式，每個Table都會對應一個RocksDB數據庫存放該表所有Part的元信息。Table首次啟動時，從文件系統中加載的Part元數據將被持久化到RocksDB中；之后重啟時就可以直接從RocksDB中加載Part。每個表從RocksDB或者文件系統加載的Part將只在內存中存放必要的Part信息。在實際使用Part時，將通過內存中存放的Part元信息去RocksDB中讀取并加載對應Part。

完成元數據持久化后，在性能基本無損失的情況下，單機支持的part不再受內存容量的限制，可以達到100萬以上。最重要的是，故障恢復的時間顯著縮短，只需要此前的幾十分之一的時間就可以完成。例如在原生ClickHouse中需要一到兩個小時的恢復時間，在ByteHouse中只需要3分鐘，大大提高的系統的高可用能力，為業務提供了堅實保障。

三、其他方面

除了以上兩點，在ByteHouse中在其他很多方面都為高可用能力做了增強，如通過HaKafka引擎提升了數據寫入的高可用性，提升實時數據寫入的容錯率，可自動切換主備寫入；增加了監控運維平臺，實現對關鍵指標的監控、告警；增加多種問題診斷工具，能實現故障的快速定位。

對于數據分析平臺來說，穩定性是重中之重。我們對ByteHouse的高可用能力的提升是不會停止的，在極致性能的背后，力圖為用戶提供最強有力的穩定性保障。